Waar het meestal gaat over geavanceerde zelflerende AI modellen en gelikte dashboards, gaat deze blog over twee op het eerste oog saaie onderwerpen, namelijk: datamanagement & data governance. Niet minder spannend, want deze onderwerpen zijn absolute voorwaarden voor elke data-innovatie die jouw organisatie in productie wil inzetten.
In deze blog leg ik deze onderwerpen op een eenvoudige manier uit, deel ik enkele valkuilen en ga ik in op waarom deze onderwerpen zo belangrijk zijn. Tot slot reduceer ik de 11 gebieden waaruit datamanagement en -governance bestaan tot de 5 meest essentiële zaken en geef ik 4 concrete stappen waarmee jouw organisatie vandaag aan de slag kan.
Niet hetzelfde
De termen datamanagement en data governance worden te pas en te onpas, verkeerd én door elkaar gebruikt. Dat is vervelend omdat ze een hele belangrijke basis zijn - en houvast bieden - voor organisaties die serieus aan de slag gaan met data.
Laten we maar direct één veelgehoord misverstand wegnemen: datamanagement & data governance zijn niet hetzelfde! Data governance is een (belangrijk) onderdeel van datamanagement. Ze kunnen dus niet zonder elkaar. Verderop leg ik de verschillen uit.
Kunnen we zonder datamanagement en -governance?
Na jaren praten over de waarde die verscholen zit in data, is nu de tijd aangebroken waar veel organisaties daadwerkelijk stappen zetten en van “experiment” naar “productie” gaan met hun data-initiatieven. Het is fantastisch dat steeds meer organisaties data willen inzetten binnen het verbeteren - of zelfs opnieuw uitvinden van - hun diensten en bedrijfsvoering. Helaas zie ik ook dat de uitdagingen die gepaard gaan met deze stap nog niet bij iedereen bekend zijn. Net als de oplossing overigens.
Om data écht succesvol in te zetten binnen organisaties, is een goede aanpak rondom het beheren van je data noodzakelijk. Dat klinkt logisch, maar toch blijkt een oplossing voor dat probleem nog niet zo evident, zo toont ook onderzoek van Gartner aan:
Through 2025, 80% of organizations seeking to scale digital business will fail because they do not take a modern approach to data and analytics governance.
Dat het onderwerpen zijn waar je misschien wel eens van gehoord hebt, maar nog niet in aanraking mee gekomen bent zal van tijdelijke aard zijn, voorspellen bijna alle dataexperts. Intensiever gebruik van data & toenemende wet- en regelgeving rondom de verwerking van data leidt onherroepelijk tot de behoefte aan meer controle over deze data. Mijn collega Laurens Frijters schreef ook al over deze ontwikkeling in zijn blog met betrekking tot de 5 belangrijkste Data & Analytics trends van 2023.
Veel grote en wereldwijde data partijen lanceren nieuwe producten & diensten om datamanagement -en governance beter onder controle te krijgen. Eén van die partijen is Microsoft met haar relatief nieuwe dienst genaamd 'Microsoft Purview' dat datamanagement en met name data governance toepasbaar maakt binnen een organisatie. Zo is er bijv. een nieuwe functionaliteit waarmee je je eigen organisatiestructuur kunt modelleren en deze kunt koppelen aan al je (technische) databronnen, waarmee het geheel een stuk concreter wordt voor de gebruikers van je data:
Veel van deze oplossingen beginnen met het scannen van al je data binnen je organisatie, zodat je weet welke informatie je allemaal hebt en onder controle moet krijgen. Of zoals Peter Drucker zei:
“If you can’t measure it, you can’t manage it” Peter Drucker
Simpeler, alsjeblieft?
Hieronder probeer ik om de complexe onderwerpen datamanagement en data governance op een eenvoudige manier uit te leggen. Er zijn namelijk al tal van - vaak internationale - artikelen & frameworks op het internet te vinden waarin deze onderwerpen tot in de kleinste details uitgelegd worden. Een goed voorbeeld hiervan is het DMBOK framework van DAMA International, waarin datamanagement wordt opgesplitst in 11 gebieden, ook wel disciplines genoemd.
