Drie nieuwe doelen voor datamanagement

Datamanagement

Datamanagement krijgt momenteel steeds meer aandacht bij veel organisaties. In het digitale tijdperk breken veel professionals zich het hoofd over de vraag “hoe moeten wij onze digitale assets – de data – op een dusdanige wijze managen dat we er bedrijfswaarde mee genereren?”.

Hierbij speelt dan ook nog de vraag hoe het eeuwige probleem van onvoldoende datakwaliteit opgelost moet worden. Dit wordt dan ook vaak als uitgangspunt gehanteerd voor de invoering en doelstelling van datagovernance en daarmee samenhangende inhoudelijke datamanagement projecten. 

Data-driven datamanagement

In deze tijd van digitale transformatie speelt vaak de wens om data-driven te worden. Op zich is het natuurlijk geen gekke gedachte om beslissingen te nemen op basis van feiten in plaats van intuïtie (ervaring) maar data-driven zijn gaat verder dan dat. Het is namelijk ook vaak de doelstelling om met data meer geld te verdienen, of klanttevredenheidverhogend te zijn danwel een optimalisatieslag te maken in de effectiviteit van processen en systemen.

Wat we momenteel in ieder geval steeds vaker zien is dat het onderwerp data en daarmee dus datamanagement op de agenda staat van raden van bestuur of de directie van grote organisaties. In die zin is data inderdaad een nieuwe strategische bedrijfsasset geworden net als kapitaal, grondstoffen en arbeid. Dit betekent dat data ook goed gemanaged moet worden om er het maximale rendement uit te halen en daar komen datamanagement (de inhoud) en datagovernance (de besturing) om de hoek kijken.

Datagovernance

We zien momenteel dan ook dat veel organisaties op een traditionele wijze projecten lanceren om datagovernance van de grond te krijgen. De vraag is echter of datamanagement niet anders zou moeten worden opgepakt. We zijn inmiddels tien jaar verder. De context van data is immers veranderd en met behulp van diverse moderne datamanagement tooling kunnen problemen op het gebied van datakwaliteit beter worden opgelost, althans dat lijkt vaak de belofte.

Wij denken dat de doelstelling voor datamanagement nu inderdaad anders is en dat het daarom belangrijk is om andere accenten te gaan leggen. 

Traditionele doelstelling datamanagement – Data integratie

Datamanagement staat sinds de jaren ’80 vorige eeuw volop in de belangstelling. Organisaties hebben lang applicaties ontwikkeld om data te managen en te transformeren naar informatie. In het begin was de noodzaak voor uitgebreid datamanagement minder aanwezig omdat applicaties nog minder talrijk en verweven waren: er waren vroeger gewoonweg minder applicaties aanwezig in een organisatie en het was pas later dat applicaties middels interfaces verweven met elkaar raakten, hetgeen heeft geleid tot de zogenaamde spaghetti systemen. Vroeger was het zelfs de doelstelling om met datamanagement te komen tot één geïntegreerde database (SPOT: Single Point of Truth), die alle informatiebehoeften zou vervullen, wat een onhaalbare zaak bleek te zijn.

Datakwaliteit

Vervolgens kwam het besef dat datakwaliteit een probleem bleek te zijn: data was vervuild, onvolledig, onjuist en niet tijdig aanwezig. Daar is vervolgens hard aan gewerkt, maar we zien momenteel dat veel organisaties dit probleem nog steeds niet helemaal onder controle hebben. Het blijft daarom een punt van zorg en aandacht. Deze traditionele doelstelling blijft dus actueel.

