Leercurve van Data Bestuur

Fase 1 - Onbewuste onbekwaamheid: wat zijn de “symptomen” van een gebrek aan data governance?

1. Het bedrijf wordt geconfronteerd met onopgeloste zakelijke vragen als gevolg van slechte data governance
2. Het bedrijf wordt in een hoek gedwongen door bestaande initiatieven die rijpe data vereisen (strategische use case, IT-migratie enz.)
3. Door met deze symptomen om te gaan, wordt u zich bewust van de uitdagingen en kritische waarde van data governance

Fase 2 - Bewuste onbekwaamheid: wat zijn de uitdagingen waar een bedrijf tegenaan loopt als het aan een data governance-traject begint?

1. Bewijzen dat data governance van waarde: onbewerkt data is onbenut potentieel terwijl geraffineerd data goud is
2. De juiste financieel model om de eerste initiatieven te lanceren: gedreven door use cases of gedreven door een centraal transformatieorgaan
3. Mensen mobiliseren te leveren: binnen data governance gefedereerde teams, en daarbuiten

Fase 3 - Bewuste competentie: welke stappen volgen bedrijven gewoonlijk bij het lanceren van een data governance-programma?

1. Eerste stap - Structureren van data governance activa: domeinen, besturingsmodel, stappenplan, tooling
2. Tweede stap - Implementeren van data governance binnen elk data domein:data kwaliteit, standaardisatie en toegankelijkheid. Hetzij door een volledige renovatie binnen een beperkte periode dankzij grote programma's; hetzij door de werkzaamheden over een lange periode te spreiden, te beginnen met de meest kritieke en de rest beetje bij beetje te doen.

Fase 4 - Onbewuste competentie: wat gebeurt er als data governance het nieuwe normaal wordt?

1. Data bestuur is niet langer een reis maar een vaardigheid voor gevorderden
2. Data bestuur is ieders verantwoordelijkheid: COMEX-leden, bedrijfseigenaren, hoofden van engineering, domeinontwikkelingsteams, Data-beheerders, Use Case- en feature-teams.

Begrijpen wat data governance is, waarom het op het kritieke pad naar waarde ligt en hoe u het concreet in uw organisatie kunt inzetten, kan een lange weg zijn. Toen bedrijven voor het eerst grote transformatieprogramma's met AI en data use cases lanceerden, realiseerden ze zich al snel dat deze programma's belangrijke enablers nodig hadden, zoals data platforms, data lakes, data quality management en MDM, waarmee kwaliteit data blootgesteld kan worden aan use cases. Pas sinds kort is data governance een prioriteit geworden met betrekking tot de talloze complexe systemen die worden gecreëerd.

Tegenwoordig begrijpt bijna iedereen in het CDO/CTO-ecosysteem dat data governance een voorwaarde is voor AI-transformatie. Ze zijn bekend met alle organisatorische en operationele basisconcepten, maar deze op muziek zetten om concrete waarde te leveren is een veel complexere taak. Als gevolg daarvan wordt data governance vaak gereduceerd tot geïsoleerde documentatie-initiatieven met weinig impact. We zien veel programma's gelanceerd worden en veel hoofden van data governance verschijnen in de organisaties van onze klanten. In het begin ondervonden ze allemaal dezelfde problemen bij het overtuigen van hun sponsors en zakelijke partners om in deze activiteiten te investeren. Waarom? Omdat het inzetten van data governance een compleet leerproces is dat de organisatie moet doorlopen, en elke stap op het pad is belangrijk.

Het doel van dit artikel is om u te helpen begrijpen wat data governance in de praktijk is, door u mee te nemen op een reis door het data governance-leerproces dat elk bedrijf onvermijdelijk doormaakt.

Nog voordat de reis begint, is de eerste uitdaging het identificeren van het data governance probleem. In dit stadium heeft het bedrijf zich nog niet gerealiseerd dat veel van zijn bedrijfsproblemen direct verband houden met data governance-activiteiten. De eerste stap van de reis is bepalen welke fundamentele vragen niemand in de organisatie kan beantwoorden.

Door dit soort vragen te stellen wordt data governance direct gekoppeld aan de potentiële bedrijfswaarde die het kan genereren en wordt de valkuil vermeden van een IT- of privacy-gedreven aanpak die data governance reduceert tot Master Data of Access Right Management.

In het veld hebben we andere typische situaties waargenomen die de lancering van data governance initiatieven in gang zetten:

Om verder te komen op het data governance leerpad, moeten bedrijven onopgeloste zakelijke vragen onder ogen zien of in een hoek gedwongen worden. Alleen dan worden ze zich bewust van de uitdagingen waar ze voor staan en begrijpen ze de cruciale waarde van data governance.

