Przejdź do głównej treści

Potrzeba matką wynalazku, czyli skąd się wzięło Data Governance?

Praktyczny przewodnik po Data Governance

W minionych latach zarządzanie danymi (Data Governance) przeszło prawdziwą rewolucję. Sposób patrzenia na dane i umiejętność wykorzystania ich do osiągania celów biznesowych zmieniały się wraz ze wzrostem świadomości o ich wadze w przedsiębiorstwie. Dziś efektywne podejmowanie decyzji strategicznych bez wykorzystywania wiedzy opartej na danych wydaje się wręcz niemożliwe.

Z roku na rok danych przybywa. Czasy, w których wszystkie zgromadzone informacje w przedsiębiorstwie były pozyskiwane jedynie z kilku źródeł i przechowywane w ustrukturyzowanej formie, bezpowrotnie minęły. Danych jest więcej, a tempo, w jakim przyrastają jest szybsze, niż kiedykolwiek przedtem, co doskonale prezentuje grafika poniżej:

Przyrost danych na platformach, średnio w czasie minuty w 2020 roku.
 

Wejście w życie technologii Big Data wydawało się być odpowiedzią na problem coraz większej ilości danych pochodzących z różnych źródeł, często przechowywanych w formie nieustrukturyzowanej. Jednak samo przechowywanie i przetwarzanie dużych zbiorów danych nie rozwiązało problemu uwidocznionego podczas ich analizy – niskiej jakości i braku zaufania do ich wiarygodności.

Dane bowiem stają się bezużyteczne, jeżeli nie niosą za sobą informacji. Data Governance swoje początki wzięło właśnie od Data Quality. Wymiary jakości danych, bez których właściwie nie możemy mówić o Data Governance, zostały określone na podstawie często obserwowanych problemów. Poniżej prezentujemy przykładowe wymiary jakości danych.
 

Wymiar jakości danych

Pytanie

Przykładowy błąd i potencjalne skutki

Kompletność

Czy wszystkie potrzebne dane są dostępne?

Dane o numerze telefonu nie są wymagane w systemie źródłowym, przez co nie zostały uzupełnione dla znacznej części klientów. Cel biznesowy, jakim jest dotarcie do 80% klientów poprzez kanał telefoniczny w kampanii CRM, nie może być spełnione

Unikalność

Czy dane są zduplikowane?

Dane o kliencie są wprowadzane w kilku systemach źródłowych. W hurtowni danych jeden klient występuje pod trzema rekordami, co skutkuje nieprawidłowym obrazem rzeczywistości w raportach dotyczących stanu portfela klientów.

Aktualność

Czy dane są aktualne?

Adres klienta się zmienił, ale nie zostało to odnotowane w systemie, w wyniku czego list wysłany do klienta w rzeczywistości do niego nie dotarł – dotarł za to do osoby zamieszkałej pod tym adresem.

Poprawność

Czy dane są przechowywane we właściwym formacie?

System źródłowy dopuszcza znaki specjalne w polu „numer telefonu”, przez co pojawiają się niepoprawne wartości w tym polu. Konieczne jest czyszczenie danych przed ich wykorzystaniem w kampaniach marketingowych, co generuje dodatkowe koszty.

Adekwatność

Czy dane reprezentują rzeczywiste wartości?

Adres wpisany w systemie źródłowym w rzeczywistości nie istnieje. List wysłany do klienta w rzeczywistości nigdzie nie dotarł.

Spójność

Czy dane są spójne pomiędzy systemami, w którym są przechowywane?

Dane o kliencie są dostępne w dwóch systemach źródłowych. W jednym z nich imię klienta zostało wpisane poprawnie, w drugim – z literówką. Taki błąd skutecznie utrudnia proces deduplikacji danych, co z kolei obniża współczynnik unikalności rekordów.

Czym jest Data Governance?
 

Data Governance to pojęcie dużo szersze, niż samo Data Quality. Dojrzałości korporacyjnej w zakresie zarządzania procesami związanymi z danymi nie mierzymy tylko na podstawie tego, jak firma radzi sobie z niską jakością danych.

Wszystkim nam dobrze znane są dwa wymiary w każdej organizacji: wymiar procesów biznesowych oraz wymiar systemów. Często na spotkaniach biznesowych padają zdania zaczynające się od „Według naszego procesu…” lub „W systemie X znajdują się…”. Wdrożenie praktyki Data Governance wprowadza nowy wymiar w organizacji – wymiar danych.
 

Dojrzałość przedsiębiorstwa w obszarze zarządzania danymi jest mierzona metrykami Data Governance. Metryki te zapewnią niezbędny wkład do monitorowania statusu wdrożenia oraz rozwoju Data Governance w przedsiębiorstwie.

  • Współczynnik adaptacji pozwoli zmierzyć, w jakim stopniu organizacja zaadresowała odpowiedzialność za dane i czy skutecznie wdrożyła zmiany strukturalne,
  • Współczynnik skuteczności pozwoli zmierzyć postęp prac w zakresie dokumentacji zasad, standardów i procesów związanych z Data Governance,
  • Współczynnik wydajności pozwoli zmierzyć, w jakim stopniu organizacja jest w stanie zarządzać operacyjną pracą związaną z obsługą codziennych zadań z zakresu Data Governance.
     

Cykl webinarów: Data Governance w praktyce

Jak dostosować Data Governance do potrzeb organizacji?

Część 1

26 lutego godz. 10:00-11:00

Jak zbudować świadomość o roli danych w organizacji?

Część 2

26 marca godz. 10:00-11:00

Jak utrzymać i rozwijać dojrzałą praktykę Data Governance?

