Data Governance

Het levert talloze voordelen op om optimaal te kunnen sturen op data. Randvoorwaarde is dat je datagedreven werken en denken optimaal faciliteert in alle lagen van de organisatie. Dit staat of valt met de kwaliteit van data governance.
Download de Whitepaper Data Governance

Is data governance goed ingericht? Hoe start je met data governance in je organisatie? Wanneer is data governance vereist voor een organisatie en met welk aspect begin je dan? Hoe zorg je voor een succesvolle uitrol en voor een blijvend succesvolle borging van data governance in je organisatie. Alles valt of staat met data governance. De antwoorden op deze en andere vragen lees je hier.

 

Dit behandelen we:

Wat is data governance?
(Betekenis data governance)

Over data governance wordt veel geschreven. Er zijn via google dan ook meer dan 25 definities terug te vinden. Deze data governance definities hebben vaak drie dingen met elkaar gemeen, namelijk dat ze gaan over:

  • De medewerkers en de organisatie waarin ze werken.
  • De organisatie en de inrichting van de processen binnen een organisatie.
  • De technologie waarmee data governance gerealiseerd wordt.

Data governance is geen doel op zich, maar data governance maakt het voor een organisatie mogelijk om op een efficiënte en effectieve manier om te gaan met data en dit op een beveiligde manier te doen.

In het DAMA/DMBOK model wordt dit in een definitie helder neergezet:

Data governance is the organization of people, processes and technology to enable the organization to optimize, secure and to make maximum use of both structured and unstructured data.

Let er hier vooral op dat de data niet alleen gedefinieerd wordt voor gestructureerde data, maar ook voor ongestructureerde data (big data).

Master data management wordt ook wel eens als term gebruikt, maar dat is een aspect van data governance. Over data management is nog veel meer te schrijven, daar is een aparte pagina aan gewijd.

Wat is data governance wel
en wat is het niet?

Nu data governance is gedefinieerd zijn we er nog niet. Data governance kent heel veel aspecten die met elkaar verbonden zijn. Het gaat om doelstellingen, aanpak, regelgeving, medewerkers, processen, technologie, monitoring en misschien wel het belangrijkste aspect, de cultuur binnen een organisatie. Iedereen herkent zich wel in het probleem dat de ‘waan van de dag’ vaak veel belangrijker is dan structureel de tijd nemen voor de dag van morgen.

Bij data governance gaat het erom, zoals de Eckerson groep zo sterk formuleert, dat mensen centraal staan in data governance. De realiteit is dat we de data niet beheren, we bepalen wat mensen met data doen, wanneer zij met data werken.

Data governance is geen doel of project op zich. Het gaat erom wat je ermee wilt bereiken. Als dat goed geformuleerd is, dan wordt de kans op succes al een heel stuk groter.

Wat zijn de doelen van
Data Governance?

Data governance is geen doel op zich, dat hebben we al eerder besproken. Maar waarom moeten we er dan gebruik van maken? Deze laatste vraag is vaak moeilijker te beantwoorden dan het op het eerste gezicht lijkt.

Data governance-projecten worden vaak vanuit een technische hoek geïnitieerd. Denk aan de ICT-afdeling, de BI-afdeling of de Finance-afdeling.

Zij lopen als eerste tegen problemen aan als:

  • Wie is de eigenaar van de data?
  • Wat is de juiste definitie?
  • Waarom is de datakwaliteit zo slecht en waarom kun je daar nauwelijks een rapport van maken?
  • Waar sturen we nu precies op?
  • Hoe is dit veld op het dashboard opgebouwd (deze en soortgelijke vragen komen veelal vanuit de business)?
  • Het ETL oftewel data cleansing proces is onduidelijk, waardoor rapportages als onbetrouwbaar worden ervaren.
  • Belangrijke data (master data management) wordt niet centraal onderhouden, wat leidt tot verschillende uitkomsten en sturing daarop.
  • Data governance tools brengen niet de verwachte resultaten.

Het beantwoorden van deze vragen is echter niet de oplossing van de problemen. Wat veel belangrijker is, is de business meekrijgen en duidelijk maken waarom data en ook data governance zo belangrijk is voor een organisatie. Data governance moet is een essentieel middel om lange termijn waardecreatie te realiseren.

