Enterprise Data Management: nut en noodzaak

Inleiding

Onze digitale wereld hangt van informatie aan elkaar. Gegevens zijn overal. Waarom maken zoveel bedrijven, organisaties, analisten en adviseurs zich daar zo druk om?

Data zijn representaties van feiten. Door data in context te plaatsen wordt informatie gecreëerd. De afwezigheid van goed datamanagement betekent vaak automatisch dat management- en sturingsinformatie niet effectief zijn. Dit zal een organisatie op den duur zodanig verlammen, dat zij niet meer goed kan functioneren. De reden hiervoor is dat belangrijke besluiten te laat worden genomen doordat managementinformatie niet meer wordt vertrouwd. Verder gaat de afhandeling van bedrijfsprocessen op afdelingsniveau steeds meer tijd en inzet vergen, doordat de werkzaamheden van divisies niet goed op elkaar zijn afgestemd. Iedereen creëert en beheert in deze situatie alleen de gegevens nodig voor het uitvoeren van de eigen werkzaamheden en hanteert om die reden een eigen set van datadefinities. Omdat afdelingen elkaar onzorgvuldigheden gaan verwijten worden controlemaatregelen op elkaar gestapeld en stokt het bedrijfsproces nog meer, met een neerwaartse spiraal tot gevolg. Er is dus een dwingende bedrijfsmatige reden om datamanagement een zelfstandige en professionele plaats binnen organisaties te geven.

Daarnaast dwingt wet- en regelgeving ook tot het gestructureerd inrichten van datamanagement. Wetgeving in de financiële sector zoals Bazel en Solvency vereist dat een mechanisme voor datakwaliteit en herleidbaarheid van in rapporten gebruikte informatie is binnen de organisatie. Bazel II stelt in dit verband: “de bank moet beschikken over een proces voor het doorlichten van gegevensinputs in een statistisch model voor het voorspellen van wanbetalingen of verliezen, dat een beoordeling omvat van de nauwkeurigheid, volledigheid en geschiktheid van de gegevens die specifiek zijn voor de toekenning van een goedgekeurde rating”. Kwaliteit datamanagement is belangrijk om te kunnen voldoen aan deze eisen. Het correct vastleggen van data in de systemen is daarbij één van de meest tijdrovende onderdelen van een dergelijk programma. In een dergelijke situatie is het lastig om te voldoen aan externe eisen voortvloeiend uit wet- en regelgeving en aan afspraken gemaakt met leveranciers en klanten.

Enterprise Data Management is het geheel van activiteiten binnen organisaties dat zich richt op het op een gestructureerde wijze identificeren, classificeren, registreren, modelleren, ontsluiten, beveiligen, archiveren en vernietigen van gegevens. De term ‘enterprise’ geeft daarbij het organisatiebrede karakter weer van datamanagement.

Dat datamanagement zo’n cruciale rol speelt in de bedrijfsvoering wordt onderstreept door uitspraken van enkele organisatiebestuurders. Aloys Kregting, CIO van DSM en in 2011 gekozen tot CIO van het jaar, zegt daarover: ‘De CIO zou zich met name druk moeten maken over de waarde van informatie. Je moet heel goed weten welke mensen welke informatie wanneer nodig hebben, en dat bovendien faciliteren. Dat onderstreept nogmaals het belang van het reportingstuk en masterdatamanagement.Als tweede de CEO van een olie-exploratie – en productiebedrijf die zich realiseert dat goed datamanagement voor zijn bedrijf een volgende stap naar business excellence is en hem in staat stelt zich te onderscheiden van zijn concurrenten: ‘Continuous improvement efforts will now focus on taking advantage of these changes and uncover the hidden value they offer. This means driving simplified processes and strengthened data management to provide quicker and better-informed decision-making, greater responsiveness to customer needs, and less waste – all resulting in greater competitive performance.’

