Enterprise Data Management: utility and necessity

introduktion

vår digitala värld beror på information. Data finns överallt. Varför är så många företag, organisationer, analytiker och konsulter så oroliga för detta?

Data är representationer av fakta. Genom att placera data i sammanhang skapas information. Frånvaron av god datahantering innebär ofta automatiskt att hanterings-och kontrollinformation är ineffektiv. På lång sikt kommer detta att förlama en organisation i en sådan utsträckning att den inte längre kan fungera korrekt. Anledningen till detta är att viktiga beslut fattas för sent eftersom ledningsinformation inte längre är betrodd. Dessutom kommer hanteringen av affärsprocesser på avdelningsnivå att kräva mer och mer tid och ansträngning, eftersom divisionernas verksamhet inte är väl samordnad. I den här situationen skapar och hanterar alla bara de data som behövs för att utföra sitt eget arbete och använder därför sin egen uppsättning datadefinitioner. Eftersom avdelningar skyller på varandra för vårdslöshet staplas kontrollåtgärder ovanpå varandra och affärsprocessen är ännu mer stoked, vilket resulterar i en nedåtgående spiral. Således finns det en övertygande affärsskäl att ge datahantering en oberoende och professionell plats inom organisationer.

dessutom tvingar lagar och förordningar också strukturerad datahantering. Wetgeving i de financiële sektorn zoals Basel sv Solvens vereist dat een mechanisme voor datakwaliteit sv herleidbaarheid van i rapportages gebruikte informatie geborgd är binnen de organisatie. Basel II: banken måste ha infört en process för kontroll av dataingångar i en statistisk standard-eller förlustprognosmodell som innefattar en bedömning av riktigheten, fullständigheten och lämpligheten hos de uppgifter som är specifika för tilldelningen av en godkänd kreditvärdighet. Det finns många olika typer av tjänster. Korrekt inspelning av data i systemen är en av de mest tidskrävande delarna av ett sådant program. I en sådan situation är det svårt att uppfylla externa krav som följer av lagar och förordningar och avtal med leverantörer och kunder.

Enterprise Data Management är en uppsättning aktiviteter inom organisationer som fokuserar på att identifiera, klassificera, registrera, modellera, låsa upp, säkra, arkivera och förstöra data på ett strukturerat sätt. Begreppet företag återspeglar datahanteringens organisationsomfattande karaktär.

det faktum att datahantering spelar en så avgörande roll i affärsverksamheten understryks av uttalanden från vissa organisationschefer. Aloys Kregting, CIO för DSM och vald Årets CIO 2011, säger: “CIO bör vara särskilt bekymrad över värdet av information. Du måste veta mycket väl vilka människor behöver vilken information när, och också underlätta det. Detta understryker än en gång vikten av rapporten och Master Data Management.’

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 är en hem i staat stelt zich te onderscheiden van zijn concurrentten: ‘kontinuerliga förbättringsinsatser kommer nu att fokusera på att dra nytta av dessa förändringar och avslöja det dolda värdet de erbjuder. Detta innebär att man driver förenklade processer och stärkt datahantering för att ge snabbare och bättre informerade beslutsfattande, större lyhördhet för kundernas behov och mindre avfall-allt vilket resulterar i större konkurrenskraft.’

Data som en tillgång

Data är, som angivet, representationer av fakta. Projiceras på en affärsmiljö är ‘fakta om verksamheten’. Utan sammanhang eller struktur har dessa data inget mervärde för ett företag. De saknar innehåll och mening för att verkligen ge mervärde till företaget. Vi skiljer mellan strukturerad data (lagrad och beställd i en databas) och ostrukturerad data (i form av dokument, fil, bild, textmeddelande, form, video eller ljudinspelning som inte kan finnas i rader, kolumner eller poster).

utan ytterligare information är det svårt om inte omöjligt att klassificera, registrera och få tillgång till dessa data. I det ögonblick vi lägger till sammanhang till dessa data blir uppgifterna meningsfulla. Vi lägger sedan till en referens, ett datum och tid, meningen med meddelandet, Ett format. Detta ger datastrukturen och blir information. Om vi relaterar olika informationskällor till varandra, genom att skapa relationer och identifiera mönster, blir information kunskap. Detta är också mervärdet av business intelligence (BI): att ansluta olika informationsenheter i en organisation i syfte att fatta beslut av företagets ledning. Se även figur 1.

