Lernkurve von Data Governance

Stufe 1 - Unbewusste Inkompetenz: Was sind die “Symptome” für einen Mangel an data governance?

1. Das Unternehmen steht vor ungelöste geschäftliche Fragen aufgrund der schlechten data governance
2. Das Unternehmen in die Enge getrieben wird durch bestehende Initiativen, die ein ausgereiftes data erfordern (strategischer Anwendungsfall, IT-Migration usw.)
3. Der Umgang mit diesen Symptomen wird Ihnen helfen, zu sich der Herausforderungen und des kritischen Wertes bewusst von data governance

Stufe 2 - Bewusste Inkompetenz: Welchen Herausforderungen steht ein Unternehmen gegenüber, wenn es eine data governance-Reise beginnt?

1. Der Nachweis, dass data governance von Wertdata im Rohzustand ist ungenutztes Potenzial, während data im veredelten Zustand Gold ist
2. Das Richtige finden Finanzmodell um die ersten Initiativen zu starten: durch Anwendungsfälle oder durch ein zentrales Transformationsorgan angetrieben
3. Menschen mobilisieren zu liefern: innerhalb der data governance-Verbundteams und darüber hinaus

Stufe 3 - Bewusste Kompetenz: Welche Schritte befolgen Unternehmen normalerweise, wenn sie ein data governance-Programm einführen?

1. Erster Schritt - Strukturierung von data governance-AssetsDomänen, Betriebsmodell, Roadmap, Werkzeuge
2. Zweiter Schritt - Bereitstellung von data governance innerhalb jeder data-Domäne:data Qualität, Standardisierung und Zugänglichkeit. Entweder durch eine vollständige Renovierung innerhalb eines begrenzten Zeitraums dank großer Programme; oder durch die Verteilung der Arbeiten über einen langen Zeitraum, wobei mit den kritischsten Punkten begonnen und der Rest nach und nach erledigt wird

Stufe 4 - Unbewusste Kompetenz: Was passiert, wenn data governance zur neuen Normalität wird?

1. Data Governance ist nicht länger eine Reise, sondern eine vollendetes Können
2. Data Steuerung ist die Verantwortung eines jeden: COMEX-Mitglieder, Business Owner, technische Leiter, Domain-Entwicklungsteams, Data-Verantwortliche, Use Case- und Feature-Teams

Es kann ein langer Weg sein, zu verstehen, was data governance ist, warum es auf dem kritischen Pfad zur Wertschöpfung liegt und wie Sie es konkret in Ihrem Unternehmen einsetzen können. Als Unternehmen die ersten großen Transformationsprogramme mit KI und data-Anwendungsfällen auf den Weg brachten, erkannten sie schnell, dass diese Programme wichtige Enabler wie data platforms, data-Seen, data-Qualitätsmanagement und MDM benötigen, die es ermöglichen, dass die Qualität data mit Anwendungsfällen in Verbindung gebracht wird. Erst in jüngster Zeit hat data governance angesichts der unzähligen komplexen Systeme, die geschaffen wurden, Priorität erhalten.

Heute weiß fast jeder im CDO/CTO-Ökosystem, dass data governance eine Voraussetzung für die KI-Transformation ist. Sie sind mit allen grundlegenden organisatorischen und betrieblichen Konzepten vertraut, aber sie so zu vertonen, dass sie einen konkreten Nutzen bringen, ist eine weitaus komplexere Aufgabe. Infolgedessen wird data governance oft auf isolierte Dokumentationsinitiativen mit wenig Wirkung reduziert. Wir sehen viele Programme, die gestartet werden, und viele Leiter von data governance in den Organisationen unserer Kunden. Anfangs hatten sie alle die gleichen Schwierigkeiten, ihre Sponsoren und Geschäftspartner davon zu überzeugen, in diese Aktivitäten zu investieren. Und warum? Weil der Einsatz von data governance ein vollständiger Lernprozess ist, den das Unternehmen durchlaufen muss, und jeder Schritt auf diesem Weg ist wichtig.

Dieser Artikel soll Ihnen helfen zu verstehen, was data governance in der Praxis bedeutet, indem er Sie auf eine Reise durch den data governance-Lernprozess mitnimmt, den jedes Unternehmen zwangsläufig erlebt.