Data wordt steeds meer gezien als ‘de asset’  van de organisatie. Daarvan moet iedereen in de organisatie zich bewust zijn en zij moeten data dus ook als een asset gaan beheren. Daar hoort dan ook regelgeving vanuit het management bij. Als data daadwerkelijk als een asset wordt gezien door de organisatie, dan is het ook helder wat het op moet brengen en is er een businesscase te maken voor een data governance implementatie. Discussies met betrekking tot wie de asset moet beheren zijn er dan niet meer.

Hoe kun je opbrengsten voor data governance uitdrukken?

Het is belangrijk om niet alleen naar de kostenkant van een data governance project te kijken. Alleen zo kijken levert uiteindelijk niets op en leidt niet tot een succesvolle implementatie. Dat wordt het gezien als het maken van regels die in regelgeving wordt vastgelegd.

Het advies is dan ook om bij het realiseren van een data governance project, dit direct te vertalen naar business opbrengsten. Data governance zou een belangrijk element moeten zijn bij de lange termijn waardecreatie die iedere organisatie nastreeft. Dit moet het gesprek zijn met het management.

Bij data governance zijn de business opbrengsten in vier verschillende categorieën te onderkennen of eigenlijk drie optionele en een verplichte. De categorieën zijn:

1. Strategisch onderscheiden van de concurrentie.

Denk aan klanten en burgers beter leren kennen of op dit gebied het verschil willen maken, zoals ING dit in haar plannen heeft staan. ING is een goed voorbeeld van een organisatie die met data lange termijn waardecreatie nastreeft. Dit is de overkoepelende strategie van deze bank.

2. Groei realiseren.

Bij het realiseren van groei kun je met data (governance) beter inspelen op up- en cross-sell kansen. Je hebt de mogelijkheid om de campagneresultaten te verbeteren en middels machine learning kun je over betere voorspelmodellen beschikken dan de concurrentie. Hierbij soeelt big data een belangrijke rol en is het management in de lead.

3. Efficiëntie en kostenreductie.

Door goed naar data te kijken en hier op te sturen is het mogelijk om de doorlooptijden van besluitvorming aanzienlijk te reduceren, maar ook om de effectiviteit van processen en opslagkosten sterk terug te dringen. Dit is de categorie waar het management direct iets van merkt.

Bij de overheid is het bijvoorbeeld belangrijk om processen voor wetgeving en interactie met burgers effectief en efficiënt uit te voeren. Meestal wordt in deze categorie de meeste winst gehaald bij een data governance project.

4. Compliance en risico management.

Dit is de laatste categorie en die is veel meer een ‘moetje’. Je moet voldoen aan de AVG en banken moeten voldoen aan compliance regels. Deze regels worden vaak vastgelegd in regelgeving, lees dikke boekwerken die nooit meer worden gebruikt. Dit zijn zaken waar ze echt niet onderuit kunnen. Is dit het geval dan is hier relatief eenvoudig geld voor te krijgen, maar vaak zit de organisatie niet op dergelijke projecten te wachten. Ze zien er het nut niet zo van in.

Het advies bij deze categorie is dan ook te zoeken naar ‘opbrengsten’ in een van de andere drie categorieën. Dis is lastig, maar de moeite waard als je de draagvlak voor de verandering groter wilt maken. Anders blijft het niets anders dan dat ‘het moet, zodat we een vinkje kunnen zetten’ en we zijn af van onze verantwoordelijkheden.

Wat zijn de belangrijkste aspecten van data governance?

Data governance is niet een ding. We omschrijven het wel eens als een taart met veel verschillende punten.

Architectuur

Het eerste aspect van data governance is de architectuur, hoe ziet het datalandschap eruit of hoe moet het datalandschap eruitzien binnen het data governance landschap

Data & master data management

Ook data zelf is een belangrijk aspect. Wat voor data hebben we, welke is essentieel en onderhouden we centraal (master data management), wat betekent een data-element en waar komt dit vandaan?

Datakwaliteit

Een reden waarom data governance projecten vaak worden gestart is omdat de datakwaliteit (in de bronsystemen) volgens de organisatie niet op orde is (data cleansing).

