Dark Data verstehen und ihre Rolle bei Risiken der Datensicherheit

<<> Unternehmen generieren und sammeln mehr Daten als je zuvor, von Kundeninteraktionen und Serverprotokollen bis hin zu Sensorausgaben und internen Dokumenten. Während ein Teil dieser Daten aktiv analysiert und genutzt wird, bleibt ein großer Teil unberührt und unausgewertet. Diese übersehenen Informationen werden als Dark Data bezeichnet. Dazu kann alles gehören, von veralteten Tabellenkalkulationen bis hin zu ungenutzten Protokolldateien, die oft ohne klaren Zweck gespeichert werden. Unverwaltet stellen Dark Data nicht nur verpasste Chancen für Erkenntnisse dar, sondern erhöhen auch die Sicherheit und Compliance-Risiken. Lesen Sie diesen Beitrag, um zu erfahren, was Dark Data sind, häufige Beispiele zu erkunden und zu verstehen, warum es so wichtig ist, sie zu schützen. Was sind Dark Data? Dark Data sind Informationen, die ein Unternehmen im Rahmen seiner regulären Geschäftstätigkeit sammelt, verarbeitet und speichert, aber nicht aktiv für einen sinnvollen Zweck nutzt. Der Begriff bezieht sich auf ungenutzte, unerschlossene oder unanalysierte digitale Informationen, die sich in Systemen, Backups oder Speichern befinden. Sie werden als „dark“ (dunkel) bezeichnet, weil sie verborgen bleiben. Wesentliche Merkmale Das Phänomen der Anhäufung von Dark Data entsteht, weil Unternehmen der Meinung sind, dass alle Informationen, die erfasst werden können, gespeichert werden sollten, da sie eines Tages vielleicht gebraucht werden könnten. In der Praxis werden diese Daten jedoch in den meisten Fällen nicht genutzt, da es ohne geeignete Metadaten schwierig ist, bestimmte Informationen abzurufen, insbesondere wenn das Datenformat unstrukturiert ist und nicht über eine Abfrage abgerufen werden kann. Dark Data kann zu verschwendetem Speicher und verpassten Chancen führen. Es handelt sich um eine Art digitales Durcheinander, das oft ignoriert wird, aber potenziell risikobehaftet und wertvoll ist. Durch ein ordnungsgemäßes Management können Sicherheitsrisiken reduziert, Kosten gespart und verborgene Erkenntnisse gewonnen werden. Wesentliche Merkmale von Dark Data Merkmal Beschreibung Gesammelt, aber ungenutzt Während des Geschäftsbetriebs generiert oder gesammelt, aber nie analysiert oder genutzt. Langfristig gespeichert Wird oft aus Compliance-Gründen, aus Gewohnheit oder aufgrund mangelnder Datenverwaltung aufbewahrt – nicht weil es wertvoll ist. Unbekanntes Risiko Enthält sensible oder regulierte Informationen (personenbezogene Daten, geistiges Eigentum, Finanzdaten) und stellt bei einer Verletzung ein Risiko für Sicherheit und Compliance dar. Versteckte Kosten Verbraucht Speicherplatz, Ressourcen für das Backup und Managementaufwand, ohne eine Rendite zu erzielen. Ungenutztes Potenzial Können wertvolle Erkenntnisse für Business Intelligence, KI/ML oder betriebliche Verbesserungen enthalten. Dark Data vs. unstrukturierte vs. veraltete Daten Lassen Sie uns den Unterschied zwischen Dark Data, unstrukturierten und veralteten Daten erklären. Dark Data werden gesammelt, aber nie verwendet. Unstrukturierte Daten haben keine vordefinierte Struktur und können verwendet werden oder auch nicht. Veraltete Daten war nützlich, ist aber mittlerweile veraltet. Diese Datentypen können sich überschneiden. Ein Großteil der Dark Data ist unstrukturiert, und einige unstrukturierte Daten können veraltet sein. Allerdings sind nicht alle unstrukturierten oder veralteten Daten Dark Data. Die drei Datentypen werden in der folgenden Tabelle verglichen: Funktion / Typ Dunkle Daten Unstrukturierte Daten Veraltete Daten Definition Gesammelte Daten, die nicht verwendet werden Daten ohne vordefiniertes Modell oder Schema Veraltete Daten, die nicht mehr relevant sind