Zodra een bedrijf heeft besloten om officieel te beginnen met zijn data governance-traject, ontstaan er drie grote uitdagingen: (1) bewijzen dat data governance waardevol is, (2) het juiste financiële model vinden om de eerste initiatieven te lanceren, en (3) mensen mobiliseren om te leveren.

Een van de eerste uitdagingen is om de Raad van Bestuur te overtuigen. Voorstanders van Data governance moeten de juiste argumenten vinden om aan te tonen dat er, soms ten koste van use cases, geïnvesteerd moet worden in data governance en dat er ruimte gevonden moet worden op de data transformatie roadmaps.

[UIT HET VELD #1] Een data governance leider in de CPG industrie organiseerde een trainingskamp met aspirant data eigenaren (excom n-1), gesponsord door de CEO en CFO. Ze presenteerden de data governance-schuld van het bedrijf die moest worden aangepakt om sneller data-transformatiewinsten te realiseren (d.w.z. onopgeloste zakelijke vragen van elke afdeling, en problemen met het leveren van strategische COMEX use cases vanwege slechte data-kwaliteit of -toegankelijkheid).
[UIT HET VELD #2] Om het management te overtuigen, ontwikkelden data governance leiders van een telco-speler een business case met drie soorten inkomstenbronnen:
> Ontbrekende inkomsten (bijv. geremde inkomsten door ontbrekende of kwalitatief slechte adressen in bestelsystemen)
> Besparingen (bijv. huur of abonnementen betaald voor technische of commerciële sites die niet langer in gebruik zijn)
> Operationele efficiëntiewinst in het data team (bijv. geschat aantal FTE's dat bespaard wordt op data kwaliteitskwesties).

Twee vragen komen vaak uit het veld: Hoeveel kost het om een data governance-programma te lanceren? Wie moet ervoor betalen? Er kunnen twee modellen worden onderscheiden:

Model 1 is het doel voor na de transformatie, wanneer data governance is ingebed in alle projecten door het ontwerp. Voor en tijdens de transformatie is model 2 over het algemeen van toepassing op het vaststellen van best practices.

[UIT HET VELD #3] De CFO van een grote CPG-industrie, overtuigd van de waarde van data governance voor het bedrijf, creëerde een centraal data governance-bureau onder zijn mandaat en voorzag het van een centraal budget. Het geschatte budget was ongeveer 15M€. Een andere organisatie koos voor een tweestappenstrategie: voor de eerste paar jaar van de transformatie, begrootten ze 2M€ per jaar voor data governance in handen van het data governance-bureau, maar ze zijn van plan om het bedrijf stap voor stap te accultureren en over te schakelen naar model 1.

Mensen in uw bedrijf mobiliseren rond data governance-kwesties is DE belangrijkste uitdaging.

Binnen data governance teams is de belangrijkste succesfactor het implementeren van een federatief leveringsmodel, waarbij de activiteiten gedecentraliseerd zijn en aangestuurd worden door elk businessdomeinen team. Een centraal kantoor of lead (afhankelijk van de grootte) is verantwoordelijk voor het structureren van het programma, het implementeren van de toolbox en het definiëren van de standaarden. De eerste opdracht is om het data van het bedrijf op te delen in data-domeinen en voor elk domein een eigenaar aan te wijzen, die verantwoordelijk is voor het aanstellen van sleutelrollen in hun domein (stewards, custodian...).

Naast de data governance teams moet het centrale kantoor de teams accultureren en bijscholen, om de nieuwe, meer gestructureerde manieren van interactie met data te begeleiden.

[UIT HET VELD #4]
> Op C-niveau: een grote CPG-speler organiseerde verschillende sessies met de COMEX om haar leden bewust te maken van data governance-kwesties.
> Op use case niveau: een andere CPG-speler traint al zijn Product Owners en Data Scientists om data governance by design in te zetten binnen AI en data use cases (ontwikkeling van data kwaliteitscontroles, data lineage binnen Collibra etc.).
>> Op domeinniveau: een telco-bedrijf formaliseert de training voor data steward en eigenaar onboarding (how-to, tools, etc).
> Op bedrijfsniveau: één bedrijf lanceert bewustmakingsacties voor iedereen om hun data-excellentiecultuur te verspreiden.

Zodra deze eerste uitdagingen zijn overwonnen, kan de organisatie als competent en volwassen genoeg worden beschouwd om de beste aanpak te bepalen om aan de slag te gaan en de eerste tastbare resultaten te behalen zonder al te veel investeringen vooraf.