Data als een asset

Data zijn, zoals aangegeven, representaties van feiten. Op een bedrijfsomgeving geprojecteerd zijn het ‘feiten omtrent de bedrijfsvoering’. Zonder context of structuur hebben deze gegevens geen meerwaarde voor een onderneming. Zij missen inhoud en betekenis om echt van toegevoegde waarde te zijn voor het bedrijf. Wij maken hierbij een onderscheid tussen gestructureerde gegevens (opgeslagen en geordend in een database) en ongestructureerde gegevens (in de vorm van documenten, bestand, afbeelding, tekstbericht, formulier, video of geluidsopname die niet te vervatten zijn in rijen, kolommen of records).

Zonder aanvullende informatie is het moeilijk zo niet onmogelijk deze data te classificeren, te registreren en te ontsluiten. Op het moment dat wij aan deze data context toevoegen krijgen de data betekenis. We voegen dan een referentie toe, een datum en tijdstip, de betekenis van de boodschap, een formaat. De data krijgen daarmee structuur en worden informatie. Als we verschillende informatiebronnen met elkaar in verband brengen, door het maken van relaties en het identificeren van patronen, dan verwordt informatie tot kennis. Dit is ook de toegevoegde waarde van business intelligence (BI): het verbinden van verschillende informatie-eenheden in een organisatie ten behoeve van de besluitvorming door de leiding van het bedrijf. Zie hiervoor ook figuur 1.

Figuur 1. Waarde van data in context gebracht.

Organisaties die het best in staat zijn hun gegevens te structureren tot betekenisvolle informatie en deze informatie op een logische manier weten te ontsluiten voor de kenniswerkers binnen het bedrijf, zullen beter in staat zijn hun concurrenten de baas te blijven. Het benutten van de inherente commerciële kracht van deze data zal bedrijven en organisaties een strategische voorsprong geven op hun concurrenten. Eric Schmidt, toenmalig CEO van Google, zei in 2010: ‘Ik geloof niet dat de samenleving begrijpt wat er gebeurt als alles beschikbaar, kenbaar en vastgelegd is door iedereen de hele tijd.’En Gartner stelt:’ in de private sector schatten we bijvoorbeeld dat een retailer die volledig gebruik maakt van big data het potentieel heeft om zijn operationele marge met meer dan 60% te verhogen.”()

Maar het gaat niet alleen om het goed structureren en ontsluiten. Een aantal jaren was de overheersende gedachte dat BI het probleem van goede managementinformatie zou oplossen. Alle grote bedrijven en instellingen in de wereld hebben kostbare BI-programma’s uitgevoerd en dure applicaties geïmplementeerd. Toch is de bedrijfsleiding niet tevreden. BI ontsluit niet alle bedrijfsgegevens, het richt zich in de praktijk vooral op gestructureerde data, waarbij onvoldoende aandacht bestaat voor de waarde van ongestructureerde gegevens. Rapportages kunnen bovendien niet makkelijk worden aangepast, waardoor ze vaak niet voldoende gericht zijn op de bedrijfsbehoeften op een bepaald moment. KPMG stelt op basis van onderzoek: “Enorme investeringen in IT garanderen niet noodzakelijkerwijs betere informatie. Belangrijker is het fundamenteel veranderen van de manier waarop gegevens worden verzameld, verwerkt en gepresenteerd.”()

Gestructureerde data die door een datawarehouse worden gesloten, zijn waard als de kwaliteit van die data niet goed is. Niet-gestructureerde gegevens (ca. 85% van alle bedrijfsgegevens) kunnen niet via een datawarehouse worden gesloten. De vraag is dan hoe je deze data ‘goed’ krijgt en wat goed datamanagement voor ongestructureerde gegevens is. Goed betekent in deze context in overeenstemming met de kwaliteitseisen die daaraan door de organisatie worden gesteld. Het is duidelijk dat goede data niet iets is wat vanzelf ontstaat. Er is een beheerkader nodig. Het beheerkader omvat activiteiten die een bedrijf logisch en zorgvuldig moet ordenen en beleggen in de organisatie. Dit is datamanagement en omvat alle activiteiten binnen organisaties gericht op de bedrijfsvoering om gegevens op een gestructureerde wijze te identificeren, classificeren, registreren, modelleren, ontsluiten, beveiligen, archiveren en te vernietigen. We hanteren hiervoor de term Enterprise Data Management (EDM), omdat het activiteiten betreft die bedrijfsbreed over organisaties worden uitgevoerd.