Datamodellering, opslag van data & security

Dan kijk je hoe data governance er technisch uitziet, met aspecten als datamodellering, opslag van data, master data management en alle security daaromheen.

Business intelligence (BI) & datawarehousing

Deze aspecten, of het nu gaat om technieken/pakketten of om het gebruik ervan, komen samen in het onderdeel business intelligence en datawarehousing. Dit is wat de eindgebruiker uiteindelijk ziet en hopelijk ook gebruikt.

Doelstellingen, processen & verantwoordelijkheden

Dit alles kan niet zonder dat er duidelijke doelstellingen, processen en verantwoordelijkheden geformuleerd zijn. Dit laatste (het beheren van assets) staat meestal centraal in een model. Bij het DAMA/DMBOK model heet dat dan ook data governance.

Welke data governance modellen zijn er?

DAMA/DMBOK

Data Governance model | DAMA DMBOKHet DAMA/DMBOK model is het meest bekende en gebruikte model binnen de data governance wereld. Het heeft grote bekendheid gekregen, omdat het enerzijds werkt vanuit best practices en er anderzijds eenvoudig informatie over te krijgen is. Veel van het model is gewoon openbaar te verkrijgen. Het is opgezet rondom een aantal aspecten, met in het midden alle onderdelen die te maken hebben met opzet, bestaan en werking van de verschillende data governance aspecten, zoals datakwaliteit. Lange tijd is het DAMA/DMBOK model 1 de standaard geweest. Wanneer er binnen een organisatie een implementatie van data governance is gedaan, is het in 90% van de gevallen dan ook dit model dat als uitgangspunt is genomen. Met de groei in big data en door nieuwe inzichten is er in 2017 een nieuw model gekomen dat meer toegesneden is op deze ontwikkelingen. Dit model wordt nu meer en meer als uitgangspunt genomen bij (nieuwe) data governance projecten. Er zijn diverse verschillen te benoemen, maar het gaat te ver om deze nu te beschrijven, zie hiervoor de blog: DAMA/DMBOK van versie 1 naar versie 2.

Het kenniswiel (Data governance wheel)

Data governance model | Data governance wheel kenniswielEen afgeleid model dat vooral in het overheidsdomein veel wordt gebruikt is het kenniswiel. Het is een best practice model. Dit model is gebaseerd op het principe van het DAMA DMBOK model, maar heeft specifieke aspecten als ‘interactie met burgers en bedrijven’ en alles rondom legitimiteit wet- en regelgeving. Ook het onderwerp archivering krijgt in dit model veel meer aandacht. Voor overheidsorganisaties is het kenniswiel vaak een beter vetrekpunt. Indien er behoefte is aan meer verdieping, dan kan altijd nog het DAMA/DMBOK model geraadpleegd worden voor bijvoorbeeld een aspect als datakwaliteit.

Afbeelding Data Governance Kenniswiel © ITSV

DGI (Data Governance Institute) model

DGI (Data Governance Institute) modelHet zogenaamde DGI (Data Governance Institute) model is veel meer dan alle andere modellen een procesmodel rondom informatie, business en technologie. Dit wordt ook wel de BIT cyclus genoemd. Ze zien data governance veel meer als een proces. Het model is beter geschikt voor complexe organisaties, waar sturing op data vereist is. Het model is georganiseerd rondom de why, what, who, how en when vraagstukken en denkt vanuit data governance processen. Het model is op het eerste gezicht vrij lastig te begrijpen en werkt niet altijd even intuïtief. Het advies is om, als je het DAMA/DMBOK of kenniswiel gebruikt of als je procesmatig zaken moet ontwikkelen, dan dit model als referentie te gebruiken. Anders gezegd deze modellen kunnen elkaar aanvullen.