Noch bevor die Reise beginnt, besteht die erste Herausforderung darin, das data governance-Problem zu identifizieren. In diesem Stadium hat das Unternehmen noch nicht erkannt, dass viele seiner Geschäftsprobleme in direktem Zusammenhang mit data governance-Aktivitäten stehen. Der erste Schritt der Reise besteht darin, herauszufinden, welche grundlegenden Fragen niemand in der Organisation zu beantworten vermag.

Wenn Sie diese Art von Fragen stellen, verbinden Sie data governance direkt mit dem potenziellen Geschäftswert, den es generieren kann, und vermeiden den Fallstrick eines IT- oder datenschutzgesteuerten Ansatzes, der data governance auf Master Data oder Access Right Management reduziert.

In der Praxis haben wir andere typische Situationen beobachtet, die den Start von data governance-Initiativen auslösen:

Um auf dem data governance-Lernpfad voranzukommen, müssen sich Unternehmen ungelösten geschäftlichen Fragen stellen oder in die Enge getrieben werden. Nur dann werden sie sich der Herausforderungen bewusst, vor denen sie stehen, und verstehen den entscheidenden Wert von data governance.

Sobald ein Unternehmen beschlossen hat, seine data governance-Reise offiziell zu beginnen, stellen sich drei große Herausforderungen: (1) Der Nachweis, dass data governance von Wert ist, (2) die Suche nach dem richtigen Finanzmodell, um die ersten Initiativen zu starten, und (3) die Mobilisierung der Mitarbeiter für die Umsetzung.

Eine der ersten Herausforderungen besteht darin, den Vorstand zu überzeugen. Die Befürworter der Data-Governance müssen das richtige Argument finden, um zu beweisen, dass in data governance investiert werden sollte, auch wenn dies manchmal auf Kosten von Anwendungsfällen geht, und dass in den data-Transformationsplänen Platz gefunden werden sollte.

[AUS DEM BEREICH #1] Ein führender data governance-Anbieter in der Konsumgüterindustrie organisierte ein Trainingscamp mit angehenden data-Eigentümern (excom n-1), das vom CEO und CFO gesponsert wurde. Sie präsentierten die data governance-Schulden des Unternehmens, die angegangen werden mussten, um schnellere data-Transformationsgewinne zu erzielen (d.h. ungelöste Geschäftsfragen aus jeder Abteilung und Schwierigkeiten bei der Bereitstellung strategischer COMEX-Anwendungsfälle aufgrund schlechter data-Qualität oder Zugänglichkeit).
[AUS DEM BEREICH #2] Um das Management zu überzeugen, entwickelten die data governance-Verantwortlichen eines Telekommunikationsunternehmens einen Business Case mit drei Arten von Einnahmequellen:
> Fehlende Umsätze (z.B. Umsatzeinbußen aufgrund fehlender oder mangelhafter Adressen in den Bestellsystemen)
> Einsparungen (z.B. Miete oder Abonnements für nicht mehr genutzte technische oder kommerzielle Standorte)
> Operative Effizienzgewinne im data-Team (z.B. geschätzte Anzahl der eingesparten Vollzeitstellen für data-Qualitätsfragen).

Zwei Fragen werden häufig aus der Praxis gestellt: Wie viel kostet es, ein data governance-Programm zu starten? Wer sollte es bezahlen? Es lassen sich zwei Modelle unterscheiden:

Modell 1 ist das Ziel für die Zeit nach der Transformation, wenn data governance von vornherein in alle Projekte integriert ist. Vor und während der Transformation gilt Modell 2 im Allgemeinen für die Einführung von Best Practices.

[AUS DEM BEREICH #3] Der CFO eines großen Konsumgüterherstellers, der vom Wert von data governance für sein Unternehmen überzeugt war, richtete unter seinem Mandat eine zentrale data governance-Stelle ein und stattete sie mit einem zentralen Budget aus. Das geschätzte Budget betrug etwa 15 Mio. €. Ein anderes Unternehmen entschied sich für eine zweistufige Strategie: Für die ersten Jahre der Umstellung wurden 2 Mio. € pro Jahr für data governance in den Händen des data governance-Büros veranschlagt, aber es ist geplant, das Unternehmen Schritt für Schritt zu akkulturieren und zu Modell 1 zu wechseln.

Die Menschen in Ihrem Unternehmen für data governance-Themen zu mobilisieren ist DIE zentrale Herausforderung.