Het besef dat het goed beheren van gegevens waarde kan toevoegen aan bedrijfsactiviteiten en het bedrijfsresultaat bracht analisten en adviseurs ertoe om data op gelijke hoogte te stellen met andere bedrijfsmiddelen, zoals grond, gebouwen en het machinepark. In dit verband worden data ook wel omschreven als een bedrijfsasset. Assets moeten goed worden beheerd: goed onderhouden, goed beveiligd, er moet een eigenaar zijn die toezicht houdt en een asset moet ook tijdig worden vervangen. Net als andere assets kunnen data ook worden verkocht. Er kan waarde aan worden ontleend. Denk maar aan adresbestanden die zowel voor bonafide als voor malafide bedrijven een zekere waarde vertegenwoordigen.

Leiders van toonaangevende bedrijven in de wereld realiseren zich dit terdege. Op hun actielijst prijken prominent datagerelateerde programma’s. The Hackett Group stelt: ‘Wat bedrijven erkennen is dat ze veel geld hebben gegooid naar de applicaties, maar zonder standaardisatie en reiniging van hun gegevens krijgen ze nog steeds informatie die nergens op slaat. Ze hebben bedrijven die verschillende definities gebruiken, die metrics anders berekenen, die verschillende hiërarchieën gebruiken. Dit hele concept van master data management is absoluut cruciaal voor bedrijven om uiteindelijk tot het punt te komen waar ze predictive analytics hebben.’. De businesscase om master data management (MDM) programma ‘ s te starten lijkt evident: ‘In 2013 zal MDM de gegevensredundantie van organisaties verminderen, wat 80% van de kosten voor het beheer van redundante gegevens kan besparen’. ()

Modellen voor Enterprise Data Management

over het beheersen van data wordt al tijden nagedacht en er zijn dan ook modellen en methoden te over, die allemaal claimen het beste antwoord voor de inrichting van Enterprise Data Management te hebben. De International Organization for Standardization, beter bekend als ISO, kent talloze standaarden die elk op zich weer een deelaspect van het spectrum van data behandelen. Zo gaat ISO 27001 in op de beveiliging van informatie. ISO 15489 is de norm die wordt gehanteerd voor het management van informatie vanuit een archiveringsperspectief. ISO 23081 is de standaard voor metadata. Verder kan men ISO 19005 gebruiken als richtlijn voor de verschijningsvorm van data. Standaarden in overvloed. Andere kaders als COSO en raamwerken als Cobit en ISF spreken over het belang van data in een bredere zin, maar alleen vanuit het risicoperspectief.

Data Management Body of Knowledge

Een meer compleet model lijkt dat van DAMA-DMBOK te zijn. Het omvat een verzameling van ‘best practices’ op het terrein van datamanagement, die over meerdere jaren zijn aangevuld met nieuwe inzichten uit de praktijk. De DAMA-DMBOK Guide (voluit: Data Management Body of Knowledge) is een uitgave van de Data Management Association, een internationale organisatie die zich richt op datamanagers en dataprofessionals voor het verspreiden van kennis rondom datamanagement.

Het DMBOK onderscheidt tien verschillende datafuncties. Deze functies zijn weergegeven in figuur 2. Data governance is de functie die de andere domeinen met elkaar verbindt. Voor elk van de domeinen dient rekening gehouden te worden met omgevingsfactoren, zoals de huidige werkwijze en procedures, de gebruikte techniek en organisatiecultuur.

Figuur 2. Datadomeinen volgens DAMA ().

