Data Governance – pierwsze kroki

Pierwszym krokiem jest zidentyfikowanie celów biznesowych, które organizacja chce osiągnąć poprzez zrealizowanie zadań z obszaru Data Governance. Korzyści można poszukiwać w obszarach:

• podniesienia jakości decyzji podejmowanych w oparciu o dane (pewność i zaufanie do danych i ich pochodzenia)
• zrealizowania wymogów regulatora w zakresie zasad zarządzania danymi (np. rekomendacji „D” w przypadku instytucji finansowych)
• wsparcia strategii marketingowych i sprzedażowych wysoką jakością przetwarzanych danych klienckich (wyższa skuteczność akcji marketingowych i możliwość budowania organizacji zorientowanej na klienta)
• optymalizacji kosztów utrzymania i rozwoju środowisk przetwarzania danych dzięki rozumieniu ich przepływu i znaczenia dla organizacji
  

W odniesieniu do celów istotne jest właściwe zidentyfikowanie osób odpowiedzialnych za poszczególne zadania związane z programem Data Governance i podjęcie pierwszych inicjatyw w tak zdefiniowanym środowisku.

Krótkoterminowe korzyści można osiągnąć dzięki trzem prostym krokom opisanym poniżej. Każdy z nich, realizowany w odpowiedniej kolejności, stopniowo wprowadzi organizację w kulturę zarządzania informacją, równocześnie dając wymierne korzyści biznesowe.

Organizacje w prowadzeniu swojej działalności posługują się wieloma, specyficznymi np. dla branży, pojęciami. Samo zdefiniowanie kto dla firmy jest klientem jest niejednoznaczne w zależności od perspektywy biznesowej reprezentowanej przez różne działy - dla marketingu klientem jest każdy, z kim organizacja się komunikuje, ale dla departamentów odpowiedzialnych za obsługę produktów są to podmioty, które ostatecznie skorzystały z oferty. Uzgodnienie tych pojęć jest kluczowe dla właściwej interpretacji sytuacji biznesowej, odpowiedniego rozumienia prezentowanych w raportach wniosków i prognoz. Każdy z atrybutów ma swoje znaczenie biznesowe, które powinno być w organizacji jednoznacznie interpretowane, i za którego zdefiniowanie odpowiadają wskazani właściciele biznesowi. Po uruchomieniu inicjatywy Data Governance są to Data Stewardzi.

Każde z pojęć biznesowych posiada elastyczny zestaw opisujących je atrybutów, swojego właściciela merytorycznego i powiązania z innymi pojęciami lub odwołania do zewnętrznych zasobów i plików uszczegóławiających definicję. Poprzez możliwość budowania hierarchii, możliwe jest tworzenie obrazu nawet najbardziej skomplikowanych pojęć związanych np. z zarządzaniem ryzykiem w sektorze finansowym. Dodatkowo, dla zapewnienia odpowiedniego przepływu odpowiedzialności i zgodności zmian z ewolucją przedsiębiorstwa, edycja treści samych definicji wsparta jest przez konfigurowalny przepływ zadań - w najprostszym ujęciu oznacza to, że każda zmiana musi zostać zaakceptowana przez uprawnionego Data Stewarda. Tak stworzony słownik jest otwarty i dostępny zarówno dla pracowników firmy (np. poprzez wyszukiwanie pojęć bezpośrednio z przeglądarki internetowej), jak i dla systemów informatycznych (poprzez usługi REST-API).

Organizacja rozpoczynając swoją przygodę z Data Governance od uporządkowania pojęć biznesowych (można to także nazwać podejściem top-down), uzyskuje jedno źródło wiedzy o wszystkich obiektach biznesowych i zagadnieniach związanych z jej działalnością. Dzięki temu pracownicy posługują się jednym językiem w codziennej pracy, podejmują lepsze decyzje i rozumieją zależności pomiędzy np. segmentami klientów, do których firma adresuje swoją ofertę, a produktami, które im oferuje. Tego typu słowniki stanowią także bazę wiedzy dla wsparcia procesów zarządzania ryzykiem, bazę wiedzy dla wdrożeń norm ISO lub przewodnik po złożonych terminach wykorzystywanych w monitorowaniu efektywności działania firmy lub miarach oceny kondycji finansowej.