Afbeelding DGI Data Governance Framework © The Data Governance Institute 

EIM Institute model

EIM Institute modelEen ander model is het EIM institute model. Dit best practice model is meer gesloten en om het te kunnen gebruiken moet je bij het EIM institute aangesloten zijn. Het EIM Institute is in 2007 opgericht en bestaat eigenlijk uit een groot aantal data governance professionals. Ze hebben veel op dit gebied gepubliceerd en hebben ook veel publicaties over de verschillende aspecten van data governance staan, zoals metadatamanagement en datakwaliteit. Het is misschien een minder verspreid model, maar zeker qua diepgang kan dit inzicht geven. De laatste tijd verschijnen er nog weinig publicaties en in dat opzicht is het model aan het ‘verouderen’.

Er zijn nog veel meer (best practices) modellen beschikbaar. Denk aan het Gartner model rondom data governance of het model dat door dienstverlener KPMG is uitgebracht. Veel (ICT) dienstverleners hebben wel een of ander model dat ze specifiek gemaakt hebben en wat gebruikt wordt om data governance projecten ‘op te tuigen’. Ieder met zijn of haar voor- en nadelen.

Niet een model is goed of fout. Het is juist de kunst om die modellen te gebruiken, daar waar het nodig is. Soms neigt het naar een discussie over welk model beter of slechter is. Het advies is trap niet in die valkuil. Data governance is geen doel op zich, maar slecht een hulpmiddel voor de organisatie. Mensen die met data governance bezig zijn lijken dit nog wel eens te vergeten.

Afbeelding Enterprise Information Management Institute (EIM) © ITSV

Niet een model is de beste. Het Data Governance Institute werkt vanuit een proces gedachte. Het DAMA/DMBOK daarentegen is opgezet vanuit een best practices benadering. Dus is het bouwen vanuit een procesgedachte het uitgangspunt, dan kies je voor het Data Governance Institute model. Nadeel van dit DGI (Data Governance Institute) model is dat het relatief complex is en niet wijdverspreid is. Veel organisaties kiezen dan ook voor het DAMA/DMBOK model wat veel meer gebruikt wordt een eenvoudiger in gebruik is. Vindt niet alles zelf uit, maar maak gebruik van best practices die voorhanden zijn.

Wat zijn de valkuilen van data governance projecten?

De data governance challenges op een rij

Uit de literatuur en zeker ook uit de ervaring van vele betrokkenen zijn data governance projecten vaak niet erg succesvol. In de opsomming hieronder geven we de belangrijkste valkuilen weer (data governance challenges):

 

Dit zijn de belangrijkste data governance valkuilen:
1. Data governance zien als een doel op zich

Data governance is een doel op zich geworden. Met een data governance project zijn de verwachtingen dat wanneer je alle onderdelen invult, dat alle dataproblemen dan verleden tijd zijn.

2. Het vergeten van ongestructureerde data

Bij data governance projecten wordt de ongestructureerde data vaak vergeten. Het probleem is dat die data, vaak nog maar sporadisch, in data science pilots wordt gebruikt. Doordat die data vergeten wordt, wordt in data science projecten ‘het wiel dan opnieuw uitgevonden’. Big data valt hier ook onder data governance zoals bijvoorbeeld e mail.

3. Starten zonder concreet bedrijfsdoel

Het project wordt opgestart zonder een concreet bedrijfsdoel. Hierdoor wordt financiering van zo’n project moeilijk en is succes niet goed meetbaar. Bijvoorbeeld de datakwaliteit verhogen zonder dat concreet meetbaar te maken en daar monitoring op te zetten.

4. Een data governance programma starten en niet het proces erna inregelen

Vaak is er voor een data governance programma tijd, geld en aandacht, maar wil je dit goed doen dan moet je dit proces structureel inrichten. Hoe vaak komt het niet voor dat datakwaliteitsprojecten al meerdere keren opgestart/geprobeerd zijn? Data governance tools worden vaak wel aangeschaft, maar nooit echt geïmplementeerd.

5. Het project niet meetbaar maken

Dit leidt tot onduidelijke doelstellingen en binnen het project kan niet aangetoond worden wat er is gedaan. Dit meetbaar maken wordt vaak achterwege gelaten omdat dit best lastig kan zijn. Monitoring wordt dan niet ingericht.

6. In het project alle aspecten in een keer aanpakken

Door geen keuze te maken voor een of meerdere aspecten, wordt alles een beetje gedaan en dat leidt tot te weinig diepgang in het project om resultaten echt te kunnen borgen. Dus gaan voor architectuur, master data management, data kwaliteit enz.