Moderne doelen voor datamanagement

Naast de genoemde traditionele doelstelling heeft in deze digitale tijd datamanagement ons inziens ook andere doelen gekregen namelijk dat datamanagement:

  1. Ondersteunend dient te zijn aan de digitale transformatie;
  2. Ondersteunend dient te zijn aan een data driven organisatie;
  3. Een integrale datainfrastructuur dient te beheren;

    Wat ons betreft zijn dit de meest belangrijke actuele doelen voor datamanagement. De 3 doelen lichten we graag toe:
  • Doelstelling 1: Ondersteuning digitale transformatie

    Bij digitale transformatie spelen vaak moderne (technologische) ontwikkelingen zoals Smart portals, Chatbot, Blockchain, IoT, Cloud, AI, etc. De rol van data en daarmee datamanagement is hier in de basis niet anders dan traditioneel het geval was: data is nog steeds de voedingsbodem voor deze moderne technologiën. Wat er wezenlijk anders is dat data vanuit de digitalisering van de dienstverlening naar de klant over de aaneenschakeling van nieuwe technologiën aan de eisen van intensiever gebruik en hogere beschikbaarheid moet voldoen. Dit vereist een data-infrastructuur om de locatie en datastromen in een organisatie in kaart te brengen en naar een voldoende kwaliteitsniveau te brengen. De digitale technieken bepalen dan de requirements waaraan die datainfrastructuur moet voldoen.

Met de datamanagement functie Metadata kunnen die datastromen (proces, systeem, lokatie, etc.) worden vastgelegd. Tezamen met de datadefinities ontstaat hier een data repository dat als analyse instrument zowel voor de business als de technische functies in de organisatie van groot belang is bij het gebruiken en beheren van relevante data in de organisatie.

  • Doelstelling 2: Ondersteuning data-driven

Organisaties willen meer waarde uit data halen. Dat kan zijn: meer omzet of rendement middels toepassingen van cross- en upselling, maar ook verbeteringen in proceseffectiviteit of besparingen in FTE. Aangezien ze zich bij al hun managementbesluiten willen baseren op vastgestelde feiten, heeft dit consequenties voor de wijze waarop datamanagement moet worden ingericht. De focus komt dan te liggen op het ondersteunen van business intelligence en datawarehousing voor betere managementrapportages.

Daarnaast zien we met de toenemende adoptie van AI technieken in operationele en besluitvormingsprocessen (machine learning algoritmes), dat er een intensiever beroep op data wordt gedaan. Ook als het gaat om externe (big) data ligt de toegevoegde waarde voornamelijk in de integratiemogelijkheden van die data met elkaar. De datamanagement functie Master data (MDM) kan daarin een grote rol spelen, waarmee externe data bijvoorbeeld het klantbeeld verrijkt of beter inzicht geeft in de product-markt combinaties. Daarmee wordt het mogelijk om klanten directer en effectiever te bedienen. 

Master data

MDM is een stabiel vakgebied van datamanagement en er is veel tooling voor op de markt. Wel is het voor een optimale MDM werkwijze noodzakelijk dat er ook een datagovernance organisatie wordt ingericht met als speerpunt het managen van de kwaliteit van de belangrijkste masterdata.

  • Doelstelling 3: Beheer data-infrastructuur

Met data-infrastructuur wordt hier bedoeld de aanwezige data gemanaged op het gebied van de inhoudelijke kwaliteit (juistheid, compleetheid)), de datalogistiek (tijdigheid, beschikbaarheid), maar ook op het gebied van techniek (modellering, tools) en niet te vergeten de governance.

De basis voor een data-infrastructuur is een bedrijfsobjectenmodel. Dat objectmodel is een inrichtingsonafhankelijk model van de belangrijkste begrippen of objecten in de organisatie in hun onderlinge samenhang. Feitelijk geeft het weer wat de organisatie doet. Het ondersteunt de diverse architecturen (enterprise, data, applicatie), geeft overzicht, vergroot eenduidigheid en verlaagt daarmee onnodige afstemming.

Objecten met een sterk verband vormen een data domein. De gemeenschappelijke objecten over domeinen heen zijn kandidaten voor masterdata en door het eenduidig beschrijven ervan in attributen en eigenschappen (meta data) vormt dat een basis voor datakwaliteitsmanagement.

Datalogistiek

Datalogistiek betreft het volledige routerings- en verwerkingsproces van de data door en tussen systemen binnen de organisatie. Het gaat erom de juiste data, op de juiste tijd, in de juiste hoeveelheid met de juiste kwaliteit tegen minimale kosten op de juiste plaats te krijgen. Om dit mogelijk te maken vraagt dit een coherente structuur van alle onderdelen en componenten en de wijze waarop deze worden ingezet in dat logistieke proces.