Figur 1. Sätt värdet på data i sitt sammanhang.

organisationer som bäst kan strukturera sina data till meningsfull information och göra denna information logiskt tillgänglig för kunskapsarbetarna inom företaget kommer bättre att kunna dominera sina konkurrenter. Att utnyttja den inneboende kommersiella kraften i dessa data kommer att ge företag och organisationer en strategisk fördel gentemot sina konkurrenter. Eric Schmidt, då VD för Google, sa 2010: Jag tror inte att samhället förstår vad som händer när allt är tillgängligt, kunnigt och inspelat av alla hela tiden.’En Gartner stelt:’ i den privata sektorn uppskattar vi till exempel att en återförsäljare som använder big data till fullo har potential att öka sin rörelsemarginal med mer än 60%.'()

Maar het gaat niet alleen om het goed structureren en ontsluiten. Ett exempel på detta är att ge råd om hur man ska hantera information om hur man ska gå tillväga. Alla stora företag och institutioner i världen har kört dyra BI-program och implementerat dyra applikationer. Ändå är företagsledningen inte nöjd. BI låser inte upp all affärsdata, i praktiken fokuserar den främst på strukturerad data, med otillräcklig uppmärksamhet åt värdet av ostrukturerad data. Dessutom kan rapporter inte lätt anpassas, så de är ofta inte tillräckligt fokuserade på företagets behov vid en given tidpunkt. KPMG, baserat på forskning: Stora investeringar i IT garanterar inte nödvändigtvis bättre information. Det som är viktigare är att i grunden förändra hur data samlas in, bearbetas och presenteras.'()

Gestructureerde data dör dörren en datawarehouse worden ontsloten, zijn waardeloos als de kwaliteit van die data niet goed är. Ongestructureerde gegevens (ca. 85% av alla bedrijfsgegevens) kunnen niet via en datawarehouse worden ontsloten. De vraag är dan hoe je deze data ‘goed’ krijgt en vad goed datamanagement för ongestructureerde gegevens är. I detta sammanhang betyder bra i enlighet med de kvalitetskrav som organisationen ställer för det. Det är uppenbart att bra data inte är något som kommer naturligt. En förvaltningsram behövs. Ledningsramen innehåller aktiviteter som ett företag logiskt och noggrant måste organisera och investera i organisationen. Detta är datahantering och inkluderar alla aktiviteter inom organisationer som syftar till affärsverksamhet för att identifiera, klassificera, registrera, modellera, komma åt, säkra, arkivera och förstöra data på ett strukturerat sätt. Vi använder termen Enterprise Data Management (EDM) för detta, eftersom det gäller aktiviteter som utförs hela företaget över organisationer.

insikten att hantering av data väl kan ge mervärde till affärsverksamheten och bottenlinjen ledde analytiker och konsulter att jämföra data med andra affärstillgångar, såsom mark, byggnader och maskiner. I detta sammanhang beskrivs data också som en affärstillgång. Tillgångar måste hanteras väl: väl underhållen, väl säkrad, det måste finnas en ägare som övervakar och en tillgång måste också bytas ut i tid. Liksom andra tillgångar kan data också säljas. Värdet kan härledas från det. Tänk bara på adressfiler som representerar ett visst värde för både bona fide och oseriösa företag.

ledare för ledande företag i världen är väl medvetna om detta. Datarelaterade program har en framträdande plats på sin åtgärdslista. Hackett Group säger: – Vad företag inser är att de har kastat mycket pengar på applikationerna men utan att standardisera och rensa sina data får de fortfarande information som inte är meningsfull. De har företag som använder olika definitioner, som beräknar mätvärden annorlunda, som använder olika hierarkier. Hela konceptet med master data management är absolut avgörande för att företag så småningom ska kunna komma till den punkt där de har prediktiv analys.’. De Business Case om Master data management (MDM) program för att starta lijkt uppenbar: År 2013 kommer MDM att minska organisationernas dataredundans, vilket kan spara 80% av kostnaderna för hantering av redundanta data. ()