Format Kann strukturiert, halbstrukturiert oder unstrukturiert sein In der Regel unstrukturiert (E-Mails, Bilder, Videos) Kann jedes Format haben Verwendung Nicht aktiv genutzt, nur gespeichert Wird häufig aktiv genutzt oder analysiert Früher verwendet, jetzt aber aufgegeben Risiken Versteckte Compliance-, Sicherheit- oder Kostenrisiken Schwierig zu verwalten und in großem Maßstab zu sichern Anfällig für Lecks, überfüllter Speicher Potentieller Wert Hoch bei korrekter Analyse Hoch, wenn organisiert und strukturiert Niedrig oder Keine, Wert ist abgelaufen Warum Daten „dunkel” werden Daten werden „dunkel”, wenn sie zwar erfasst, aber nie effektiv genutzt, analysiert oder verwaltet werden. Diese Situation entsteht in der Regel durch eine Kombination aus technischen, organisatorischen und strategischen Problemen. Daten werden automatisch generiert . Systeme, Anwendungen, Sensoren und Protokolle produzieren kontinuierlich riesige Datenmengen. Ein Großteil dieser Daten wird passiv erfasst (z. B. Serverprotokolle oder Telemetriedaten), ohne dass eine Analyse geplant ist. Mangelndes Bewusstsein oder mangelnde Transparenz . Unternehmen wissen oft nicht, über welche Daten sie verfügen, wo diese gespeichert sind und was sie enthalten. Die Daten können über verschiedene Abteilungen, Altsysteme oder Cloud-Plattformen verstreut sein und sind für Entscheidungsträger nicht sichtbar. Mangelhafte Datenverwaltung und -steuerung . Ohne Richtlinien für die Klassifizierung, den Lebenszyklus oder die Nutzung werden Daten ohne Zweck gespeichert. Dies geschieht, wenn keine regelmäßigen Audits feststellen, was noch wertvoll oder notwendig ist. In diesem Fall können Daten unorganisiert und unbrauchbar werden. Einige Organisationen verfügen nicht über dedizierte IT-Spezialisten oder Fachkenntnisse für den Umgang mit Dark Data. Geschäftliche Silos und Fragmentierung . Daten sind in Abteilungs-Silos eingeschlossen und somit für diejenigen nicht zugänglich, die davon profitieren könnten. Dies geschieht, wenn Abteilungen Daten unabhängig voneinander sammeln und speichern. Teams teilen möglicherweise keine Informationen oder erkennen gar nicht, dass sie sich in ihren Datenanforderungen überschneiden. Altsysteme und Speichergewohnheiten . Ältere Systeme archivieren Daten „für alle Fälle“ und behalten sie ohne Überprüfung auf unbestimmte Zeit bei. Mit der Zeit geraten diese archivierten Daten in Vergessenheit oder verlieren an Relevanz. Geschäftliche Prioritäten können sich ändern, und Daten, die zuvor aktiv genutzt wurden, können an Relevanz verlieren, wenn sich die Prioritäten in einem Unternehmen ändern. Mangelnde Tools oder Fähigkeiten zur Datenanalyse . Unternehmen verfügen möglicherweise nicht über die erforderlichen Tools, Mitarbeiter oder Strategien, um große oder komplexe Datensätze zu extrahieren und zu verarbeiten. Dies gilt insbesondere für unstrukturierte Daten wie Bilder, Audio- und Videodateien. Bei begrenzten Ressourcen kann ein Unternehmen der Datenerfassung Vorrang vor der Datenanalyse einräumen. Kosten oder Risiken der Datenanalyse . Die Verarbeitung und Analyse großer Datenmengen kann kostspielig sein. In regulierten Branchen kann die Analyse alter Daten Compliance-Risiken aufdecken, weshalb sie unberührt bleiben. Wahrgenommene Wertlosigkeit . Teams sehen möglicherweise keinen klaren geschäftlichen Nutzen für bestimmte Arten von Daten. Wenn die Daten nicht für einen bestimmten Zweck erfasst wurden, werden sie oft übersehen. Niedrige Kosten für den Speicher . Die relativ geringen Kosten für den Speicher ermutigen Unternehmen, alles zu behalten, auch wenn es nicht genutzt wird. Dieser Ansatz „jetzt speichern, später entscheiden“ fördert das Wachstum von Dark Data. Daten werden zu Dark Data, wenn ihre