Innerhalb der data governance-Teams besteht der Schlüssel zum Erfolg in der Umsetzung eines föderalen Bereitstellungsmodells, bei dem die Abläufe dezentralisiert und von den einzelnen Teams der Geschäftsbereiche gesteuert werden. Eine zentrale Stelle oder ein Lead (je nach Größe) ist für die Strukturierung des Programms, die Implementierung der Toolbox und die Definition der Standards verantwortlich. Ihre erste Aufgabe besteht darin, das data des Unternehmens in data-Domänen aufzuteilen und für jede Domäne einen Eigentümer zu ernennen, der für die Ernennung von Schlüsselrollen in seiner Domäne verantwortlich ist (Stewards, Custodian...).

Über die data governance-Teams hinaus muss die Zentrale die Teams akkulturieren und weiterbilden, um die neuen, strukturierteren Wege der Interaktion mit data zu begleiten.

[AUS DEM FELD #4]
> Auf C-Ebene: Ein großer Konsumgüterhersteller organisierte mehrere Sitzungen mit der COMEX, um seine Mitglieder für data governance-Themen zu sensibilisieren.
> Auf der Ebene der Anwendungsfälle: Ein anderer CPG-Anbieter schult alle seine Product Owner und Data-Wissenschaftler darin, data governance by Design in KI- und data-Anwendungsfällen einzusetzen (Entwicklung von data-Qualitätsprüfungen, data-Lineage in Collibra usw.).
>> Auf Domänenebene: Ein Telekommunikationsunternehmen formalisiert die Schulung für data Steward und Owner Onboarding (How-to, Tools, etc.).
> Auf Unternehmensebene: Ein Unternehmen startet Sensibilisierungsmaßnahmen für alle, um seine data-Exzellenzkultur zu verbreiten.

Sobald diese anfänglichen Herausforderungen überwunden sind, kann die Organisation als kompetent und reif genug angesehen werden, um die besten Ansätze für den Einstieg zu definieren und die ersten greifbaren Ergebnisse ohne allzu große Vorabinvestitionen zu erzielen.

Eine der ersten Hauptaktivitäten des data governance-Büros ist die Strukturierung von data-Aktiva in data-Domains. Diese Tätigkeit ermöglicht es dem Unternehmen:

Sobald die Übung abgeschlossen ist, besteht der nächste Schritt darin, jedem Bereich Verantwortliche zuzuweisen (sie werden die Aktivitäten priorisieren und die Ziele festlegen) und Stewards (sie werden die Qualitäts- und Dokumentationsroutinen operativ einsetzen). Wir haben festgestellt, dass erfolgreiche data governance-Modelle “föderierte” Modelle sind, bei denen die operativen Aktivitäten dezentral in den Bereichen durchgeführt werden und ein Leiter von data governance in einem zentralen data-Team die Dynamik vorantreibt, die Aktivitäten koordiniert und die Stewards und Eigentümer befähigt.

Ausgereifte Unternehmen sind geschäftsorientiert und erstellen ihre data governance-Roadmap in enger Beziehung zu ihrer data-Roadmap für Anwendungsfälle. Sie ordnen die data-Domänen den strategischen Anwendungsfällen des Unternehmens zu und priorisieren die Domänen, die viele Anwendungsfälle bedienen. Ein entscheidender Erfolgsfaktor ist es, klein anzufangen und den Tunneleffekt zu vermeiden, indem man zwei oder drei kritische Bereiche mit motivierten Eigentümern und Verwaltern identifiziert und die Methodik verfeinert, bevor sie in anderen Bereichen eingesetzt wird.

Tools sind wichtig, um data governance langfristig aufrechtzuerhalten, aber data governance ist vor allem eine organisatorische Frage. Wenn die Organisation nicht von der Bedeutung von data governance überzeugt ist und wenn das Betriebsmodell nicht vorhanden ist, werden die Tools nicht angenommen und sind für das Unternehmen eine Verschwendung von Ressourcen und Zeit.

[AUS DEM FELD #5] Die IT-Abteilung eines großen CAC 40-Unternehmens schloss beispielsweise einen Vertrag mit Collibra ab, ohne sich Gedanken über das Betriebsmodell zu machen, das für die nachhaltige Umsetzung einer solchen Initiative erforderlich ist. Sie verfolgten einen IT-gesteuerten Ansatz, indem sie alle data-Basen durchsuchten, um die data-Tabellen zu dokumentieren. Es gab keine Data-Verantwortlichen, die das Tabellenschema um die Geschäftsebene ergänzt hätten. Die Nutzung des Tools beschränkte sich auf einige wenige IT-Mitarbeiter und der ROI wurde nicht nachgewiesen. Zwei Jahre später beschloss das data-Team, eine geschäftsorientierte Initiative mit Collibra neu zu starten. Diesmal wurde eine Roadmap auf der Grundlage der strategischen Anwendungsfälle, die sie liefern wollten, erstellt und eine Collibra-Community um das Tool herum aufgebaut, um die Nutzung zu fördern. Das Tool hat sich von einem einfachen Dokumentations-Tool zu einem data-Intelligenz-Tool entwickelt, das in wichtige data-Prozesse eingebettet ist und nun von data-Wissenschaftlern für data-Entdeckungen verwendet wird.