Część 3

23 kwietnia godz. 10:00-11:00

Data Governance a Data Management
 

Często spotykamy się z używaniem tych dwóch pojęć wymiennie. Tymczasem, zgodnie z DAMA Data Management Body of Knowledge, Data Management jest pojęciem szerszym, niż Data Governance.

Różnica miedzy Data Managenent a Data Governance
 

Deloitte Data Governance Framework
 

Aby odpowiednio wdrożyć wymiar danych, a następnie skutecznie zarządzać swoimi danymi, firmy muszą zadbać o kilka nierozłącznych elementów. Wiele lat doświadczeń w obszarze Data Governance pozwolił Deloitte wypracować ustrukturyzowane, wielokrotnie sprawdzone podejście do skutecznego wdrożenia oraz rozwoju praktyki – Deloitte Data Governance Framework. Framework pozwala zdefiniować wszystkie niezbędne elementy konieczne do zaadresowania podczas wdrożenia praktyki zarządzania danymi.

Każdorazowo przy wdrożeniu praktyki Data Governance, nasz sposób działania dostosowywany jest do organizacji. Pod uwagę brane są m.in. specyfika branży, wielkość firmy, ambicje w obszarze zarządzania danymi, czy poziom zaawansowania technologicznego. Aby wypracować „uszyte na miarę” podejście do wdrożenia Data Governance niezbędne jest również zrozumienie potrzeb biznesowych oraz problemów występujących przy pracy z danymi.

Deloitte Data Governance Framework
 

Deloitte Data Governance Framework strukturyzuje wdrożenie praktyki zarządzania danymi wokół sześciu głównych obszarów:
 

  • Strategia Data Governance

    Jak w każdej inicjatywie w organizacji wdrożenie i utrzymanie praktyki wymaga przemyślanej i trwałej strategii. Trzeba odpowiednio „poukładać wszystkie klocki”, aby każde działanie miało określony cel. Niezwykle ważnym elementem strategii jest zrozumienie potrzeb biznesowych, aby praktyka Data Governance mogła je wspierać. Z tego powodu należy pamiętać, że Data Governance to praktyka biznesowa. Niezwykle ważnym elementem jest zaprojektowanie odpowiedniego planu komunikacji dostosowanego do każdego poziomu działania (strategiczny, taktyczny, operacyjny). Pomoże on osiągnąć jeden z najważniejszych celów praktyki – zbudować świadomość, że dane w naszej firmie to jedno z naszych najważniejszych aktywów. W trakcie rozwoju praktyki powinniśmy stale rewidować, czy nasza strategia jest dalej aktualna i nieprzerwanie dostosowywać ją do aktualnych warunków i potrzeb biznesowych.


  • Polityki i zasady Data Governance

    Polityki i zasady są zbiorem wytycznych, które zapewniają spójne zarządzanie danymi i właściwe ich wykorzystanie są również pewnego rodzaju przewodnikiem pozwalającym utrzymywać i egzekwować standardy Data Management oraz w sposób skuteczny wykorzystywać procesy Data Governance. Jest to swoisty Kodeks postępowania dla Data Governance. Cykliczny przegląd polityk powinien zweryfikować, czy trzymamy się obranego podczas tworzenia strategii kursu w celu osiągnięcia naszych celów.

  • Organizacja i role Data Governance

    Wdrożenie nowej praktyki zawsze wiąże się ze stworzeniem i powołaniem odpowiedniego modelu organizacyjnego dostosowanego do organizacji. W przypadku Data Governance konieczne jest powołaniem nowych ról takich jak Data Steward, Chief Data Officer, Data Architect czy Data Quality Analyst (liczba nowych ról jest zależna od organizacji). Oprócz ról znajdujących się stricte w biurze Data Governance należy również zidentyfikować w organizacji role biznesowe zaangażowane w praktykę Data Governance: Data Owners, Data Users, Data Producers. Są to wybrane osoby z zespołów biznesowych, które w codziennej pracy wykorzystują dane lub je produkują. Cały model organizacyjny powinien być odpowiednio opisany oraz uwzględniać cyklicznie spotkania, aby interesariusze na każdym poziomie w firmie mogli mieć bezpośredni wpływ na projektowanie strategii i określanie priorytetów rozwoju praktyki Data Governance.


  • Procesy Data Governance

    Procesy to serce praktyki Data Governance. Pozwalają one sprawnie zarządzać i monitorować praktykę, umożliwiając efektywne wykorzystanie danych w organizacji do realizacji celów biznesowych. Odpowiednio zaprojektowane i sprawnie działające procesy zmniejszają czas pracowników spędzany na przygotowanie i manualną poprawę danych, uwalniając czas na analizę danych i wyciąganie wniosków.


  • Narzędzia i technologie wspierające Data Governance

    Na rynku istnieje szereg narzędzi klasy Data Governance – wspierających zarówno procesy i ludzi w tworzeniu katalogu danych, zarządzaniu standardami danych oraz udokumentowaniu Data Lineage, w celu poznania przepływu swoich danych w organizacji i identyfikacji miejsc redundancji danych. Każdorazowo wybór narzędzi wspierających Data Governance powinien być oparty o analizę potrzeb oraz powinien być dostosowany do celów organizacji i jej ambicji w obszarze zarządzania danymi.


  • Metryki Data Governance i Data Quality

    Mierzenie postępów w osiąganiu celów Data Governance pozwala określić jak sprawnie działają procesy i realizowana jest strategia Data Governance. Drugim obszarem do mierzenia jest Data Quality. Stałe monitorowanie jakości kluczowych atrybutów danych mających bezpośredni wpływ na wyniki biznesowe jest niezbędne do sukcesu Data Governance. Metryki identyfikują najważniejsze działania do wykonania – inicjatywy czyszczenia danych, zmiany systemowe, zmiany w procesach biznesowych czy zmiany w strategii Data Governance.

Did you find this useful?

Thanks for your feedback