Verder zijn er nog een - helaas teruggetrokken - 'kenniswiel data governance' specifiek voor de Nederlandse overheid, het Data Governance Institute (DGI) model, en verschillende modellen ‘bedacht’ door dienstverleners zoals bijv. Gartner en KPMG. Het DMBOK framework wordt het meeste gebruikt binnen en buiten Nederland.
We zien dus dat zelfs het kiezen tussen de modellen die complexe onderwerpen simpeler zouden moeten maken complex is :-). Natuurlijk kent elk model haar voor- en nadelen en zul je wanneer je de vraag stelt welk model het beste is waarschijnlijk het typische consultant antwoord krijgen: “dat hangt ervan af”.
Toch is er een gemeenschappelijke deler te vinden in al deze modellen, welke ik in het volgende hoofdstuk simpel uitleg en simpeler maak door van 11 gebieden naar 5 te gaan. Dit overzicht kun je dus te gebruiken voor begripsvorming en als kapstok voor verdere verdieping. Dat er behoefte is aan een simpel overzicht en simpelere aanpak is iets dat ik vaak terug hoor van organisaties en werd ook door jullie bevestigd: dit kwam namelijk als nummer 1 naar voren toen ik de LinkedIn volgers van Beeminds in een poll vroeg welke onderwerp wij als eerste moesten ‘simplifyen’.
Wat is het en wat zijn de verschillen & de overeenkomsten
Zoals ik al zei zijn datamanagement & data governance niet hetzelfde. Data governance is een (belangrijk) onderdeel van datamanagement: het gaat namelijk over de afspraken rondom de implementatie ervan.
Datamanagement gaat over het beheren van al je data: van het verzamelen, verwerken, klaarmaken voor gebruik tot het (eventueel) verwijderen ervan.
Data governance gaat over de doelstellingen, afspraken, standaarden en processen die je inricht om ervoor te zorgen dat datamanagement naar tevredenheid wordt uitgevoerd.
Helaas zijn er veel verschillende definities te vinden op het internet die elkaar ook vaak tegenspreken. Ik gebruik deze definitie omdat het aansluit bij hoe veel (Nederlandse) organisaties tegen IT & data aankijken. Je hebt technologie die je inzet met een bepaald doel (datamanagement), maar die technologie op zichzelf lost weinig op als je geen afspraken maakt over hoe je deze gebruikt (data governance):
Datamanagement gaat vaak over technologie, terwijl data governance juist over de menselijke kant van het structureel gebruiken van data gaat.
De belangrijkste uitdagingen
Er zijn meerdere redenen waarom datamanagement en -governance implementaties vaak mislukken, maar er zijn ook genoeg organisaties waarmee ik praat die de waarde niet inzien van datamanagement en er niet eens begonnen wordt met het geven van aandacht. Vaak zijn dit de omgevingen waarbij data-initiatieven niet echt goed van de grond komen en de capaciteit volledig benut wordt om dit in goede banen te leiden. Vaak zie je dat door juist te focussen en te investeren op het inregelen van datamanagement en -governance, de benodigde effort om bijv. een nieuw dashboard te lanceren vele malen lager wordt omdat zaken als datakwaliteit en adoptie structureel ingeregeld worden binnen je afdelingen en processen.
Wanneer de waarde van datamanagement wel wordt gezien, zijn dit de drie belangrijkste redenen die ik vaak terug hoor van organisaties waarom datamanagement initiatieven toch vaak niet goed van de grond komen:
Beperkte alignment met strategie & doelen organisatie
Onvoldoende draagvlak binnen organisatie (ontbreken sponsorship)
Geen overdracht van project naar een actief proces
Scrum in je datamanagement implementatie
Een gevolg van bovenstaande uitdagingen is dat datamanagement initiatieven vaak onvoldoende waarde opleveren voor een organisatie. Dit komt dus niet door ontbrekende of slechte technologie, maar juist door de gekozen aanpak. Daarom ben ik een groot voorstander dat datamanagement implementaties conform het Agile/Scrum gedachtengoed worden uitgevoerd:
Door deze drie pijlers continue mee te nemen tijdens je implementatie, zul je zien dat het implementeren van data management & -governance een stuk tastbaarder wordt. In een van mijn volgende blog leg ik uit hoe je datamanagement concreet kan maken door datamanagement tools op de juiste manier in te zetten en je data governance laat leven binnen organisaties.