7. De business ‘vergeten’ in zo’n project

Degene die er het eerste last van heeft is de BI-control of BI-afdeling. De business is vaak nog niet zo ver en hen meenemen ‘kost te veel tijd’.

 

Door je bewust te zijn van deze valkuilen en hier in het data governance programma actief rekening mee te houden wordt de kans op een succesvol data governance proces aanmerkelijk vergroot. Wil je meer weten over hoe je deze valkuilen kunt voorkomen, neem dan gerust contact met ons op.

Is data governance meetbaar?
(Data governance KPI's)

Het meetbaar maken van data governance project uitkomsten is vaak zeer lastig, omdat ze niet (goed) geformuleerd kunnen worden. Toch is het essentieel dat dit wel wordt gedaan, zeker als lange termijn waardecreatie het uitgangspunt is. Zoals al eerder gezegd is het zeker niet eenvoudig en vergt het van tevoren tijd en afstemming om dit goed te doen. Data governance tools kunnen daar wel bij helpen. Ze zorgen voor monitoring van het beleid.

Wat misschien nog wel belangrijker is, is de kennis en ervaring met dit soort projecten en het stellen van meetbare en haalbare doelen. Het is dan ook van essentieel belang dat die meetbaarheid niet voor de organisatie, maar juist met de organisatie wordt geformuleerd.

Dit is vaak een eerste stap naar het afdeling overstijgend werken en het is dan ook essentieel om aan het begin van het data governance project met elkaar de scope, doelstellingen en verwachtingen te behalen, maar bovenal het behaalde succes te formuleren. Het introduceren van master data management kan hierin een goede eerste stap zijn.

Data governance is niet iets van een persoon of afdeling maar moet een integrale inspanning zijn die aan iedereen in de organisatie helderheid geeft over wat er van hen verwacht wordt en wat dit uiteindelijk oplevert. Onderwerpen die bij data governance dan ook aan de orde moeten komen, zoals datakwaliteit, zijn hoe je met elkaar de juiste KPI’s formuleert op de verschillende data governance aspecten.

Er is een aparte whitepaper gewijd aan Data governance & KPI’s. Deze kun je hieronder downloaden (Coming Soon!).

Je kunt natuurlijk ook met ons klankborden om samen te kijken hoe dit kan worden aangepakt. Wil je met ons in contact komen vul dat het bijgaande formulier in en we nemen zo snel als mogelijk contact met je op.

Gratis Whitepaper Data Governance & KPI's

Ook bij de verschillende data governance aspecten is het belangrijk dat je de juiste KPI's formuleert. In deze whitepaper leer je alles over het maken, koppelen en monitoringvan zuivere KPI's aan de juiste data governance aspecten. Wij zijn druk bezig om de whitepaper te finaliseren, schrijf je alvast in en ontvang de whitepaper zodra deze beschikbaar is! Schrijf je hieronder in voor de PDF Data Governance & KPI's.
Nu reserveren

Hoe maak je meetbaar wat data governance voor een organisatie op kan leveren?

Zoals al eerder aangegeven is een van de belangrijkste valkuilen bij data governance het niet meetbaar maken van de resultaten in business termen. Als dat in een data governance project niet gedaan wordt, hetzij omdat het te moeilijk is of omdat men daar het nut niet van inziet, dan gaan projecten vaak mis. Er is geen monitoring ingericht.

In het  data governance project ontbreekt het dan aan focus, doelen zijn multi interpretabel en het is niet mogelijk om voortgang en successen te rapporteren.

Data governance is voor veel betrokkenen in organisaties al een erg abstract begrip en is een ver van hun bed show. Ze zien vaak het nut er niet van in en ze zien zelf niet de resultaten van het werk dat op dit gebied moet gebeuren of van de data die zij moeten invoeren. ‘Het kost in hun ogen vaak alleen maar meer werk.’

