Daten-Tagging

Was ist Daten-Tagging?

Beim Daten-Tagging wird eine Bezeichnung an Daten angehängt, z. B. an Bilder, Websites oder Videos. Diese Tags sind häufig Metadaten, um den Namen des Autors, das Erstellungsdatum, die Abteilung, das Dateiformat oder andere definierende Details anzugeben. Anhand der Tags lässt sich ein Datensatz von anderen Daten in einer Umgebung unterscheiden und einfach suchen.

Warum ist Daten-Tagging so wichtig?

Durch Tags erhalten Daten eine Identität, indem sie mit Metadaten verknüpft werden. In einer Organisation verleiht die Mitarbeiter-ID jedem einzelnen Mitarbeiter eine eindeutige Identität. Gleichermaßen trägt jeder Sitz im Fußballstadion eine Nummer, damit jeder weiß, wo er sitzt.

In allen drei Szenarien erhält ein Objekt durch das Tag eine Bezeichnung. Diese Bezeichnung dient zur eindeutigen Identifizierung des Objekts und ermöglicht:

• Mühelose Identifizierung

  Beim Fußballspiel gibt die Sitznummer einen bestimmten Standort im Stadium an, sodass man nicht lange nach seinem Platz suchen muss.

• Einfache Kategorisierung

  Mit Abteilungsnamen werden die Mitarbeiter in erkennbare Gruppen eingeteilt.

• Datensicherheit

  Eine Mitarbeiter-ID stellt Informationen zur Einzelperson bereit und ermöglicht es, Zugriff auf Organisationsressourcen zu gewähren oder zu verweigern, was für Datensicherheit sorgt.

Modelle für das Daten-Tagging

„Daten sind das neue Öl“ ist ein Satz, den man im letzten Jahrzehnt immer häufiger gehört hat – und er stimmt, wenn man sich ansieht, wieviel Geld Organisationen für die Datenbeschaffung ausgeben. Angesichts der gewaltigen Menge an gespeicherten Daten benötigen Organisationen eine Strategie, um diese effizient mit Tags zu versehen und zu organisieren. Hier einige Modelle für das Daten-Tagging, die in Organisationen zum Einsatz kommen:

• Hierarchisches Modell

  Organisieren Sie Tags in eine Hierarchie, mit breiteren Kategorien oben und spezifischen Tags unten. Beispielsweise gibt es in einer Anwendung wie Spotify die übergeordneten Kategorien „Musik“, „Podcasts“ und „Audiobooks“, während jede davon über Subkategorien verfügt, wie Genres, Selbsthilfe und Belletristik.

• Flaches Modell

  In einem flachen Modell sind alle Tags gleich wichtig und es gibt keine inhärente Beziehung zwischen den Tags.

• Segmentiertes Modell

  Bei diesem Modell werden die Daten nach Segmenten mit Tags versehen. Zum Beispiel könnten in einem Autohaus die Segmente „SUV“, „Sedan“ und „Combi“ verwendet werden.

• Jargon-Modell

  Auch der in einer Organisation oder Abteilung geläufige Jargon kann zum Taggen verwendet werden.

Verschiedene Arten von Daten-Tagging

Das Taggen von Daten lässt sich je nach deren Format grob in verschiedene Typen unterteilen. Das kann Text, Bild oder Video sein. Außerdem lässt sich jedes dieser Formate je nach Funktion weiter unterteilen. Hier einige dieser Unterklassifizierungen:

• Benannte Entitätserkennung (NER, von Named Entity Recognition)

  NER hilft dabei, Entitäten in einem Textkörper zu erkennen, wie Namen, Orte und Objekte.

• Teil der Rede (POS, von Part Of Speech)

  Beim POS-Tagging werden Wörter in einem Satz mit dem grammatischen Teil der Rede assoziiert.

• Semantische Segmentierung

  Hierbei wird jeder einzelne Pixel eines Bildes mit Tags versehen.

• 2D-Begrenzungsrahmen

  Indem ein Rahmen um ein Objekt gezogen wird, lässt es sich im Bild einfacher erkennen.

Best Practices für das Daten-Tagging

Das primäre Ziel des Daten-Taggings ist es, den Endnutzern das Leben zu erleichtern, da Nutzern weniger Zeit für die mühselige Suche nach Daten aufwenden müssen. Ihre Strategie für das Daten-Tagging muss also vorallem nutzerfreundlich sein. Hier einige Best Practices, die eine nahtlose Erfahrung ermöglichen können:

Datenklassifizierung und Tags

Klassifizierung und Tagging von Daten werden häufig synonym verwendet, es handelt sich aber um zwei Seiten der gleichen Medaille, jede mit eigener Bedeutung.

Beim Daten-Tagging erhalten Daten je nach Metadetails eine Bezeichnung, z. B. Projektname, Dateibesitzer oder Datentyp, um die Zugänglichkeit und Organisation zu fördern. Klassifiziert werden Daten hingegen abhängig von der Vertraulichkeit der Inhalte, um sensible Daten zu schützen und durch Tools zur Datenverlustprävention zu markieren. Eine gut ausbalancierte Strategie zum Taggen und Klassifizieren von Daten ermöglicht eine nahtlose Navigation und stärkt die Netzwerksicherheit.

Einzelheiten zur Datenklassifizierung lernen Sie in unserem On-Demand-Webinar mit dem Titel Datenklassifizierung: Der Grundpfeiler von DLP kennen.