Het Belang van Data Governance

Hoe borg ik een hoge kwaliteit van masterdata in mijn organisatie? Het antwoord op deze vraag is key voor elke data-gedreven organisatie. Een succesvolle MDM strategie vereist namelijk ook een gedegen uitvoering. In onze vorige blog zijn we ingegaan op het opzetten van een masterdata strategie. In deze blog gaan we in op data governance, het besturen en beheren van masterdata van hoge kwaliteit.

Tot slot zijn masterdata een moving target omdat klanten de lat steeds hoger leggen en marktpartijen als GS1 en Amazon continue in ontwikkeling zijn. De derde blog gaat daarom in op lean master data management (lean MDM).

Wat is Data Governance?  

Onder data governance verstaan we het hele raamwerk van processen en methoden om de datakwaliteit te waarborgen. Goede data governance omvat meerdere aspecten:

• het benoemt de verantwoordelijkheden voor functionarissen en afdelingen,
• het definieert hoe data kwaliteit wordt gemeten en welke doelen hiervoor gelden,
• het heeft mechanismen om afwijkingen te detecteren en corrigeren,
• het omvat een beheersmodel voor wijzigingen in het datamodel en de business rules in het MDM systeem,
• het borgt naleving van de afspraken op alle niveaus, van directie tot operatie.

Succesvolle data governance beperkt zich dus niet alleen tot de data zelf. Het omvat een combinatie van mensen, afspraken, procedures en technologie. Hierbij spelen twee vragen een cruciale rol: hoe begin ik met data governance en welk organisatiemodel kies ik?

Hoe Begin Ik met Data Governance?  

Commitment vanuit de directie en alle betrokken afdelingen is essentieel voor een succesvolle MDM strategie. De volgende stap is dat men bedrijfsbreed onderkent dat voor hoge datakwaliteit een goede beheersorganisatie vereist is. Hiervoor kan men (per data domein) antwoorden formuleren op de volgende vragen:

1. Wat is het belang van goede data voor onze klanten? Wat zijn de mogelijke gevolgen als klanten onjuiste of incomplete data krijgen?
2. Wat is het belang van goede data voor onze eigen bedrijfsprocessen? Wat zijn de mogelijke gevolgen en extra kosten als we met onjuiste of incomplete data werken?
3. Wat is het huidige niveau van datakwaliteit in onze organisatie? Waar zijn knelpunten of inefficiënties doordat benodigde data niet direct en betrouwbaar beschikbaar zijn?

Succesvolle implementaties beginnen vaak klein, borgen het draagvlak en breiden stap voor stap uit. Stakeholders vanuit management en uitvoering worden van begin tot eind betrokken bij het opstellen van data governance. Nuttige tools hiervoor kunnen zijn:

• Leg eigenaarschap en verantwoordelijkheden per domein en vakgebied vast, bijvoorbeeld in een RACI matrix.
• Stel duidelijke spelregels en richtlijnen op voor masterdata velden en deel die met de hele organisatie.
• Richt heldere processen en systemen in voor opslag en beheer van masterdata.
• Laat technologie voor je werken door in het MDM platform automatische data kwaliteitscontroles in te richten.
• Geef uitvoerenden direct inzicht in de datakwaliteit door het inrichten van dashboards.

Bedenk hierbij dat data governance geen eenmalig project is. Het is een continue, business-gedreven bedrijfsproces. De organisatie en de omgeving zijn steeds in beweging, dus succesvolle data governance zal zich steeds aanpassen aan veranderingen. Stap voor stap wordt dit geïntegreerd in het bedrijfs-DNA en groeit data governance naar volwassenheid. De samenwerking, zoals afgebeeld in onderstaand diagram, wordt steeds verder verfijnd.

Welk Organisatiemodel Kies Ik?  

Er zijn drie veelgebruikte modellen om data governance te organiseren:

1. Centraal

   Het operationeel beheer is ondergebracht bij één specialistisch team, zoals de afdeling Databeheer of het PIM-Team. Dit model wordt vaak gebruikt in de retail en in kleinere organisaties.

2. Hybride

   Het hybride model mengt elementen van het centrale en decentrale model. Waar mogelijk worden data centraal beheerd, waar nodig wordt dit gedelegeerd naar een andere afdeling. Een voorbeeld is een productiebedrijf met export naar veel verschillende landen. Centraal worden technische productdata beheerd, in de landenvestigingen wordt lokale commerciële content toegevoegd.

3. Decentraal

   Afdelingen zijn zelf verantwoordelijk voor controle en verrijking van data binnen het eigen domein, zoals logistiek voor logistieke data, e-commerce voor online data en inkoop voor leveranciersdata. Dit model wordt vaak gebruikt als veel verschillende afdelingen betrokken zijn bij product-creatie proces, met name in de maakindustrie.

Onderstaand diagram geeft een vergelijking van de verschillende modellen.

Conclusies  

Hoge datakwaliteit wordt geborgd door een goede data governance. Belangrijke factoren voor succesvolle data governance zijn:

• Begin het traject naar een professionele data governance organisatie met kleine stappen. Start bij een proces waar gebrek aan (kwalitatieve) masterdata leidt tot knelpunten in de organisatie of ontevreden klanten. Analyseer het proces, ga aan de slag met de knelpunten en voer verbeteringen door. Deel de successen om draagvlak te creëren voor de volgende stappen.
• Zorg dat de business eigenaarschap neemt per MDM-domein, met ondersteuning van ICT.
• Kies een model voor data governance (centraal, decentraal of hybride) dat past bij de behoeften van de organisatie.