Data Governance

Data Governance 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.

Wat is data governance?

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.

Betekenis data governance

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.

Is jouw organisatie klaar voor 2023? Dit zijn dé data governance trends voor dit jaar →

Dit behandelen we:

Wat is data governance?
Wanneer jouw organisatie moet starten met Data Governance
De opbrengsten van data governance
De aspecten van data governance
De 4 data governance modellen
De valkuilen van data governance projecten
Data governance meetbaar maken
Data governance hoort bij een datagedreven organisatie
De 3 data governance rollen

De mens staat centraal in Data Governance

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 er centraal in staan. 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.

Wanneer jouw organisatie moet starten met 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.

Loop jij tegen de volgende problemen aan? Dan kan data governance een belangrijk doel zijn

Wijzer om te bepalen of Data Governance een doel moet zijn

Wie is de eigenaar van de data?
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?
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 to verschillende uitkomsten en sturing daarop.
Data governance tools brengen niet de verwachte resultaten.

Is data ‘de asset’ binnen jouw organisatie?

Het beantwoorden van deze vraag alleen is niet de oplossing van de problemen.

Wat belangrijk is, is het meekrijgen van de business en duidelijk maken waarom data en ook data governance zo belangrijk zijn voor een organisatie.

Data governance 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 zo moet de data dus ook worden beheerd. Daar hoort ook de regelgeving vanuit het management bij.

Als data door de organisatie daadwerkelijk als een asset wordt gezien, 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.

De opbrengsten van succesvolle Data Governance

Kijk niet alleen naar de kosten

Het is belangrijk om niet alleen naar de kostenkant van een data governance project te kijken, omdat dit uiteindelijk niets oplevert en het niet tot een succesvolle implementatie leidt.

Dan wordt het alleen gezien als het maken van regels die in regelgeving worden vastgelegd.

Het advies is dan ook om bij het realiseren van een data governance project, dit direct te vertalen naar business opbrengsten.

De opbrengsten van Data Governance

Bij data governance zijn de business opbrengsten in vier verschillende categorieën te onderkennen. Dit zijn drie optionele categorieën en één verplichte.

1. Strategisch onderscheiden van de concurrentie.

Denk aan klanten en burgers beter leren kennen of op dit gebied het verschil willen maken, zoals bijvoorbeeld 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 speelt 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.

Wanneer dit het geval is, 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.

Dit 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.

De aspecten van data governance

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

1. 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

2. Data en 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?

3. 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).

4. Datamodellering, opslag van data & security

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

5. 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.

6. 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.

De 4 data governance modellen

Data governance model 1: DAMA/DMBOK model

Het 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.

Afbeelding Data Governance DAMA/DMBOK © ITSV

DAMA/DMBOK als data governance standaard

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.

Data governance model 2: Data Governance Wheel

Een 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

Data governance model 3: Data Governance Institute

Het 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

Data governance model 4: EIM institute model

Een 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.

Afbeelding Enterprise Information Management Institute (EIM) © ITSV

Welk data governance model past het bij jouw organisatie?

Niet een model is de beste.

Data Governance Institute vs DAMA/DMBOK model

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 en eenvoudiger in gebruik is. Vindt niet alles zelf uit, maar maak gebruik van best practices die voorhanden zijn.

De valkuilen van data governance projecten

De data governance challenges op een rij

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, 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 opnieuw uitgevonden’. Big data, zoals bijvoorbeeld e-mail, valt hier ook onder data governance.

3. Starten zonder concreet bedrijfsdoel

Een data governance project wordt opgestart zonder een concreet bedrijfsdoel. Hierdoor wordt financiering van zo’n project moeilijk en is succes niet goed meetbaar.

Bijvoorbeeld de datakwaliteit wordt verhoogd zonder dit 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 wel tijd, geld en aandacht, maar wil je dit goed regelen, 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 data governance 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 maak een keuze voor architectuur, master data management of data kwaliteit enz.

7. De business ‘vergeten’ in een data governance 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’. Hierdoor wordt de business vaak (bewust) niet meegenomen.

Data governance meetbaar maken

Data governance projecten meten is noodzakelijk

Het meetbaar maken van data governance projectuitkomsten 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.

Het vergt het van tevoren tijd en afstemming om dit goed te doen. Data governance tools kunnen daar bij helpen. Ze zorgen voor monitoring van het beleid.

Wat misschien nog wel belangrijker is, is dat de specifieke kennis en ervaring dit soort projecten binnen het project beschikbaar is om meetbare en haalbare doelen te stellen.

Het is dan ook van essentieel belang dat die meetbaarheid niet voor de organisatie, maar juist met de organisatie wordt geformuleerd.

Zo meet je data governance projecten

1. Bepaal de scope en introduceer master data management

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.

2. Formuleer KPI’s voor alle data governance aspecten

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

Data governance hoort bij een datagedreven organisatie

Data governance is een van de 9 aspecten van datagedreven werken

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 van datagedreven werken in samenhang aan de orde en kom je erachter dat data governance 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.

Meet eerst de datagedrevenheid voor je begint aan data governance

Met het IDAM 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.

De 3 data governance rollen

Met de komst van data governance ontstaan er binnen een organisatie ook specifiek nieuwe rollen.

De meest bekende data governance rollen zijn de:

Data stewards
Data owner
Data custodian

1. 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.

Data stewards hebben ook het beheer over master data. Ze maken niet alleen de regels, ze laten de regels ook goedkeuren

2. 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.

3. 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 implementeert. De data custodian zorgt er voor dat de regels worden geïmplementeerd.

Alle rollen zijn even belangrijk

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 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.

Data governance advies en consultancy op maat

Data governance opleidingen

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 moeten 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…

Data governance projectleider en implementator

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