DAMA kent echter ook zijn zwakke punten. Bijvoorbeeld: het feit dat de benoemde functies slechts op hoofdlijnen naar elkaar verwijzen, zodat een gebruiker niet altijd de relatie tussen de functies ziet en daarmee het bredere belang. Verder lijkt DAMA zich vooralsnog op traditionele, gestructureerde data te richten. Er wordt bijvoorbeeld nog weinig over het belang van content uit sociale media gesproken. Data security binnen DAMA is vooral toegespitst op de technische bescherming van gegevens. Daarnaast is ook het verschil in hoe generaties omgaan met data nog niet expliciet als relevante factor meegenomen (omgevingsfactor). Tot slot, en dat is misschien wel het grootste bezwaar, is het vooral een conceptueel denkkader. Het mist praktische voorbeelden om begrippen en termen voldoende duidelijk te maken aan de lezer. Dat levert het risico op van inconsistente interpretatie. Hoe het framework dient te worden geïmplementeerd wordt ook niet duidelijk. Dat staat juist haaks op de primaire doelstelling van een body of knowledge. Dat zou namelijk moeten beogen dat het gebruik ervan consistentie in de toepassing van datamanagement bevordert.

KPMG Enterprise Data Management model

De hiervoor vermelde modellen bevatten belangrijke elementen die bij het realiseren van een professionele datamanagementorganisatie in acht moeten worden genomen. Voor het operationaliseren van datamanagement is echter nog een aantal andere aspecten van belang, die niet door deze modellen worden afgedekt.

Ten eerste betreft dit het feit dat data worden uitgewisseld tussen systemen zowel binnen de organisatie als tussen de organisatie en derden. Datamanagement hoort dan zorg te dragen voor goede afspraken over het formaat waarin data worden aangeleverd, de validatie op de kwaliteit van de aangeleverde data, mogelijke verrijkingsslagen voordat de data verder worden verwerkt en eventuele procedures indien fouten optreden in het proces. Deze activiteiten groeperen wij onder de termen ‘acquisition and authoring’ en ‘distribution’.

Verder dient EDM er ook voor te zorgen dat het EDM-bouwwerk als geheel kan worden onderhouden. De organisatie moet beschikken over processen voor het vastleggen van bewijsstukken en problemen die tijdens de operationele uitvoering van EDM-activiteiten worden geïdentificeerd. Dat die worden besproken in de EDM-governance overlegorganen en dat die tot aanpassing van bestaande procedures en technieken leiden. Daarbij kan gedacht worden aan een situatie dat het data quality dashboard dat binnen een organisatie wordt gebruikt, moet worden aangepast omdat de organisatie een nieuw dataobject wil monitoren. Er behoort dan een ‘change process’ te zijn dat besluitvorming over deze wijziging voorbereidt en na het besluit de wijziging doorvoert in het dashboard.

Tot slot dienen alle door een organisatie uitgevoerde EDM-activiteiten op effectiviteit en efficiency te worden beoordeeld. Net als de primaire processen binnen een organisatie geldt ook voor EDM dat er een ‘plan, do, check, act’-mechanisme hoort te zijn waarmee kan worden nagegaan of de uitvoering van de EDM-activiteiten in overeenstemming is met de afspraken die daarover zijn gemaakt. ‘Proces monitoring’ maakt dit mogelijk en stelt de EDM-organisatie in staat eventuele afwijkingen zelfstandig te identificeren en corrigerende maatregelen te nemen.

Een en ander vertaalt zich in het KPMG EDM-model dat in figuur 3 is weergegeven.

Figuur 3. KPMG Enterprise Data Management model.

Hieronder volgt een korte beschrijving van de belangrijkste elementen in het model.

• Data Governance richt zich op het (aan)sturen van datamanagementactiviteiten. Zaken als strategie, beleid, rollen, taken en verantwoordelijkheden vallen hieronder.
• Data Architectuur gaat om het vaststellen en vastleggen van de dataobjecten en datastructuren binnen een organisatie in datamodellen. Deze vormen de basis voor informatieanalyse en proces- en systeembouw.
• Master Data Management betreft het borgen van de kwaliteit van master- en referentiedata. Het uiteindelijke doel is unieke (‘golden’) records te creëren.
• Data Warehousing is de activiteit die zorgt voor het definiëren van de architectuur van het opslaan van data in relationele databases.
• Business Intelligence zorgt voor het ontsluiten van data die in datawarehouses zijn opgenomen zodanig dat zij informatie leveren voor de organisatieleiding, op basis waarvan zij besluiten kan nemen.
• Data Quality Management betreft het op gestructureerde wijze vastleggen van kwaliteitscriteria, het analyseren van de feitelijke datakwaliteit en het rapporteren daarover.
• Content Management richt zich op het classificeren van data, het structureren van documentstromen en het ontsluiten daarvan.
• Archivering richt zich op het verplaatsen van niet actief gebruikte data naar andere omgevingen.
• Onder de Governance Operations is Metadata de informatie over datamanagementelementen, zoals technische en functionele beschrijvingen van dataobjecten en datamodellen. Database Management richt zich op het operationele technisch beheer van databases. Data Security richt zich op het beveiligen van data tegen onverwachte inbraken op die data. Identity Management tot slot regelt de toegang tot data.

