5 wichtige Überlegungen zur Entwicklung einer Data Governance-Strategie

5 wichtige Überlegungen zur Entwicklung einer Data Governance-Strategie

  • Nitin Kudikala
    Nitin Kudikala is a Customer Success Architect at Talend. In this role, Mr.Kudikala advises firms on how to create value by becoming Data Driven and ensures that they are empowered to use the Talend software in the most optimal way. He has 15 years of experience in the field of Data Governance, Data Quality, Data Warehousing, Master Data Management and Big Data. Prior to Talend, he worked as a Data Management Specialist at PepsiCo and before that as a Senior Consultant at Informatica Corporation.

In einem früheren Talend-Blogeintrag habe ich ein paar wichtige Tipps gegeben, die Unternehmen bei der Entwicklung von Data Quality-Prozessen (DQ) in Hadoop berücksichtigen sollten. Die in diesem Blogeintrag erwähnten Datenprozesse und Frameworks sind wichtig, weil sie sowohl Ihr Data Quality- als auch Ihr Data Governance-Programm beeinflussen – falls vorhanden natürlich! Wie sieht es aus: Haben Sie ein Data Governance-Programm? Diese Frage ist nicht leicht zu beantworten, weil Data Governance als Konzept häufig nicht vollständig verstanden wird. Ihr Unternehmen setzt Data Governance wahrscheinlich schon in irgendeiner Form um, nur sind Sie sich dessen nicht bewusst. Damit stellt sich die Frage: Was ist Data Governance (DG)?

Das Data Governance Institute (DGI) definiert Data Governance als „ein System von Entscheidungsrechten und Verantwortlichkeiten für alle informationsbezogenen Prozesse, durchgeführt auf Basis anerkannter Modelle. Darin ist festgelegt, welche Personen, zu welchem Zeitpunkt, unter welchen Bedingungen, welche Aktionen mit welchen Informationen durchführen dürfen.“ Kurzum: Es geht bei Data Governance im Wesentlichen um Standards, Richtlinien und wiederverwendbare Modelle.

Falls Sie ein Data Warehouse (DW) haben – das ist der traditionelle Ansatz, um Erkenntnisse aus Ihren Daten zu gewinnen –, verfügen Sie wahrscheinlich bereits über Standards für Ihre Dimensionstabellen und haben somit schon einige Data Governance-Frameworks und -Standards implementiert. Wenn wir also über DG-Best Practices sprechen, sollten Sie sich zuerst klar machen, was DG für Ihr Unternehmen wirklich bedeutet.

Was bedeutet Data Governance für IHR Unternehmen

Häufig wird DG mit MDM gleichgesetzt. Das ist im Prinzip nicht falsch, aber es ist eben auch nicht alles. Data Governance muss nicht nur eine Plattform oder ein Konzept sein. Tatsächlich kann und sollte ein solider Data Governance-Ansatz mehr als eine Plattform oder ein Projekt umfassen. DG ist ein Programm in Ihrem Unternehmen, in dem datenbezogene Regeln und Standards festgelegt sind. Wenn Ihr Unternehmen beispielsweise eine Reportinglösung für den Vertrieb braucht, stellen sich einige Fragen in Bezug auf Governance, z. B.:

  1. In welchen internen Datenbanken befinden sich diese Informationen?
  2. Wer hat Zugriff darauf?
  3. Haben wir definiert, was ein „Kunde“ oder ein „Anbieter“ ist?
  4. Sind die Strukturen der Vertriebsdaten bereits definiert?
  5. Wie ist die Qualität der Quelldaten?
  6. Gibt es Kennzahlen zu den Datengrößen?

Die IT-Teams sind dafür verantwortlich, Lösungen für das Projekt sowie Entwicklungs- und Infrastrukturservices bereitzustellen, aber es wäre die Aufgabe des Data Governance-Teams, die IT-Teams in Bezug auf datenbezogene Richtlinien und Standards anzuleiten. Das bringt uns zur nächsten wichtigen Überlegung.

Das Data Governance Council

Das Council wäre verantwortlich dafür, das Data Governance-Framework für die Organisation einzurichten. Das DG-Framework selbst sollte an den individuellen Anforderungen Ihres Unternehmens ausgerichtet sein, aber im Allgemeinen könnte es strategische Planungsaufgaben umfassen wie die Bestimmung der Datenanforderungen, die Entwicklung von Datenrichtlinien und -leitfäden sowie die Planung von Datenmanagementprojekten. Das Framework könnte auch laufende Kontrollaufgaben umfassen, beispielsweise die Lösung datenbezogener Probleme, die Überwachung von Datenrichtlinien und den Nutzen von Datenressourcen optimieren.

Ähnlich wie bei den IT-Projekt-Leadership-Teams müsste das Data Governance Council Mitglieder sowohl aus den operativen Teams als auch aus der IT umfassen. Es ist wichtig, die Fachabteilungen für dieses Programm zu gewinnen und aktiv in die DG-Aufgaben zu involvieren.

Zudem sollte die Organisationsstruktur des Councils flexibel sein. Es ist sinnvoll, einen Top-down-Ansatz zu verfolgen, bei dem die Councilleitung die Governance vorantreibt, während Businessanalysten und Data Stewards die Richtlinien implementieren. Die Data Stewards sind verantwortlich dafür, der Leitung das nötige Feedback zu geben.

Kommunikation

Die Implementierung von DG bringt eine riesige Veränderung innerhalb der Organisation mit sich. Daher muss das DG Council unbedingt eine Mission entwickeln, die an den geschäftlichen Interessen ausgerichtet ist und auf die Stärken des Implementierungsteams zurückgreift. Die Mission des DG-Programms müsste klar und präzise kommuniziert werden und die wichtigsten DG-Treiber in der Organisation umfassen. Besonders wichtig ist, dass die Mission immer wieder über verschiedene Kanäle kommuniziert wird.