Należy przy tym zauważyć, że proces budowania słownika pojęć biznesowych nie jest, podobnie jak inicjatywa Data Governance, jednorazowym projektem. Oznacza to, że nie ma konieczności spisania wszystkich pojęć, którymi organizacja się posługuje od razu, raczej należy nastawić się na przyrostowy rozwój słownika i skupić się na wprowadzaniu do niego tych obszarów działalności, które są najważniejsze.
 

Data Governance to nie tylko rozumienie znaczenia danych - to także świadomość, w jaki sposób te dane i informacje są przez organizację przetwarzane, w jakich systemach funkcjonują oraz jakim transformacjom są poddawane. Każda organizacja posiada podstawy tego typu perspektywy Data Governance. W najprostszej postaci są to najczęściej rozproszone w organizacji zbiory metadanych towarzyszące systemom informatycznym, hurtowniom danych, repozytoriom raportowym lub samym wizualizacjom i raportom. Nie zawsze zakres informacji gromadzonych we wspomnianych metadanych jest dostatecznie szeroki, aby objąć zarówno opis techniczny, jak i opis merytoryczny dla danych, ale jest to bardzo dobry początek, który warto wykorzystać.

Skonsolidowanie technicznych aspektów przepływu danych w organizacji możliwe jest dzięki wykorzystaniu narzędzia SAS Lineage.

W oparciu o mechanizmy gromadzenia i ekstrakcji metadanych z szerokiego zakresu dostępnych źródeł tworzone jest jedno wspólne repozytorium informacji opisujących przepływ danych pomiędzy systemami informatycznymi. Możliwe jest pozyskanie metadanych między innymi z:

• narzędzi do projektowania modeli danych (np. Erwin lub Rational Rose)
  
• baz danych oraz repozytoriów Big Data
• narzędzi ETL wraz z informacjami o dokonywanych przekształceniach danych
• narzędzi analitycznych i raportowych, gdzie informacje są wizualizowane i udostępniane użytkownikom (np. światy obiektów SAP Business Objects)
• serwera metadanych SAS wspólnego dla wszystkich elementów platformy analitycznej.
  

Niezależnie od zróżnicowania wykorzystywanych przez organizację narzędzi, możliwe jest doprowadzenie do prześledzenia drogi, którą dane pokonują w infrastrukturze informatycznej. Następnie możliwe jest połączenie ich z już zdefiniowanymi i opisywanymi pojęciami biznesowymi (wspomniany powyżej krok 1).

Tworząc połączenie pomiędzy światem abstrakcyjnych definicji merytorycznych, a światem technicznej reprezentacji danych, uzyskujemy zdolność do ich śledzenia, analizy pochodzenia danych i odnajdywania ich rzeczywistego źródła w organizacji. Czynności te są proste, nie wymagają realizowania wielkich projektów, a co najważniejsze są aktualnym i automatycznie tworzonym obrazem sposobu wykorzystywania informacji przez organizację.

Poprzez zrealizowanie tego kroku organizacja uzyskuje następujące korzyści:

• umiejętność śledzenia pochodzenia danych np. w raportach, co znacząco przekłada się na ich sposób wykorzystania i zaufanie odbiorców oraz coraz częściej jest wymogiem regulacji i zasad funkcjonowania podmiotów np. na rynkach finansowych
• umiejętność oceny wpływu zmian w systemach informatycznych na przepływ informacji, wymagane zmiany w systemach raportowych i systemach wspierania decyzji
• minimalizację ryzyka błędnej interpretacji lub niewłaściwego wykorzystania danych, dzięki szczegółowej historii ich pochodzenia w powiązaniu ze znaczeniem biznesowym i przeznaczeniem danych
   

W oparciu o definiowane przez właścicieli danych (Data Stewardów) reguły, SAS Data Quality potrafi automatycznie monitorować jakość danych przetwarzanych przez organizację i raportować metryki z tym związane (szerzej proces ten opisany jest w dokumencie Building a Data Quality Scorecard for Operational Data Governance). Wykorzystując definicje biznesowe (stworzone w kroku 1), organizacja może ocenić wpływ niskiej jakości danych na podejmowane w oparciu o nie decyzje, a bazując na wiedzy o przepływie danych w organizacji (stworzonym w kroku 2), może analizować pochodzenie niepoprawnych danych i korygować je bezpośrednio u źródła.

W ten sposób uruchomiona inicjatywa Data Governance może znacząco przyczynić się do wzrostu efektywności organizacji, podnosząc jakość obsługi klientów, minimalizując błędy w procesach biznesowych i ograniczając ryzyko wynikające z podejmowania strategicznych decyzji w oparciu o niedokładne dane.