Door dataobjecten te koppelen aan de organisatorische objecten als processen, stakeholders, systemen, gegevensuitwisselingen en rapportages krijg je een inzicht in datastromen en de daarbij gebruikte data (lineage).

Managed dataplatform

Als Sogeti kennen we het ‘managed dataplatform’, waarin er naast de inzet van technieken en tools ook integraal aandacht is voor de datamanagement component. Dat platform geeft op een zowel organisatorisch als technisch gestandaardiseerde wijze flexibele invulling aan business functionaliteiten (best practice).

Randvoorwaardelijk voor het opzetten, inrichten en beheren van de data-infrastructuur is het opstellen van een data-architectuur, waarvan het opstellen van definities (meta datamanagement), het zorgen voor datakwaliteitsmanagement en het besturen van het geheel middels een ingevoerde datagovernance organisatie onderdeel uitmaken. Dit zijn allen ‘traditionele’ aandachtsgebieden, maar nu ingezet voor nieuwe doelen. 

De intensivering van het datagebruik (doel 1 en 2) vereist dat datamanagement op een hoger volwassenheidsniveau wordt ingeregeld. DAMA kent 5 volwassenheidsniveaus en als Sogeti vinden wij dat niveau 3 de minimale voorwaarde is om dat mogelijk te maken.

Datamanagement verandert

Datamanagement gaat veranderen. Het gaat nieuwe doelen ondersteunen en momenteel worden er bij veel organisaties de eerste ervaringen opgedaan. Het zal in de komende 5 jaar een groeispurt doormaken qua volwassenheid, aanpak en opgeleide professionals. Met name de wens om data-driven te worden in een steeds meer digitale wereld betekent dat de focus anders komt te liggen. 

Om deze transformatie goed te doorstaan is het voor je organisatie van belang om te beschikken over goed opgeleide datamanagement professionals die niet alleen bekwaam zijn op de traditionele DAMA aspectgebieden maar ook bekend zijn met de nieuwste technologiën, architecturen. En wat deze digitale technieken betekenen voor doelen die aan de datahuishouding en de datagovernance worden gesteld.

Verder moet data nu echt worden gezien en gemanaged als een stabiele en strategische organisatie asset en is het zeer waarschijnlijk dat data de komende periode een vertrekpunt zal vormen voor nieuwe business modellen.

Data Roadmap 

Om deze stap te maken is een uitgewerkte data roadmap noodzakelijk, die als basis dient voor de coördinatie door het datamanagement programma. Een dergelijke roadmap bevat zowel datamanagement inhoudelijke verbetertrajecten als het implementeren van datagovernance. Ons advies is om diverse trajecten in samenhang uit te voeren, waarbij de scope bewust klein wordt gehouden om de organisatorische context overzichtelijk te behouden en toch met alle aspecten in aanraking te komen. Bijvoorbeeld een bepaald domein of een business proces.

Het in de roadmap gepresenteerde totaaloverzicht van data-gerelateerde trajecten kan dan bestuurd worden door een in te voeren datagovernance board, waarvan de leden afkomstig zijn uit het senior MT echelon.

De veranderde omstandigheid is dat we door nieuwe technologiën hogere eisen moeten stellen aan datamanagement. Daarbij spelen vanwege een grotere samenhang en integratie, de omvang, de beschikbaarheid en snelheid een steeds grotere rol. Dus is het logisch dat die hogere eisen ook haar equivalent heeft op datamanagement gebied. Gelukkig zien we ook in de ‘data’ technologieën verbeterde tooling, waarmee die slag beter, sneller en ook makkelijker kan worden gemaakt. 
Aan datamanagement de uitdaging om in deze veranderingen mee te gaan en de genoemde doelen zo optimaal mogelijk te ondersteunen.

Meer weten over de veranderingen in Datamanagement?  

Ben je benieuwd welke stappen je kunt zetten om aan de veranderde doelen van Datamanagement te voldoen? Neem dan contact op via onderstaande contactgegevens, of kijk op onze datamanagementpagina.