Speicherung einfacher ist als ihr Verständnis. Der Mangel an Strategie, Transparenz und Tools verwandelt potenziell wertvolle Informationen in digitale Ballast, erhöht Kosten und Risiken und verhindert gleichzeitig wichtige Erkenntnisse. Arten und Quellen von Dark Data Dark Data kann strukturiert, unstrukturiert und halbstrukturiert sein. Strukturierte Daten werden in der Regel in Datenbankfeldern in Tabellen gespeichert und können mithilfe von Abfragen abgerufen werden. Sensible Daten wie Bankinformationen, medizinische Informationen und Kundendaten werden häufig in Datenbanken gespeichert, sind jedoch aufgrund eingeschränkter Berechtigungen und regulatorischer Anforderungen schwer zu kategorisieren. Unstrukturierte Daten werden ohne Datenbanken oder Tabellenkalkulationen gespeichert und können ohne Konvertierung nicht effektiv analysiert werden. E-Mail-Nachrichten, PDF-Dateien, Textdokumente, Sprachaufzeichnungen und Überwachungsvideos sind gängige Beispiele für unstrukturierte Daten, die zu Dark Data werden können. Semistrukturierte Daten sind unstrukturiert, aber einige ihrer Informationen sind in Datenfeldern definiert. HTML-Seiten, XML-Dokumente, Tabellen, Grafiken und Rechnungen sind Beispiele für halbstrukturierte Daten. Diese Daten können teilweise durchsucht und katalogisiert werden. Die verschiedenen Arten von Dark Data können branchenspezifisch sein. Nachfolgend finden Sie Beispiele für Dark Data. Systemprotokolle und maschinell generierte Daten Zu dieser Art von Dark Data gehören: Server- und Anwendungsprotokolle Sicherheitsprotokolle (einschließlich fehlgeschlagener Anmeldeversuche) Firewall- und Netzwerkaktivitätsprotokolle Gerätetelemetrie Sensordaten von industriellen oder intelligenten Geräten Geolokalisierungsdaten Debugging- und Fehlerprotokolle Kundeninteraktionen Kundeninteraktionen sind eine weitere Art unstrukturierter Daten, darunter: E-Mails (Posteingänge, Archive, bestimmte Plattformen) Chat-Protokolle aus dem Kundensupport oder von Bots Anrufaufzeichnungen (Kontaktzentren, Vertriebsteams) Voicemail-Nachrichten und Transkripte von Sprachaufzeichnungen CRM-Notizen und -Verlauf Interaktionen in sozialen Medien Ältere Backups und alte Archive Diese Datenkategorie umfasst häufig vorkommende unstrukturierte Daten, darunter: Veraltete Dateiserver-Backups, VM-Backups usw. Alte Datenbank-Dumps Archivierte E-Mails und Postfächer Bandkassetten oder ältere Speichermedien Veraltete Anwendungsdaten Dokumentversionen und nicht verwaltete Dateien In einigen Fällen gibt es mehrere Versionen von Dokumenten und Dateien. Auch sie stellen Dark Data dar: Duplizierte oder veraltete Versionen von Tabellenkalkulationen, Präsentationen und Dokumenten Lokale Desktop-Dateien, die nie in die Cloud oder einen zentralen Datenspeicher gelangen Temporäre Dateien, automatische Speichervorgänge oder Entwürfe Dateien auf gemeinsam genutzten Laufwerken ohne Namenskonvention oder Versionierung Versteckte Risiken und Kosten von Dark Data Dark Data birgt versteckte und oft unterschätzte Risiken und Kosten für Unternehmen. Auch im Leerlauf auf Servern können sie schwerwiegende finanzielle, rechtliche, sicherheitstechnische und betriebliche Folgen haben. Lassen Sie uns die versteckten Risiken und Kosten der Speicherung von Dark Data ohne ordnungsgemäße Verwaltung erläutern. Cybersicherheitsbedrohungen und -verletzungen Dark Data enthält oft sensible Informationen (personenbezogene Daten, Anmeldeinformationen, IP-Adressen, Finanzdaten und andere), die ungeschützt oder unüberwacht sind. Daher können diese Daten ein leichtes Ziel für Cyberkriminelle sein. Hacker können ungepatchte Archive, exponierte Dateifreigaben oder veraltete Backups ausnutzen. Wenn sie kompromittiert werden, kann dies zu