Fokusbereich: Ein Data Governance-Programm kann eine Vielzahl an Fokusbereichen umfassen, wobei es wichtig ist, den Bereich mit dem größten Wert für das Unternehmen herauszugreifen. Die Initiativen können auf Unternehmens- oder Projektebene stattfinden. Hier einige Fokusbereiche mit einer kurzen Beschreibung:

  1. Standards und Richtlinien: Programme dieser Art hätten die Aufgabe, Standards zu erfassen, bestehende Standards zu prüfen und mit den Unternehmensstandards abzugleichen. Eine weitere zentrale Aufgabe ist die Definition einer Datenstrategie für das Unternehmen und die Bereitstellung von Support für isolierte Projekte, um diese in die Unternehmenslandschaft einzubinden.
  2. Data Quality (DQ): Solche Programme befassen sich damit, Data Quality-Probleme im Unternehmen zu identifizieren, zu beheben und zu überwachen. Sie beinhalten normalerweise Software für Profiling-, Bereinigungs- und Abgleichengines. DQ-Initiativen führen auch zu Stammdatenmanagement-Projekten, bei denen die Stammdaten definiert und eine 360-Grad-Ansicht auf Domänen wie Kunde oder Anbieter bereitgestellt werden.
  3. Datensicherheit und Datenschutz: Jedes Unternehmen hat regulatorische Anforderungen und Compliance-Themen. Aufgabe dieses Programms wäre es, Zugriffsrechte, Informationssicherheitskontrollen, Datenschutzprozesse etc. festzulegen, um diese Probleme zu lösen.
  4. Architektur/Integration: Dieser Fokusbereich zielt darauf ab, Datenintegrationsarchitektur-Komponenten wie Datenmodellierung, Stammdatenmodellierung, serviceorientierte Architektur, etc. zu vereinfachen, um die operative Effizienz zu steigern.
  5. DW und Business Intelligence (BI): Dieses Programm fördert die Erstellung von Data Warehouses und Data Marts, um historisches aber auch zukunftsorientiertes Reporting zu unterstützen.
  6. Selfservice-Architekturen: Ein Programm dieser Art berücksichtigt die Stewardship- und Data Preparation-Herausforderungen und zielt darauf ab, Workflows zu erstellen, um die häufig in Organisationen anzutreffende „Schatten-IT“ zu reduzieren.

Der Weg ist das Ziel

Es ist wichtig zu verstehen, dass Data Governance wie auch Corporate Governance kein Projekt, sondern ein kontinuierlicher Prozess sind. Für jeden kontinuierlichen Prozess müssen Ziele und eine Methode definiert werden, die den Fortschritt messen. Empfehlenswert wäre es, den Fortschritt mit einem Data Governance-Reifegradmodell zu überwachen. Entsprechend dem Fokusbereich, den Sie für das DG-Programm gewählt haben, sollte Ihr Unternehmen außerdem Kennzahlen definiert haben, um den Erfolg des Programms zu messen. Empfehlenswert ist ebenfalls der Einsatz von agilen Praktiken. Agile Methoden wie Continuous Delivery, ständige Zusammenarbeit zwischen den IT- und operativen Teams, Offenheit gegenüber Veränderungen und ständiges Augenmerk auf technische Exzellenz und gutes Design passen perfekt zu Data Governance-Praktiken.

Weiterentwicklung

Technologie spielt – genauso wie Prozesse und Personen – eine große Rolle für Data Governance und ist ständig im Wandel. Egal, ob Sie aus dem operativen Bereich oder der IT kommen, ist es wichtig, offen gegenüber Innovationen zu sein. Innovationen in den Bereichen maschinelles Lernen, Cloud und Big Data können die Effektivität von Data Governance-Initiativen erhöhen. Zum Beispiel kann der Aufbau eines Data Lake auf Hadoop die Speicherung von Stammdaten und DW-Daten günstiger machen und die Verarbeitung beschleunigen.

Die Chancen stehen gut, dass Ihr Unternehmen bereits eine dieser Data Governance-Initiative erfolgreich implementiert hat. Ich würde empfehlen, dies als Grundlage für die Implementierung weiterer Fokusbereiche zu nutzen. Entwickeln Sie eine Vision für Data Governance in Ihrem Unternehmen, holen Sie sich Unterstützung von Business- und IT-Leitern und sorgen Sie dafür, dass die IT- und operativen Teams besser zusammenarbeiten. Wenn Sie diese ersten Schritte gemeistert haben, kann sich DG erfolgreich weiterentwickeln und Ihrer Organisation einen echten Mehrwert bieten!

Referenzen:

https://www.sas.com/en_us/insights/articles/data-management/what-is-a-data-governance-framework.html

http://www.datagovernance.com/the-dgi-framework/

http://tdan.com/a-ten-step-plan-for-an-effective-data-governance-structure/19183

https://www.pcmag.com/article/347785/big-data-basics-how-to-build-a-data-governance-plan

http://www.computerweekly.com/tip/Guidelines-for-data-governance-framework-creation

https://www.dataqualitypro.com/data-governance-design-build-execute-guy-harvey/

https://www.whitepapers.em360tech.com/wp-content/files_mf/white_paper/wp_iway_7steps.pdf

http://dbhids.org/wp-content/uploads/2016/03/OCIO-DBHIDS-DG-Framework-Strategic-Plan-v1.01.pdf

An der Diskussion teilnehmen

0 Comments

Hinterlasse eine Antwort

Your email address will not be published. Required fields are marked *