Modellen för hantering av företagsdata

över innehållet i dataord som används för att beskriva och beskriva modeller och metoder för hantering av företagsdata. Den internationella organisationen för standardisering, bättre bekend als ISO, kent talloze standaarden die elk op zich weer en deelaspect van het spektrum van data behandlaren. Till exempel adresserar ISO 27001 informationssäkerheten. ISO 15489 är den standard som används för hantering av information ur ett arkiveringsperspektiv. ISO 23081 är standarden för metadata. Dessutom kan ISO 19005 användas som riktlinje för utseendet av data. Standarder finns i överflöd. Andra ramverk som COSO och ramverk som Cobit och ISF talar om vikten av data i bredare mening, men bara ur ett riskperspektiv.

Data Management Body of Knowledge

en mer komplett modell verkar vara den för DAMA-DMBOK. Den innehåller en samling av ‘best practices’ inom datahantering, som har kompletterats under flera år med nya insikter från praktiken. DAMA-DMBOK-guiden (Full: Data Management Body of Knowledge) är en publikation av Data Management Association, en internationell organisation som fokuserar på datahanterare och dataproffs för att sprida kunskap om datahantering.

DMBOK skiljer tio olika datafunktioner. Dessa funktioner visas i Figur 2. Datastyrning är den funktion som förbinder de andra domänerna. För var och en av domänerna måste miljöfaktorer beaktas, såsom nuvarande arbetsmetoder och procedurer, den teknik som används och organisationskulturen.

Figur 2. Data domäner enligt DAMA ().Men

DAMA vet också sina svagheter. Till exempel: det faktum att de namngivna funktionerna endast hänvisar till varandra i breda termer, så att en användare inte alltid ser förhållandet mellan funktionerna och därmed den bredare betydelsen. Dessutom verkar DAMA fokusera på traditionella, strukturerade data för närvarande. Till exempel talas det fortfarande lite om vikten av innehåll på sociala medier. Datasäkerhet inom DAMA är främst inriktat på tekniskt skydd av data. Dessutom har skillnaden i hur generationer hanterar data ännu inte uttryckligen inkluderats som en relevant faktor (miljöfaktor). Slutligen, och det är kanske den största invändningen, är det framför allt en konceptuell ram. Det saknar praktiska exempel för att göra begrepp och termer tillräckligt tydliga för läsaren. Det finns risk för inkonsekvent Tolkning. Hur ramverket ska genomföras är inte heller klart. Detta strider mot det primära målet för en kunskap. Detta bör syfta till att säkerställa att användningen av dem främjar enhetlighet i tillämpningen av datahantering.

KPMG Enterprise Data Management model

ovanstående modeller innehåller viktiga element som måste beaktas när man realiserar en professionell datahanteringsorganisation. För operationalisering av datahantering är emellertid ett antal andra aspekter viktiga, som inte omfattas av dessa modeller.

för det första gäller detta det faktum att data utbyts mellan system både inom organisationen och mellan organisationen och tredje part. Datahantering bör sedan säkerställa goda avtal om formatet i vilket data tillhandahålls, validering av kvaliteten på de tillhandahållna uppgifterna, möjliga anrikningssteg innan uppgifterna behandlas vidare och eventuella förfaranden om fel uppstår i processen. Vi grupperar dessa aktiviteter under termerna ‘ förvärv och författande ‘och’distribution’.

dessutom måste EDM också säkerställa att EDM-strukturen som helhet kan bibehållas. Organisationen bör ha processer för registrering av dokumentation och problem som identifierats under det operativa genomförandet av EDM-aktiviteter. Att dessa diskuteras i SAMRÅDSORGANEN för styrning av EDM och att de leder till anpassning av befintliga förfaranden och tekniker. Detta kan ses som en situation där datakvalitetspanelen som används inom en organisation måste anpassas eftersom organisationen vill övervaka ett nytt dataobjekt. Det bör då finnas en’ förändringsprocess ‘ som förbereder beslutsfattandet om denna förändring och genomför förändringen i instrumentpanelen efter beslutet.

slutligen bör alla EDM-aktiviteter som utförs av en organisation bedömas för effektivitet och effektivitet. Precis som de primära processerna inom en organisation bör EDM ha en ‘plan, gör, kontrollera, agera’ mekanism som kan användas för att kontrollera om genomförandet av EDM-aktiviteterna överensstämmer med de avtal som har gjorts om det. Processövervakning gör detta möjligt och gör det möjligt för EDM-organisationen att självständigt identifiera eventuella avvikelser och vidta korrigerande åtgärder.

detta översätts till KPMG EDM-modellen som visas i Figur 3.