Datenverletzungen, Identitätsdiebstahl oder Cyber-Erpressung führen (diese Daten können auch auf Dark-Web-Datenleck-Websites verkauft/veröffentlicht werden). Da Dark Data übersehen wird, werden keine Warnmeldungen ausgelöst, wenn darauf zugegriffen wird oder sie gestohlen werden. Unternehmen wissen oft erst, wenn es zu spät ist, was kompromittiert wurde. Sensible Informationen wie Passwörter, Kundendaten oder interne Dokumente, die in Dark Data gespeichert sind, können durchgesickert sein oder gegen Lösegeld zurückgehalten werden. Beispiele für negative Folgen: Ältere E-Mail-Backups, die die Anmeldeinformationen von Teammitgliedern enthalten, werden bei einem Ransomware-Angriff offengelegt. Archivierte Kunden-E-Mails mit personenbezogenen Daten werden bei einem Phishing-Angriff offengelegt, was zu Identitätsdiebstahl und Rufschädigung führt. Risiken hinsichtlich der Einhaltung gesetzlicher Vorschriften Die unnötige Speicherung von Dark Data kann gegen Gesetze zur Datenaufbewahrung oder zum Datenschutz verstoßen (wie DSGVO , HIPAA, CCPA). Diese Vorschriften verlangen, dass Daten klassifiziert, gesichert und nur so lange wie nötig aufbewahrt werden. Dark Data enthält oft sensible personenbezogene oder gesundheitsbezogene Informationen, die gegen Aufbewahrungs- oder Anforderungen an die Verschlüsselung verstoßen. Zu den Risiken gehören: Aufsichtsbehörden können Unternehmen mit Geldstrafen belegen, wenn sie Daten länger als erlaubt behalten oder nicht ausreichend für ihre Sicherheit sorgen. Die Erkennung von Dark Data während Gerichtsverfahren (eDiscovery) kann Unternehmen unerwarteten rechtlichen Risiken aussetzen. Das Behalten nicht klassifizierter alter Kundendaten kann zu Strafen wegen Nichteinhaltung von Vorschriften führen, wenn diese nicht durch Verschlüsselung geschützt sind oder ordnungsgemäß dokumentiert sind. Die negativen Folgen sind: Hohe Geldstrafen, Gerichtsverfahren und Audit-Fehler. Schwierigkeiten bei der Durchsetzung gesetzlicher Rechte wie dem „Recht auf Vergessenwerden” (DSGVO), wenn Dark Data nicht einmal erfasst sind. Unnötige Speicher- und Infrastrukturkosten Die Skalierung von Dark Data erhöht die Kosten für: Speicherhardware und Rechenzentrumsfläche Cloud-Abonnements, einschließlich Cloud-Speicher und Ausgangsgebühren Backup, Replikation und Disaster Recovery Systeme (Disaster Recovery-Infrastruktur) Kühlung und Energieverbrauch (für lokale Dateiserver und Datenbankserver) Ein Unternehmen zahlt für die Speicherung, Sicherung und die Sicherheit von Daten, die keinen Wert haben. In großen Unternehmen können Dark Data 50 bis 80 % des gesamten Speichers beanspruchen. Auswirkungen auf Analysen und Geschäftsentscheidungen Dark Data überfüllt Data Lakes, Warehouses und Dashboards mit redundanten oder irrelevanten Informationen. Dies führt zu Dateninkonsistenz, Duplikaten und Analyseparalyse. Wertvolle Erkenntnisse bleiben verborgen, während Geschäftsentscheidungen auf unvollständigen oder irreführenden Daten basieren. Dark Data beeinträchtigt die Analyse von: Datenumgebungen unübersichtlich und schwerer navigierbar machen. Verlangsamung von Suchvorgängen, Datenzugriffen und Migrationsprojekten. Verwirrung darüber, welchen Daten man vertrauen kann. Zeitverschwendung für Analysten, die irrelevante oder veraltete Informationen durchforsten müssen. Die negativen Auswirkungen von Dark Data auf das Geschäft: Schlechte Produktstrategien und Kundenansprache Verpasste Trends im Kundenverhalten Langsamere Entscheidungsfindung aufgrund von Störungen in Datensystemen Im Laufe der Zeit können nicht gepflegte Daten beschädigt, unlesbar oder mit modernen Systemen inkompatibel werden. In einem Disaster Recovery-Szenario kann die Wiederherstellung alter, dunkler Daten fehlschlagen oder Fehler in aktive