Voor een meer gedetailleerde beschrijving van een aantal van deze elementen van EDM verwijzen wij u naar de afzonderlijke bijdragen over EDM-elementen die in deze Compact zijn opgenomen.

EDM vanuit organisatieperspectief

Rest ons in dit artikel nog het antwoord op de vraag hoe het EDM-model praktisch gezien kan worden geïmplementeerd.

Als men de verschillende onderdelen van EDM doorloopt zoals die door ons in figuur 3 zijn opgenomen en op zich laat inwerken, dan zal al snel de indruk ontstaan dat er weinig logische ordening in deze onderdelen aanwezig is. Figuur 3 laat zien dat er niet een voorgestelde prioritering is of fasering van opbouw en implementatie van de elementen. Duidelijk is wel dat data governance alle andere elementen verbindt. Daarmee willen we aangeven dat er geen ordening tussen de domeinen is en dat de volgorde waarin de onderdelen van EDM worden behandeld willekeurig van aard is. Een uitzondering betreft data governance. De schakel die data governance is tussen alle andere onderdelen van EDM geeft goed weer dat eigenlijk geen enkele datamanagementactiviteit succesvol kan worden ontwikkeld en geïmplementeerd als er geen data governance is binnen organisaties.

Data governance legt het fundament voor alle datamanagementactiviteiten. Zonder het fundament zijn het losse bouwstenen die zonder structuur en verbinding min of meer in het luchtledige hangen. Het kan ertoe leiden dat BI-oplossingen worden aangeschaft en geïmplementeerd, terwijl er onvoldoende datastandaarden of datadefinities zijn, dan wel dat de datakwaliteit die nodig is om tot betrouwbare managementinformatie te komen te wensen overlaat. Het kan eraan bijdragen dat systemen worden ontworpen en aangeschaft die niet aansluiten op andere systemen, omdat er geen overkoepelend enterprise datamodel is dat als basis dient voor alle systeemontwikkeling. Het kan er tot slot toe leiden dat een organisatie actief gebruikmaakt van de sporen die internetgebruikers op websites achterlaten, zonder rekening te houden met privacyregels, hetgeen tot imagoschade en aansprakelijkheid leidt.

Data governance zorgt ervoor dat er een bedrijfsbrede visie en strategie voor datamanagement bestaat, die door de leiding van het bedrijf gedragen wordt. De visie vertelt ons wat we willen bereiken. De strategie hoe wij dat gaan bereiken. Zij geven als het ware de ambitie van de organisatie weer. Alle datagerelateerde activiteiten dienen te passen binnen deze visie en strategie zorgt voor consistentie van deze activiteiten. De strategie dicteert ook de scope van datamanagement binnen een organisatie. Niettegenstaande het overkoepelende DAMA-model kunnen organisaties ervoor kiezen bepaalde zaken buiten beschouwing te laten, omdat ze wellicht al decentraal worden ingevuld. Een veelvoorkomend fenomeen is bijvoorbeeld dat HR haar eigen datamanagementorganisatie creëert en maar beperkt gebruikmaakt van de richtlijnen en standaarden die de centrale datamanagementorganisatie heeft ontwikkeld.

Data governance zorgt ook voor aandacht voor het opstellen van beleidsregels. Denk daarbij aan een informatiebeveiligingsbeleid, beleidsregels omtrent de gegevensarchitectuur, archivering en datakwaliteit. Verder zorgt data governance voor de organisatorische inbedding van datamanagement: wie is er uiteindelijk verantwoordelijk, waar en hoe worden besluiten genomen over strategie, beleid, standaarden, rollen, eigenaarschap. Bijvoorbeeld: hoe en wanneer wordt er gerapporteerd over datamanagementactiviteiten binnen de organisatie? Op welke manier organiseren wij de uitvoering van masterdataonderhoudsactiviteiten?