Van 11 complexe domeinen naar 5 stappen
Zoals jullie hebben kunnen lezen, zijn er behoorlijk wat zaken om rekening mee te houden, wil je datamanagement en -governance goed inrichten om je data initiatieven mee te ondersteunen. Om dit wat simpeler te maken, reduceren we de 11 domeinen van het eerder genoemde DMBOK model naar 5 gebieden die écht van cruciaal belang zijn voor Nederlandse bedrijven:
Hieronder kun je meer lezen over elke stap, door erop te klikken:
1. Het creëren van een solide Data Architectuur (waarvoor je Data Modelling & Design nodig hebt)
Er is niets zo belangrijks als het creëren van een solide data architectuur. Met architectuur bedoel ik geen infrastructuur. Ik bedoel het goed opzetten hoe je data van ruwe data naar consumeerbare informatie gaat. Een belangrijk onderdeel daarvan is het hebben van een eenduidig datamodel. Creëer een duidelijke “kaart” van je organisatie en zorg dat deze kaart goed leesbaar is voor al je gebruikers van de data. Je architectuur en datamodel kan nog zo robuust zijn, maar als de eindproducten of het onderhoud te complex is, dan schiet je het doel voorbij.
2. Inrichten geadopteerde data governance aanpak
Zorg dat je data governance conform het agile/scrum gedachtengoed hebt ingericht en het wordt gedragen door een sponsor binnen je organisatie. Het hebben van een goedgekeurde governance uitwerking is slechts het begin: de uitdaging zit erin dat er binnen de organisatie verantwoordelijkheid genomen wordt voor de uitvoering hiervan. Borg daarom binnen de afdelingen dat je de benodigde rollen (zoals bijv. data stewardship) hebt belegd.
3. Zorg voor het activeren en juist beheren van je metadata (dat zorgt voor beheersbare en transparante data)
Metadata beschrijft alle data die aanwezig is binnen jouw organisatie. De eigenschappen van je data dus. Hiermee wordt het creëren van een data catalogus (data catalog) waarmee medewerkers binnen je organisatie wegwijs worden in al je databronnen, rapporten en dashboards opeens realiseerbaar. Ook zaken als data lineage worden eenvoudiger waarmee aangetoond kan worden waar data vandaan komt en hoe deze aangepast is. Dit laatste draagt weer bij aan de volgende 2 onderwerpen: data compliancy en datakwaliteit.
4. Adresseren van data security (die bedraagt aan compliancy)
Met de alsmaar toenemende regulering is dit geen optioneel onderwerp meer voor veel organisaties. Naast de AVG/GDPR verplichten ook steeds vaker specifieke wet- en regelgeving binnen je eigen sector voor noodzakelijke aanvullende maatregelen. Denk bijvoorbeeld aan de Baseline Informatiebeveiliging Overheid (BIO) binnen de overheid. Zorg ervoor dat de toegang tot je data op een veilige manier ingeregeld is en controleer uitgedeelde rechten regelmatig. Zorg daarnaast voor actieve security monitoring en classificering van de data zelf op gevoelige data zoals bijv. een BSN-nummer of paspoort gegevens. Zodra je weet welke informatie er allemaal in je omgeving zit, kun je ook gerichter maatregelen nemen om risico’s af te dekken.
5. Verhogen en borgen van datakwaliteit (waarbij master data management helpt)
Hogere datakwaliteit draagt bij aan de adoptie van het gebruik van data binnen je organisatie. Onbetrouwbare data worden nog steeds gezien als dé reden waarom veel data-initiatieven mislukken bij veel organisaties. Master Data Management (MDM) helpt om definities vast te leggen die belangrijk zijn voor jouw organisatie en de gebruikers. Denk bijv. aan wat zijn de verschillende omzetstromen of de productsoorten waarover we willen rapporteren? MDM tools zijn vaak kostbaar, maar het merendeel van deze organisaties kunnen prima uit de voeten met een oplossing die gebouwd is in een low/no-code platform zoals bijv. Microsoft PowerApps.