Figur 3. KPMG Enterprise data Management modell.

nedan följer en kort beskrivning av nyckelelementen i modellen.

• data Governance fokuserar på (styra)datahanteringsaktiviteter. Frågor som strategi, politik, Roller, uppgifter och ansvarsområden omfattas.
• dataarkitektur handlar om att etablera och registrera dataobjekt och datastrukturer inom en organisation i datamodeller. Dessa utgör grunden för informationsanalys och process-och systemkonstruktion.
• Master Data Management handlar om att säkerställa kvaliteten på master-och referensdata. Det ultimata målet är att skapa unika (‘gyllene’) poster.
• datalagring är den aktivitet som ger för att definiera arkitekturen för lagring av data i relationsdatabaser.
• Business Intelligence ansvarar för att låsa upp data i datalager på ett sådant sätt att det ger information för organisationens ledning, på grundval av vilken den kan fatta beslut.
• Datakvalitetshantering innefattar strukturerad definition av kvalitetskriterier, analys av den faktiska datakvaliteten och rapportering av dessa.
• Content Management fokuserar på att klassificera data, strukturera dokumentflöden och göra dem tillgängliga.
• arkivering fokuserar på att flytta inaktiva data till andra miljöer.
• på Styrningsoperationer är metadata de informatie över datamanagementelementet, zoals technische en functionele beschrijvingen van dataobjecten en datamodellen. Databashantering richt zich op het operationele technisch beheer van databaser. Datasäkerhet är inte särskilt viktigt när det gäller data som används för att skapa nya data. Identitetshantering tot slits regelt de toegang tot uppgifter.

för en mer detaljerad beskrivning av några av dessa element i EDM, se de enskilda bidragen om EDM-element som ingår i denna kompakt.

EDM ur ett organisationsperspektiv

i den här artikeln har vi fortfarande Svaret på frågan om hur EDM-modellen kan implementeras praktiskt.

om du går igenom de olika delarna av EDM som visas i Figur 3 och låter dem agera på sig själva, kommer intrycket snabbt att uppstå att det finns liten logisk ordning i dessa delar. Figur 3 visar att det inte finns någon föreslagen prioritering eller fasning av konstruktion och implementering av elementen. Det är uppenbart att datastyrning förbinder alla andra element. Med detta vill vi ange att det inte finns någon beställning mellan domänerna och att den ordning i vilken delarna av EDM behandlas är godtycklig. Ett undantag är datastyrning. Länken som datastyrning är mellan alla andra delar av EDM återspeglar väl att faktiskt ingen datahanteringsaktivitet kan utvecklas och implementeras framgångsrikt om det inte finns någon datastyrning inom organisationer.

datastyrning lägger grunden för alla datahanteringsaktiviteter. Utan grunden är de lösa byggstenar som hänger mer eller mindre i tomrummet utan struktur och anslutning. Det kan leda till att BI-lösningar köps och implementeras medan det inte finns tillräckliga datastandarder eller datadefinitioner, eller att datakvaliteten som behövs för att komma fram till tillförlitlig hanteringsinformation lämnar mycket att önska. Det kan bidra till design och inköp av system som inte ansluter till andra system, eftersom det inte finns någon övergripande företagsdatamodell som fungerar som grund för all systemutveckling. Slutligen kan det leda till att en organisation aktivt använder spåren som internetanvändare lämnar på webbplatser, utan hänsyn till sekretessregler, vilket leder till skada på bilden och ansvaret.