Systeme einbringen. Dark Data mag unsichtbar erscheinen, aber es vervielfacht stillschweigend Risiken und Kosten. Wie Dark Data die Datensicherheit beeinflusst Ohne ordnungsgemäßes Management kann Dark Data zu negativen Auswirkungen auf die Sicherheit führen. Diese Daten können aufgrund mangelnder administrativer Aufmerksamkeit, einschließlich Verschlüsselung und Schutz, für Cyberkriminelle anfällig sein. Dark Data vergrößert die Angriffsfläche . Jedes vergessene Backup, jedes alte E-Mail-Archiv und jede nicht nachverfolgte Datei erhöht die Anzahl potenzieller Einstiegspunkte für Cyberkriminelle. Je mehr Daten Sie speichern (insbesondere ungeschützte), desto mehr Möglichkeiten haben Hacker, Schwachstellen auszunutzen. Beispielsweise kann ein schlecht gesicherter FTP-Server mit archivierten Dokumenten zu einer Schwachstelle in einem ansonsten sicheren System werden. Dark Data mangelt es an Sichtbarkeit und Überwachung . Diese Daten werden in der Regel nicht protokolliert, gescannt oder geprüft. Sie profitieren nicht von Data Loss Prevention-Software, Antiviren- oder EDR-Lösungen. Infolgedessen bleiben Verstöße im Zusammenhang mit Dark Data oft Monate lang unentdeckt. Dark Data umgeht moderne Sicherheitskontrollen . Ältere Formate und Standorte (wie Bandlaufwerke oder alte SQL-Dumps) fallen möglicherweise nicht unter Verschlüsselungsrichtlinien, Zugriffskontrollen und Multi-Faktor-Authentifizierung . Beispielsweise bleibt ein alter HR-Datenbank-Dump mit Klartext-Passwörtern, der in einer offenen Freigabe gespeichert ist, unverschlüsselt und unbemerkt. Dunkle Daten bergen Risiken für die Datenaufbewahrung . Best Practices für Sicherheit empfehlen, die Datenaufbewahrung zu minimieren, aber dunkle Daten bleiben auf unbestimmte Zeit bestehen. Dadurch erhöht sich das Risiko für sensible Daten lange nach ihrem Bedarf. Selbst wenn heute ein Cyberangriff stattfindet, können alte, ungenutzte Daten aus früheren Jahren weitergegeben oder verkauft werden. Dark Data ist ein blinder Fleck in der Cybersicherheit. Man kann nicht schützen, was man nicht kennt, und Angreifer setzen genau darauf. Die Erkennung von Dark Data kann ein Ausgangspunkt für ein ordnungsgemäßes Datenmanagement sein. Wie man Dark Data verwaltet und reduziert Das Management und die Reduzierung von Dark Data sind entscheidend für die Verbesserung der Sicherheit, Compliance, Kosteneffizienz und Business Intelligence. Die empfohlenen Vorgehensweisen für das Dark-Data-Management werden im Folgenden erläutert. Erkennen und klassifizieren Sie Ihre Daten . Verwenden Sie Tools zur Erkennung, um Server, Cloud-Speicher, Datenbanken und Computer zu scannen. Identifizieren Sie Standort, Dateityp, Alter, Eigentümer und Sensibilität. Kennzeichnen Sie Daten nach geschäftlicher Relevanz oder regulatorischer Kategorie. Entwickeln Sie eine Strategie für das Datenmanagement . Das Datenmanagement stellt sicher, dass jede einzelne Datenkomponente einen Zweck, einen Eigentümer und ein Ablaufdatum hat. Definieren Sie klare Richtlinien für das Datenlebenszyklusmanagement: Welche Daten sollen behalten werden? Wie lange (Aufbewahrungsfrist)? Wem gehören sie? Wo sollen sie gespeichert werden? Implementieren Sie Verantwortlichkeiten für den Datenbesitz abteilungsübergreifend. Bereinigen Sie Altdaten . Überprüfen Sie alte Backups, Archive und Standorte. Entfernen Sie die folgenden Daten: Redundante oder veraltete Backups Veraltete Versionen von Dateien Nicht verwendete Datenbanken Konsolidieren Sie nützliche Altdaten in strukturierten, zugänglichen Formaten. Erwägen Sie die Verwendung von Datenaufbewahrungsregeln, um irrelevante Daten automatisch zu löschen und zu entfernen. Sichern Sie sensible unstrukturierte Daten . Verschlüsseln oder beschränken Sie den Zugriff auf