Het goed invullen van klantgegevens is voor een call center niet altijd nuttig, het kost extra tijd en die tijd hebben ze vaak niet. Maar een marketingafdeling is vaak erg afhankelijk van die kwalitatief juist ingevoerde data en zit daar wel op te wachten. Dit is een voorbeeld van waar de ene afdeling geen direct nut heeft van het verbeteren van datakwaliteit, maar waar een organisatie als geheel wel beter van wordt.

Het is dan ook essentieel dat tijdens zo’n data governance project aan alle betrokkenen in de keten niet alleen duidelijk wordt gemaakt wat er van hen verwacht wordt, maar zeker ook waarom dit verwacht wordt. Anders gezegd wat levert dit de organisatie op! Dit vraagt om een afdeling overstijgende visie van het management en een goede samenwerking tussen de verschillende afdelingen. Dit is niet bij alle organisaties van nature aanwezig.

Actieve sturing op een data governance project vanuit een integraal bedrijfsperspectief met commitment van directie en management is essentieel om de gestelde doelen uiteindelijk te kunnen bereiken.

Door hier in het begin van het data governance project rekening mee te houden en te kiezen voor een integrale (afdelingsoverstijgende) aanpak, kan dit geconcretiseerd worden. Vaak is het zo dat een neutrale partij, in de vorm van externe ondersteuning, dit proces aanzienlijk versneld. Natuurlijk moet de organisatie zelf de doelen met elkaar formuleren, maar neutrale hulp kan helpen om de opbrengsten met elkaar te formuleren. Dan kan gekeken worden naar de vier categorieën van opbrengsten die eerder in dit artikel zijn genoemd.

Data governance past in
een groter geheel!

Data governance staat niet op zichzelf, het is een onderdeel van een groter geheel. In de verschillende modellen die eerder zijn opgesomd is natuurlijk rekening gehouden met de verschillende aspecten, zoals de missie, organisatie en technologie die daar mee gemoeid is.

Vergeet echter niet, data governance kijkt vanuit de bril: afspraken maken over data tussen personen en organisatie (onderdelen). Dit is een zeer belangrijk aspect van een datagedreven organisatie, maar natuurlijk niet het enige aspect. Data governance staat dus niet op zichzelf.

Het IDAM-model

In het IDAM model (integraal data analyse model) komen alle aspecten in samenhang aan de orde en kom je er achter dat datag overnance maar één van de negen aspecten is.  Wanneer je met data en de bouw van een datagedreven organisatie aan de slag gaat, moet je integraal naar alle aspecten tegelijk kijken.

Het IDAM model voor data architectuur

Met dit model in je achterhoofd en een heldere scheiding tussen de verschillende aspecten is het voor jou mogelijk om voor alle betrokkenen in je organisatie de verschillende dataprojecten af te bakenen en zeker ook te prioriteren.

Wanneer daar de volwassenheidsmethodiek aan gelieerd wordt, kunnen organisaties veel beter bepalen waar ze nu staan en waar ze nu direct actie op moeten ondernemen. Zo voorkom je dat er een te groot (data governance) project geïmplementeerd wordt, waarbij het nog maar de vraag is of verwachtingen en resultaten tussen alle belanghebbenden wel met elkaar in overeenstemming zijn te krijgen.

 

Data governance zorgt voor het ontstaan van nieuwe rollen

Een voorbeeld van zo'n rol is die van data stewards

Met de komst van data governance ontstaan er binnen een organisatie ook specifiek nieuwe rollen. De meest bekende daarvan zijn de data stewards, maar ook de rol van data owner en data custodion is een andere.

De data governance rollen worden hier kort beschreven:

Data stewards

De data stewards zijn verantwoordelijk voor bewaking en verbetering van de kwaliteit van data(definities, validatie regels en waarden), zoals vastgelegd in een metadatamodel vanuit een business perspectief en natuurlijk ook het beheer over master data. Ze maken niet alleen de regels, ze laten de regels ook goedkeuren

Data owner

De data owner is verantwoordelijk voor de data binnen een specifiek datadomein. Een data-eigenaar moet ervoor zorgen dat de informatie binnen zijn domein correct wordt beheerd, over verschillende systemen en bedrijfsactiviteiten. Hij of zij keurt ook de regels goed die de datasteward opstelt.