datastyrning säkerställer att det finns en företagsövergripande vision och strategi för datahantering, som stöds av företagets ledning. Visionen berättar vad vi vill uppnå. Strategin för hur man ska uppnå detta. De återspeglar som sagt organisationens ambition. Alla datarelaterade aktiviteter måste passa in i denna vision och strategin säkerställer konsekvens i dessa aktiviteter. Strategin dikterar också omfattningen av datahantering inom en organisation. Trots den övergripande DAMA-modellen kan organisationer välja att lämna vissa frågor utan hänsyn, eftersom de redan kan fyllas i decentraliserat. Ett vanligt fenomen är till exempel att HR skapar en egen datahanteringsorganisation och i begränsad utsträckning använder sig av de riktlinjer och standarder som den centrala datahanteringsorganisationen har utvecklat.

datastyrning säkerställer också uppmärksamhet vid utarbetandet av policyregler. Detta inkluderar en informationssäkerhetspolicy, policyer för dataarkitektur, arkivering och datakvalitet. Dessutom säkerställer datastyrning organisatorisk inbäddning av datahantering: vem är ytterst ansvarig, var och hur fattas beslut om strategi, politik, standarder, Roller, ägande. Till exempel: hur och när rapporteras datahanteringsaktiviteter inom organisationen? Hur organiserar vi genomförandet av master data maintenance-aktiviteter?

det kan framgå av denna utarbetande att datastyrning är grunden för god datahantering. Oavsett vilket stadium av mognadsorganisationer är i, lönar det sig alltid att hålla ett öga på kvaliteten på datastyrningen och kontrollera om genomförandet är tillfredsställande.

Antag att en organisation har datastyrning i ordning. Finns det några riktlinjer eller bästa praxis som gör det klart vilka av de andra datahanteringskomponenterna som är berättigade till optimering när det gäller prioritering? Det är faktiskt inte fallet. Det vill säga vår erfarenhet säger att detta beror på de prioriteringar som följer av organisationens agenda.

Antag att en organisation beslutar att ersätta ett äldre informationssystem med ett nytt ERP-system. Man kan då fråga sig vilken inverkan detta har på datahantering. Vad är då högsta prioritet? Detta kan leda till att Datakvalitetshantering prioriteras som ett resultat av nödvändig datamigrering. Att förorenade data rengörs, metadatadokumentationen adresseras och huvuddatahanteringen förbättras. Till exempel kan implementeringen av en dataintegrationsapplikation resultera i uppdatering av dataarkitekturmodellen och val och implementering av en datakvalitetsapplikation för att rengöra och berika data innan den utbyts med andra plattformar.

Figur 4. Förhållandet mellan affärsmodell och EDM.

Sammanfattningsvis anser vi att från datastyrningsbasen, beroende på organisationens affärsagenda, bör de datahanteringsaktiviteter tas upp som ger det mest mervärde vid den tiden för att inse den agendan. Detta visas i Figur 4. Ur perspektivet av vision och strategi realiseras affärsmodellen som är nödvändig för att uppnå de mål som fastställs i visionen och strategin. Denna affärsmodell ställer krav på de primära och stödjande processerna. För att dessa processer ska fungera krävs resurser. Dessa kan delas in ytterligare i personalresurser, data och IT-resurser. Vad och hur mycket som behövs på datasidan i ett visst fall bestäms av affärsagendan. EDM tillhandahåller verktyg för hur detta ska organiseras. Detta är skräddarsytt och tillåter sig inte att fångas i ett fast mönster av datahanteringsaktiviteter.

slutsats

i detta bidrag har vi skisserat EDM som ett sätt att hantera all data som en organisation genererar. En bra tolkning av detta säkerställer att dessa data uppfyller de kvalitetskrav som organisationer ställer för det. Det säkerställer att data som behövs för att utföra processer och göra det möjligt för ledningen att fatta välgrundade beslut är korrekta, fullständiga och tillgängliga i tid. Detta gör data till en tillgång som måste hanteras precis som alla andra affärstillgångar. Vi har vidareutvecklat de ingående delarna av EDM. Detta har skapat en ram för förvaltningsaktiviteter som utgör grunden för att säkerställa datakvalitet. Slutligen har vi hävdat att genomförandet av dessa komponenter inte kan ske enligt en fast ram. Det är affärsstrategin och prioriteringen som avgör vilka av delarna av EDM som plockas upp och optimeras i operationaliseringen. En avgörande roll i detta spelas av datastyrning, vilket säkerställer en företagsövergripande och ledningsstödd vision och strategi för EDM.