Een van de eerste kernactiviteiten van het data governance-bureau is het structureren van data-activa in data-domeinen. Deze activiteit stelt het bedrijf in staat om:

Zodra de oefening is afgerond, is de volgende stap het toewijzen van eigenaren (zij zullen activiteiten prioriteren en doelstellingen vastleggen) en stewards (zij zullen kwaliteits- en documentatieroutines operationeel inzetten) aan elk domein. Wij hebben gemerkt dat succesvolle data governance modellen “gefedereerde” modellen zijn, met operationele activiteiten gedecentraliseerd in domeinen en een hoofd van data governance in een centraal data team om het momentum te stimuleren, activiteiten te coördineren en stewards en eigenaren te machtigen.

Volwassen organisaties zijn business-driven en bouwen hun data governance roadmap in nauwe relatie met hun data use cases roadmap. Ze brengen data domeinen in kaart met de strategische use cases van het bedrijf en geven prioriteit aan domeinen die veel use cases dienen. Een kritische succesfactor is om klein te beginnen en het tunneleffect te vermijden door twee of drie kritieke domeinen te identificeren met gemotiveerde eigenaren en beheerders, en de methodologie te verfijnen voordat deze in andere domeinen wordt ingezet.

Tools zijn belangrijk om data governance op de lange termijn te ondersteunen, maar data governance is bovenal een organisatorische kwestie. Als de organisatie niet overtuigd is van het belang van data governance, en als het besturingsmodel niet aanwezig is, zullen de tools niet worden aangenomen en zullen ze voor het bedrijf een verspilling van middelen en tijd zijn.

[UIT HET VELD #5] De IT-afdeling van een groot CAC 40-bedrijf zette bijvoorbeeld een contract op met Collibra zonder na te denken over het besturingsmodel dat nodig is om de implementatie van een dergelijk initiatief te ondersteunen. Ze kozen voor een IT-gestuurde aanpak door alle data-bases te screenen op het documenteren van data-schema's voor tabellen. Data stewards waren er niet om de bedrijfslaag toe te voegen aan het tabelschema. Het gebruik van de tool werd beperkt tot een paar IT-spelers en de ROI werd niet aangetoond. Twee jaar later besloot het data team om opnieuw een business-gedreven initiatief te starten met Collibra, dit keer door een roadmap te prioriteren op basis van de strategische use cases die ze wilden leveren en door een Collibra community rond de tool te creëren om het gebruik te stimuleren. De tool is verschoven van een eenvoudige documentatietool naar een data intelligence tool, ingebed in belangrijke data processen, en wordt nu op grote schaal gebruikt door data wetenschappers voor data discovery.

Benadering 1 heeft meestal de voorkeur van grote bedrijven die grote transformatieprogramma's hebben gelanceerd en grote problemen ondervinden bij het succesvol opleveren van hun data en AI-zaken. Het is ook het geval bij bedrijven die momenteel overgaan naar de cloud en voor wie de structurering van hun data assets binnen een nieuwe data platform op het spel staat. Deze holistische of end-to-end aanpak is ontworpen om een data domein van vloer tot plafond op te schonen door te werken aan de vier dimensies van data governance: kwaliteit, standaardisatie, toegankelijkheid en eigenaarschap.

[UIT HET VELD #6] Om de methodologie uit te leggen, gebruiken we het voorbeeld van een CPG-bedrijf dat een groot data-transformatieprogramma lanceerde. Het bedrijf maakte gebruik van de overgang naar cloud om hun data op te schonen en hun data assets te herstructureren in 18 data domeinen, die gemakkelijk te ontdekken en toegankelijk zijn voor eindgebruikers, met als doel het leveren van hoogwaardige AI use cases. Na het opzetten van een data governance kantoor om het initiatief te coördineren, implementeerden ze een uitgebreide methodologie om de data volwassenheid te beoordelen, data domein taxonomieën te definiëren en nieuwe data modellen te ontwikkelen op het Google Cloud platform, herbruikbaar voor vele use cases.

Een belangrijk aspect van zo'n groot data transformatieprogramma is het vermogen om de inspanningen op 18 data domeinen te coördineren. Het data governance bureau speelt een cruciale rol in het waarborgen van consistentie en het stellen van algemene prioriteiten tussen de data domeinen.

Aanpak twee is meer geschikt voor bedrijven die de waarde van data governance moeten bewijzen voordat ze grote programma's lanceren. In eerste instantie richten deze bedrijven zich op één specifiek pijnpunt dat ze met data governance willen oplossen. Soms worden deze initiatieven niet eens aangemerkt als “data governance”.