Steeds meer 'commodity' diensten, ook binnen de datawereld
Voor de oplettende lezer heb ik verschillende aspecten gekoppeld aan een bovenliggend thema, omdat die altijd in het doel zouden moeten staan van dit bovenliggende thema. De overige punten zijn zeker niet onbelangrijk, maar vallen steeds vaker in de categorie 'commodity', waarmee er standaardoplossingen voorhanden zijn die voor 95% van de Nederlandse organisaties voldoen. Denk bijvoorbeeld aan:
Data Storage & Operations oplossingen, waaronder data platformen & data analytics omgevingen vallen, die tegenwoordig eenvoudig en onbeperkt schaalbaar zijn af te nemen in een cloud naar keuze. Dit is voor steeds meer organisaties een no-brainer en er zijn tal van (managed) oplossing beschikbaar die een out-of-the-box dataplatform leveren.
Data Integraties zijn steeds toegankelijker - tegenwoordig zelfs als een dienst - en minder complex door het gebruik van no/low-code toepassingen zoals bijv. Power BI Dataflows waarmee ETL of ELT processen veel eenvoudiger te onderhouden zijn. Dit soort ontwikkelingen worden steeds relevanter voor organisaties omdat ze gebruik maken van standaard SaaS toepassingen om hun primaire processen mee te ondersteunen zoals Exact Online, AFAS, Salesforce, Dynamics 365, etc. i.p.v. gesloten maatwerk oplossingen.
Document & Content Management: het beheren van documenten wordt steeds eenvoudiger zodra je de juiste tools gebruikt die tegenwoordig steeds vaker in de cloud leven. Denk aan Microsoft Purview in combinatie met Microsoft 365, een samenwerkingsplatform waar de meeste organisaties in Nederland gebruik van maken.
Samenvatting
Ik hoop dat ik in deze blog jullie enerzijds heb weten te overtuigen van het belang van datamanagement en data governance, maar tegelijkertijd ook een aantal concrete handvatten heb weten te geven die je kunt volgen wanneer je organisatie aan de slag wil gaan met datamanagement:
1. Bepalen of Data Management relevant is voor jouw organisatie
Dit hangt af van het volwassenheidsniveau van je organisatie. Experimenteer je alleen nog met data, dan is dit waarschijnlijk nog niet relevant voor jou. Wil je de volgende stap maken, of ben je daarmee bezig en het lukt niet? Overweeg dan verbeteringen in je data management en -governance.
2. Zorg voor een implementatie die gedragen wordt en in lijn is met je strategie
Zorg dat de belangrijkste mensen binnen je organisatie overtuigd zijn van het nut en de noodzaak van datamanagement en -governance en zorg dat zij transparant communiceren hierover. Pas tijdens de implementatie een agile/scrum methodiek toe zodat je altijd focust op het continue leveren van waarde voor je organisatie en concrete resultaten. Voorkom de valkuil dat collega's omwegen gaan bedenken voor het sneller realiseren van oplossingen, omdat niet duidelijk is wat datamanagement nu daadwerkelijk bijdraagt.
3. Maak een plan en ga aan de slag met de 5 belangrijkste gebieden van datamanagement
Hou de volgende 5 stappen tegen het licht en werk ze uit in een plan dat aansluit bij jouw organisatie en je doelstellingen:
Data Architectuur inrichten
Data Governance borgen
Beheer je metadata
Breng je data security op peil
Verhoog je datakwaliteit
Geen expertise over Data Management en -governance aanwezig in je organisatie? Laat je adviseren, helpen en eventueel zelfs ontzorgen: dat spaart veel tijd en zorgt voor meer & sneller impact.
4. Blijf leren, feedback verzamelen en verbeteren.
Het is een continue proces waarbij je blijft bijstellen en toetsen of de toegevoegde waarde die je levert nog relevant is voor je organisatie.
Wij bij Beeminds maken dingen graag simpel, maar dat houdt niet in dat alles simpel is. Wil je aan de slag gaan met data management en/of -governance, dan hebben wij enkele versnellers die je daarbij kunnen helpen.
Neem contact op om verder te praten over onze versnellers en de juiste aanvliegroute die past bij de doelstellingen van je organisatie.
Comments