Ansatz 1 wird in der Regel von großen Unternehmen bevorzugt, die umfangreiche Transformationsprogramme eingeleitet haben und bei der erfolgreichen Umsetzung ihrer data- und KI-Fälle vor großen Problemen stehen. Dies ist auch der Fall bei Unternehmen, die derzeit auf die cloud umsteigen und für die die Strukturierung ihrer data-Assets innerhalb einer neuen data platform auf dem Spiel steht. Dieser ganzheitliche oder End-to-End-Ansatz zielt darauf ab, einen data-Bereich vom Boden bis zur Decke zu bereinigen, indem die vier Dimensionen der data governance bearbeitet werden: Qualität, Standardisierung, Zugänglichkeit und Eigentum.

[AUS DEM BEREICH #6] Um die Methodik zu erklären, lassen Sie uns das Beispiel eines CPG-Unternehmens verwenden, das ein großes data-Umwandlungsprogramm gestartet hat. Das Unternehmen nutzte die Umstellung auf cloud, um sein data zu bereinigen und seine data-Assets in 18 data-Domänen umzustrukturieren, die für Endbenutzer leicht auffindbar und zugänglich sind, mit dem Ziel, hochwertige KI-Anwendungsfälle zu liefern. Nach der Einrichtung eines data governance-Büros zur Koordinierung der Initiative wurde eine umfassende Methodik zur Bewertung der data-Reife, zur Definition von data-Domain-Taxonomien und zur Entwicklung neuer data-Modelle auf der Google Cloud-Plattform eingesetzt, die für viele Anwendungsfälle wiederverwendbar sind.

Ein Schlüsselaspekt eines solch großen data-Umwandlungsprogramms ist die Fähigkeit, die Bemühungen in 18 data-Bereichen zu koordinieren. Das data governance-Büro spielt eine entscheidende Rolle bei der Gewährleistung der Konsistenz und der Festlegung der allgemeinen Prioritäten zwischen den data-Bereichen.

Ansatz zwei eignet sich eher für Unternehmen, die den Wert von data governance erst beweisen müssen, bevor sie größere Programme starten. Diese Unternehmen konzentrieren sich zunächst auf einen bestimmten Schmerzpunkt, den sie mit data governance beheben wollen. Manchmal sind diese Initiativen nicht einmal als “data governance” gekennzeichnet.

[AUS DEM BEREICH #7] Einige Beispiele für pragmatische data governance-Initiativen:

“Quellengesteuert” Ansatz: Ein Pharmaunternehmen startete eine CRM data-Harmonisierungsinitiative, um das Problem der begrenzten Qualität und Harmonisierung der von seinen Vertriebsmitarbeitern erfassten data in den einzelnen Niederlassungen zu lösen. Auslöser für diese Initiative waren Beschwerden der zentralen Marketingteams, die nicht in der Lage waren, Vergleiche zwischen den einzelnen Niederlassungen anzustellen oder die Gesamtleistung zu überblicken (Beispiel: sechs verschiedene Möglichkeiten, einen Kardiologen in Veeva zu benennen).
“Dashboard-gesteuerter” Ansatz: Ein Versorgungsunternehmen nutzte den Collibra-Katalog, um zu erklären, wie die KPIs seines COMEX-Dashboards berechnet wurden, und um die gesamte Organisation darauf auszurichten, wie diese strategischen KPIs zu berechnen sind.
“Zugriffsverwaltung”Ansatz: Im Rahmen einer Umstellung auf cloud hat einer unserer Kunden seine data governance-Initiative, die zwei Jahre zuvor gescheitert war, neu gestartet, indem er den Grad der Zugänglichkeit von data innerhalb seiner neuen cloud-Plattform definiert hat.
“Verwenden Sie fallgesteuert”Ansatz: Ein großes Konsumgüterunternehmen beschloss, sein ausverkauftes data zu standardisieren, um den Anforderungen eines sehr kritischen Anwendungsfalls der Bedarfsplanung gerecht zu werden. Das Unternehmen identifizierte die data-Objekte, die für die Realisierung der Anwendungsfälle benötigt wurden, wählte die data-Quellen aus und qualifizierte sie und standardisierte seine data, um ein einziges data-Modell zu erstellen, das für die Entwicklung aller Anwendungsfälle verwendet wurde, für die dieses data benötigt wird.
“Qualitätsorientiert”Ansatz: Einer unserer Kunden hat einen Prozess zur Qualitätsbewertung und -behebung eingeführt, um die wichtigsten data-Qualitätsprobleme zu identifizieren, sie in einem data-Qualitätsausschuss zu priorisieren und die Lösung der Probleme mit den technischen Teams zu verfolgen.