Het moge aan de hand van deze uitwerking duidelijk zijn dat data governance de basis is voor goed datamanagement. In welke fase van volwassenheid organisaties ook verkeren, het loont altijd om de kwaliteit van data governance tegen het licht te houden en na te gaan of de invulling daarvan voldoet.

Stel dat een organisatie data governance op orde heeft. Zijn er dan handvatten of best practices die duidelijk maken welke van de andere datamanagementonderdelen qua prioritering voor optimalisatie in aanmerking komen? Eigenlijk is dat niet het geval. Dat wil zeggen dat onze ervaring zegt dat dit afhankelijk is van de prioriteiten die uit de agenda van de organisatie zelf voortvloeien.

Stel een organisatie besluit een legacy-informatiesysteem door een nieuw ERP-systeem te vervangen. Men zou zich dan de vraag kunnen stellen welke impact dit heeft op datamanagement. Wat heeft dan de hoogste prioriteit? Dit kan ertoe leiden dat als gevolg van de noodzakelijke datamigratie ‘Data Quality Management’ prioriteit krijgt. Dat vervuilde data worden geschoond, de metadatadocumentatie wordt aangepakt en het masterdatamanagement wordt verbeterd. De implementatie van een data-integratietoepassing kan er bijvoorbeeld toe leiden dat het data-architectuurmodel wordt geactualiseerd en dat een datakwaliteittoepassing wordt geselecteerd en geïmplementeerd om data te schonen en te verrijken voordat deze met andere platformen wordt uitgewisseld.

Figuur 4. Relatie tussen bedrijfsmodel en EDM.

Concluderend zijn wij van mening dat vanuit de data governance-basis, afhankelijk van de businessagenda van de organisatie, die datamanagementactiviteiten moeten worden opgepakt die op dat moment de meeste toegevoegde waarde leveren bij het realiseren van die agenda. Een en ander is weergegeven in figuur 4. Vanuit visie en strategie wordt het bedrijfsmodel gerealiseerd dat nodig is om de in de visie en strategie neergelegde doelstellingen te realiseren. Dit bedrijfsmodel stelt eisen aan de primaire en ondersteunende processen. Om deze processen te kunnen laten functioneren zijn middelen nodig. Deze kunnen nader worden onderverdeeld in menskracht, data en IT-middelen. Wat en hoeveel in een bepaald geval aan de datakant nodig is wordt bepaald door de bedrijfsagenda. EDM biedt handvatten voor de wijze waarop dit moet worden georganiseerd. Dat is maatwerk en laat zich niet vangen in een vast patroon van datamanagementactiviteiten.

Conclusie

In deze bijdrage hebben wij een uiteenzetting gegeven over EDM als aanpak voor het beheren van alle data die een organisatie voortbrengt. Een goede invulling hiervan zorgt ervoor dat deze data voldoen aan de kwaliteitseisen die organisaties daaraan stellen. Het zorgt ervoor dat data die nodig zijn om processen uit te voeren en het management gefundeerde beslissingen te laten nemen juist, volledig en tijdig beschikbaar zijn. Daarmee is data een ‘asset’ die net als alle andere bedrijfsassets moet worden beheerd. Wij hebben verder invulling gegeven aan de samenstellende delen van EDM. Daarmee is een raamwerk van beheeractiviteiten ontstaan die het fundament vormen voor het borgen van datakwaliteit. Tot slot hebben wij betoogd dat het implementeren van die samenstellende delen niet volgens een vast stramien kan plaatsvinden. Het is de bedrijfsstrategie en prioritering die in de operationalisatie bepaalt welke van de onderdelen van EDM worden opgepakt en geoptimaliseerd. Een cruciale plaats daarin vervult data governance, die zorgt voor een bedrijfsbrede en door het management gedragen visie en strategie voor EDM.