[#7] Enkele voorbeelden van pragmatische data governance initiatieven:

“Brongedreven” benadering: Een farmaceutisch bedrijf lanceerde een CRM data harmonisatie-initiatief om het probleem aan te pakken van de beperkte kwaliteit en harmonisatie van data vastgelegd door hun verkoopvertegenwoordigers in verschillende filialen. Aanleiding voor dit initiatief waren klachten van de centrale marketingteams, die niet in staat waren om vergelijkingen tussen filialen te maken of zicht te hebben op de algehele prestaties (voorbeeld: zes verschillende manieren om een cardioloog aan te wijzen in Veeva).
“Dashboard-gedreven” aanpak: een nutsbedrijf maakte gebruik van de Collibra Catalog om uit te leggen hoe de KPI's van zijn COMEX-dashboard werden berekend en om de hele organisatie op één lijn te krijgen over hoe deze strategische KPI's moesten worden berekend.
“Toegangsbeheer”Aanpak: in het kader van de overgang naar cloud heeft een van onze klanten het data governance-initiatief, dat twee jaar eerder was mislukt, nieuw leven ingeblazen door het toegankelijkheidsniveau van data te definiëren binnen hun nieuwe cloud-platform.
“Gebruik zaakgericht”aanpak: een grote CPG-speler besloot zijn uitverkochte data te standaardiseren om te voldoen aan de behoeften van een zeer kritische use case voor vraagplanning. Ze identificeerden de data objecten die nodig waren om de use cases te realiseren, selecteerden en kwalificeerden de data bronnen, en standaardiseerden hun data om één enkel data model te bouwen dat ze gebruikten om elke use case te ontwikkelen die deze data nodig had.
“Kwaliteitsgericht”Aanpak: een van onze klanten heeft een kwaliteitsbeoordelings- en herstelproces geïmplementeerd om de belangrijkste data kwaliteitsknelpunten te identificeren, deze te prioriteren in een data kwaliteitscommissie en de oplossing van de problemen met de technische teams te volgen.

Voordat we beginnen, is het belangrijk om te benadrukken dat, afgezien van pure spelers of de nieuwste bedrijven die rond data zijn ontworpen, relatief weinig bedrijven dit laatste stadium hebben bereikt, waarin data governance een automatisme is geworden.

Data governance wordt niet langer gezien als een tijdrovend transformatietraject dat veel inspanning vergt van belanghebbenden. Het is nu een vaardigheid die volledig is ingebed in het bedrijfsproces en iedereen die met data werkt, heeft er invloed op.

COMEX-leden de circulatie van data binnen het bedrijf vergemakkelijken. Ze vertrouwen op een eenduidig beeld van data (single source of truth) om alle strategische beslissingen te nemen en de bedrijfsprestaties te bewaken.

Bedrijfseigenaren erkennen dat data governance een belangrijke succesfactor is voor hun bedrijfstransformatie. Elk bedrijfsinitiatief bevat een data governance component “by design”.

Hoofden Engineering zijn de leiders van een domein-georiënteerd data platform. Zij zijn verantwoordelijk voor het bouwen van de gemeenschappelijke functionaliteiten van het platform, en voor het opstellen van wereldwijde standaarden om interoperabiliteit tussen domeinen te garanderen. De verantwoordelijkheid voor het leveren van kwalitatief hoogwaardige data producten aan use case teams is gedecentraliseerd in deze domeinontwikkelingsteamshet dichtst bij de data.

Om ervoor te zorgen dat data-producten kwalitatief zijn, vertrouwen domeinontwikkelingsteams opData stewards om een hoog niveau van data kwaliteit en beschikbaarheid te garanderen. Data steward is geen rol, het is een fulltime baan op het kruispunt tussen business, IT en data teams. Zij coördineren de inspanningen om data governance schulden in te halen en zorgen ervoor dat nieuwe diensten “by design” worden beheerd.

Use Case- en feature-teams die de data gebruiken, worden behandeld als klanten met rechten en plichten:

Hoewel de meeste actoren vandaag de dag nog steeds tussen de tweede en derde fase zweven, voelen ze allemaal de zakelijke urgentie om verder te gaan in dit leerproces.

Er zijn 3 belangrijke argumenten die deze urgentie rechtvaardigen. Ten eerste is data / AI-transformatie een belangrijke hefboom om ambitieuze doelen van nieuwe groeimotoren te bereiken en voorop te blijven lopen, en data transformatie is niet duurzaam zonder data governance. Ten tweede bevinden we ons in een snel veranderende wereld, waarin het verkrijgen van snelle toegang tot data en het snel analyseren en exploiteren ervan essentieel is om snel te kunnen reageren. En tot slot moeten bedrijven nieuwe talenten aantrekken die steeds meer bereid zijn om data-driven te zijn.

Een van de eerste uitdagingen voor elk bedrijf dat aan het begin van zijn data governance-traject staat, is om deze urgentie aan te tonen en interne belanghebbenden te overtuigen van de waarde van het concreet opstarten van een data governance-programma.

Medewerkers: Grote dank aan Justine Nerce, Killian Gaumont, Violaine Berland, Sophie Xu, Alexandra Coillard, Marc-Antoine Paing -. Artefact