Bevor wir beginnen, ist es wichtig zu betonen, dass abgesehen von Pure Players oder den neuesten Unternehmen, die um data herum entwickelt wurden, relativ wenige Unternehmen diese letzte Stufe erreicht haben, in der data governance automatisch geworden ist.

Data-Governance wird nicht mehr als zeitaufwändiger Transformationsprozess betrachtet, der den Beteiligten große Anstrengungen abverlangt. Es ist jetzt eine Fähigkeit, die vollständig in den Unternehmensprozess eingebettet ist, und jeder, der mit data arbeitet, ist auf dieser Ebene betroffen.

COMEX-Mitglieder die Verbreitung von data innerhalb des Unternehmens erleichtern. Sie verlassen sich auf eine einheitliche Sicht auf data (Single Source of Truth), um alle strategischen Entscheidungen zu treffen und die Unternehmensleistung zu überwachen.

Geschäftsinhaber erkennen, dass data governance ein entscheidender Erfolgsfaktor für ihre geschäftliche Transformation ist. Jede Geschäftsinitiative enthält “von Haus aus” eine data governance-Komponente.

Leiter der Technik sind die Leiter einer domänenorientierten data platform. Sie sind für den Aufbau der gemeinsamen Funktionalitäten der Plattform und die Festlegung globaler Standards zur Gewährleistung der Interoperabilität zwischen den Domänen zuständig. Die Verantwortung für die Bereitstellung von qualitativ hochwertigen data-Produkten für die Anwendungsfallteams ist dezentralisiert in diesen Domain-Entwicklungsteamsdie dem data am nächsten kommt.

Um sicherzustellen, dass data-Produkte qualitativ hochwertig sind, verlassen sich die Entwicklungsteams der Domäne aufData Stewards um ein hohes Maß an data-Qualität und Verfügbarkeit zu gewährleisten. Data Steward ist keine Rolle, sondern eine Vollzeitstelle an der Schnittstelle zwischen Unternehmen, IT und data-Teams. Er koordiniert die Bemühungen, data governance-Schulden aufzuholen und stellt sicher, dass neue Dienste “by design” geregelt werden.

Teams für Anwendungsfälle und Funktionen die das data verbrauchen, werden als Kunden mit Rechten und Pflichten behandelt:

Obwohl sich die meisten Akteure heute noch zwischen der zweiten und dritten Stufe bewegen, spüren sie alle die geschäftliche Dringlichkeit, in diesem Lernprozess voranzukommen.

3 Hauptargumente rechtfertigen diese Dringlichkeit. Erstens ist die Transformation von data / KI ein entscheidender Hebel, um die ehrgeizigen Ziele neuer Wachstumsmotoren zu erreichen und an der Spitze zu bleiben, und die Transformation von data ist ohne data governance nicht nachhaltig. Zweitens befinden wir uns in einer schnelllebigen Welt, in der ein schneller Zugang zu data und eine rasche Analyse und Nutzung von data unerlässlich sind, um schnell zu reagieren. Und schließlich müssen Unternehmen neue Talente anziehen, die zunehmend bereit sind, data-driven zu sein.

Eine der ersten Herausforderungen für jedes Unternehmen zu Beginn seiner data governance-Reise besteht darin, diese Dringlichkeit zu demonstrieren und die internen Stakeholder vom Wert der konkreten Einführung eines data governance-Programms zu überzeugen.

Mitwirkende: Vielen Dank an Justine Nerce, Killian Gaumont, Violaine Berland, Sophie Xu, Alexandra Coillard, Marc-Antoine Paing - Artefact