Data Custodian

De Data Custodian is verantwoordelijk voor het dagelijks technisch beheer van de kwaliteit van de gedefinieerde datasets. De Data Custodian is de “Subject Matter Expert” (SME) aan de ICT kant en is eigenlijk de technische counterpart van de Data Stewards. Hij is degene die de betekenis en het gebruik van de technische maatregelen begrijpt, communiceert en ook implementeert. De data custodian wordt er voor dat de regels worden geïmplementeerd.

Hoewel de data stewards de meest bekende is zijn de andere rollen net zo belangrijk. Het is bij data governance belangrijk dat alle rollen helder geformuleerd zijn, de competenties in die rol aanwezig moeten zijn en alle functionarissen met elkaar kunnen samenwerken. Bij het uitvoeren van een data governance programma moet aan deze aspecten veel aandacht worden besteed.

Met het inbrengen van externe kennis/coaching wordt het proces versneld en de kans op succes aanmerkelijk vergroot. Immers de organisatie heeft (nog) geen kennis over dit onderwerp en ze doen dit voor de eerste keer.

Data governance is essentieel voor een datagedreven organisatie

Data governance zorgt zelf niet, maar is essentieel voor een datagedreven organisatie en gaat eigenlijk over het maken van afspraken over data tussen alle betrokkenen in een organisatie. Data governance is geen doel op zich! Data governance kan om verschillende redenen opgestart worden en het is belangrijk dat dit bij elk project duidelijk is. Data governance kent ook vele aspecten en het gebruik van een heldere methodiek is belangrijk. Er zijn erg veel methodieken, maar de meest gebruikte is het DAMA/DMBOK model.

Houd rekening met de data governance valkuilen

Een data governance project draaien is geen eenvoudige opgave, er zijn veel valkuilen en het is goed daar mee rekening te houden als het data governance project wordt opgezet, maar ook als je al een tijdje met het project in uitvoering bent. Ga na welke valkuilen voor jou organisatie meespelen. Kies ervoor om het project goed af te bakenen en niet alles ‘een beetje’ te doen en maak de resultaten ook meetbaar om aantoonbaar te kunnen maken waar het succes of risico binnen het big data project zit.

Data governance staat niet op zichzelf

Data governance staat niet op zichzelf, maar past in een groter geheel. Een methodiek als het Integraal Data Analyse Model en alle hierbij behorende tooling helpen erbij om datagedreven werken als een geheel te blijven zien.

Data governance advies en consultancy op maat | Vrijblijvend advies

Over data governance zijn hele boeken vol te schrijven, maar dat wordt te veel. Op verschillende momenten staan er verwijzingen naar aanvullende literatuur. Vanzelfsprekend kun je ook contact met ons opnemen om data governance, vaak zeer omvangrijke en abstracte onderwerp, door te spreken en het gezamenlijk ‘handen en voeten te geven.

Dit alles met als doel dat jij en jouw organisatie uiteindelijk terug kunnen kijken op een succesvolle implementatie van data governance, die past binnen jouw organisatie!

Data governance start met het hebben van een met elkaar geformuleerde en gedragen strategie en roadmap. Maar daar blijft het niet bij. Opleiding en scholing is ook vereist omdat het nieuwe kennis en ervaring betreft.

Vaak is het zo dat medewerkers en vooral management nieuwe competenties aan moet leren en hierbij is (individuele) coaching in de dagdagelijkse praktijk cruciaal om succesvol te kunnen zijn. Natuurlijk is het een data governance project dat vaak naast de dagdagelijkse werkzaamheden moet worden gedaan, terwijl hier eigenlijk geen ruimte voor is..

Kennis en ervaring van een inhoudelijk projectleider op data governance gebied gaat de organisatie snel op een hoger plan (volwassenheidsniveau) zetten. Wij kunnen op al deze aspecten ondersteuning en oplossingen aanbieden.

Wil je meer weten, maak dan nu vrijblijvend een afspraak om nader kennis te maken, maar vooral ook om met elkaar de uitdagingen en oplossingen te bespreken.

DATA GOVERNANCE BINNEN JOUW ORGANISATIE

Maak vrijblijvend een afspraak om jouw
data governance uitdagingen en
oplossingen te bespreken!

Vrijblijvend contact