E-Mail-Archive, Tabellenkalkulationen, PDF-Dateien und Sprach-/Videodateien. Anwenden Sie Zugriffskontrollen, Versionsverwaltung und Audit-Protokollierung. Selbst ungenutzte Daten müssen geschützt werden, bis sie überprüft oder entfernt werden. Richten Sie regelmäßige Datenverwaltungsaufgaben ein . Planen Sie vierteljährliche Überprüfungen von Dark Data, jährliche Speicherprüfungen und regelmäßige DLP-Scans. Schulen Sie Benutzer im richtigen Umgang mit Daten und fördern Sie die Einstellung „Speichern mit Zweck“. Warten Sie nicht auf eine Sicherheitsverletzung oder eine Prüfung, sondern bereinigen Sie proaktiv. Optimieren Sie den Cloud-Speicher . Klassifizieren Sie Cloud-Daten nach Aktivitätsgrad. Automatisieren Sie Regeln für die automatische Löschung oder das Verschieben in ein Archiv. Vermeiden Sie eine übermäßige Speicherung in gemeinsam genutzten Laufwerken oder Objektspeichern. Unternehmen können trotz der Herausforderungen erhebliche Vorteile durch die Transformation von Dark Data erzielen. Es wird empfohlen, Datenanalysten Zugriff auf Datensätze zu gewähren und effektive automatisierte Workflows zu erstellen. Wenn Dark Data analysiert wird, können Leistungskennzahlen verfolgt werden, um rationalere Entscheidungen hinsichtlich der Ressourcenzuweisung und -optimierung zu treffen. Wie NAKIVO vor den Risiken von Dark Data schützen kann Backups können Ihr Unternehmen vor den mit Dark Data verbundenen Risiken schützen. Bei unsachgemäßer Verwaltung können sie jedoch selbst zu einer Quelle von Dark Data werden. NAKIVO Backup & Replikation Replikation ist eine spezielle Lösung für die Datensicherheit, mit der Sie Ihre Umgebung schützen und die Menge an Dark Data im Zusammenhang mit Backups reduzieren können. Backups sind für das Management von Dark Data unerlässlich. Wenn Dark Data geschäftskritische Informationen enthält, kann ein sicheres Backup bei der Disaster Recovery lebensrettend sein. Anstatt alte oder ungenutzte Daten in Produktionssystemen zu horten, sollten Sie alte Daten in verschlüsselte, versionierte Backups oder Cold Storage verschieben. Dadurch werden Dark Data isoliert, während der Zugriff für Compliance-Zwecke oder zukünftige Erkenntnisse erhalten bleibt. Mit erweiterten Aufbewahrungseinstellungen können Sie benutzerdefinierte Aufbewahrungsrichtlinien implementieren und festlegen, wie lange Daten im Backup-Repository gespeichert werden. Sie können diese Konfiguration an gesetzliche Anforderungen wie die DSGVO anpassen und dabei das Recht auf Vergessenwerden berücksichtigen. Dadurch wird verhindert, dass Ihre Backups zu Dark Data Warehouses werden. Sicherung verschlüsseln . Die NAKIVO-Lösung unterstützt die Quellseitenverschlüsselung und die Zielseitenverschlüsselung für gesicherte Daten. Verschlüsselte Backups sind besser vor unbefugtem Zugriff geschützt, wodurch Sicherheitsrisiken reduziert werden. Log-Trunkierung . Wenn Sie MS SQL Server-Datenbanken sichern, Log-Trunkierung können Sie nur Sicherungsdaten ohne Protokolle speichern und so die Menge an Dark Data reduzieren. Unveränderlichkeit von Backups . Schützen Sie Backups vor Änderungen und Löschungen von Ransomware mit unveränderlichen Backups . Diese Funktion reduziert die Risiken im Zusammenhang mit dem Verlust von Dark Data bei Backups. Fazit Ohne ordnungsgemäßes Management kann kann Dark Data Speicherplatz verschwenden, aber auch für geschäftliche Erkenntnisse nützlich sein. Befolgen Sie die empfohlenen Vorgehensweisen für die Datenverwaltung und denken Sie daran, Ihre Daten zum Backup zu sichern. Backups tragen dazu bei, dass auch Dark Data vor Löschung oder Beschädigung geschützt ist. Verwenden Sie NAKIVO Backup & Replikation für zuverlässige und fortschrittliche Datensicherung und Wiederherstellung. > <> & <> &