Trzy filary skutecznego zarządzania danymi

Nasza zależność od danych wzrasta wykładniczo, a nasza zdolność do identyfikacji, zrozumienia, zarządzania i wykorzystania danych staje się coraz trudniejsza. Wielu z nas, którzy na co dzień zajmują się niezliczoną ilością danych, ma żywą świadomość rosnących problemów z danymi. Pomimo narzędzi i technologii dostępnych na rynku jako remedium na problemy z danymi – wyzwania wciąż rosną.

Naszymi podstawowymi problemami dot. danych nie są już tylko problemy technologiczne działów IT, które stają w obliczu rosnącej presji na wdrożenie najnowszych trendów technologicznych, szczególnie Outsourcing, Agile, Big Data czy też Cloud Computing.  Wszystkie te trendy wystawiają organizacje na ryzyko utraty większej kontroli nad swoimi danymi, grzebiąc je jeszcze głębiej pod ciężarem problemów z ich jakością i „zarządzalnością”. Wszystko to przyczynia się do wpadania w spiralę dysfunkcyjnego chaosu w danych.

Jednym z głównych wyzwań stojących dziś przed organizacjami, jest szeroko rozumiana jakość danych (dane nadmiarowe, niedokładne, niewystarczające lub brakujące definicje danych, oderwanie danych od biznesu, a także wyzwania regulacyjne). Jeszcze do niedawna kwestie zarządzania jakością danych nie były tak metodycznie usystematyzowane jak dziś. Nie było lokalnych wzorców budowania centrów kompetencyjnych BI zajmujących się wykorzystaniem coraz większej ilości informacji w biznesie. Powszechnie wykorzystywane systemy informatyczne i aplikacje pozwoliły usprawnić i wzbogacić procesy biznesowe, lecz coraz większe repozytoria danych stały się już nie tylko niezbędnym tworzywem nowoczesnego biznesu, częścią biznesowego krwioobiegu, ale także nieokiełznanym źródłem coraz większych problemów z danymi. Narastają one również z powodu nowego modelu działania administracji skarbowej, która za pomocą bardzo zaawansowanych narzędzi na bieżąco analizuje dane, które jej o sobie dostarczamy sami, nasi kontrahenci, spółki w grupie, banki, inne podmioty.

W dzisiejszej gospodarce informacyjnej i cyfrowym fiskusie, organizacje nie mogą już sobie pozwolić na kontynuowanie dysfunkcyjnego chaosu w danych, gdzie cenne zasoby są tracone na szukanie brakujących danych, poprawianie błędów, tworzenie „obejść” i nieustanne uzgadnianie niespójności. Dzieje się tak w często i powtarzalnie, ponieważ organizacje nie są zdolne do właściwego zaadresowania przyczyn. Takie podejście do danych nie działa. Coś musi się zmienić.

Skuteczne panowanie nad tak złożoną strukturą wymaga wyodrębnienia i usystematyzowania jednorodnych komponentów, które stanowią dopełniające się elementy Data Governance.

W tym kontekście zapewnienie sprawnego i spójnego funkcjonowania całej tej złożonej struktury wymaga następujących elementów:

  • Jasna i przede wszystkim w pełni skatalogowana architektura systemów i danych, przy czym poziom jej szczegółowości powinien być adekwatny do narzędzi oraz metod stosowanych w zarządzaniu architekturą;
  • Wyodrębniony katalog danych biznesowych podzielonych na homogeniczne grupy i podgrupy, przy czym należy unikać naturalnej pokusy do grupowania danych według systemów, w których są przechowywane. Tak sporządzona matryca obszarów biznesowych pozwala w sposób jednoznaczny przypisać właścicielstwo biznesowe danych;
  • Jednoznacznie i o ile to możliwe imiennie przyporządkowane właścicielstwo grup danych, rozumiane jako odpowiedzialność za definiowanie wymagań do systemów przetwarzających przypisane dane, ale także dbałość o ich kondycję i przydatność w procesach biznesowych firmy;
  • Zdefiniowane procesy zarządzania danymi, obejmujące w szczególności:
    • klasyfikację istotności danych (cykl życia danych, ważność z punktu widzenia raportowego, kryteria poufności i dostępności danych, gwarantowane poziomy zabezpieczenia danych);
    • rzetelne i obiektywne procesy oceny kondycji danych (weryfikacja jakości danych, analiza profilu danych oraz przydatności w procesach biznesowych, sposoby diagnozowania defektów danych oraz rekomendowane metody czyszczenia, porządkowania, uspójniania/wzbogacania danych);
  • Zdefiniowane syntetyczne miary jakości danych (KPI, KRI) oraz system ich powtarzalnej kalkulacji, kalibracji, a także okresowego raportowania na wszystkie szczeble zarządcze banku;
  • Struktura zarządcza, która określa role i zadania niezbędne do obsługi powyżej zdefiniowanych procesów zarządzania danymi, pozwalająca określić obowiązki wszystkich jednostek wchodzących w jej skład oraz zakres ich odpowiedzialności.

To podstawowe komponenty systemowego nadzoru nad danymi, bez których do osób decyzyjnych mogą docierać zestawienia tworzone na podstawie danych różnie rozumianych i definiowanych przez ich właścicieli i wytwórców. W takiej sytuacji odpowiedź na proste z pozoru pytanie: „Ilu mamy klientów?” może nie być wcale taka oczywista. Bo dla każdego odbiorcy biznesowego może znaczyć co innego. Dlatego ważnym elementem Data Governance jest zbudowanie jednolitego, obowiązującego wszystkich w organizacji słownika definicji biznesowych.

Nierzadko jednak wypracowanie wspólnej dla wielu obszarów definicji biznesowej zjawiska, obiektu, działania wykracza poza naturalny kompromis. Nie oznacza to, iż takiej definicji nie da się stworzyć. Owszem, lecz w tym przypadku zrozumienie definicji przez wszystkich interesariuszy, a następnie konsekwentne jej stosowanie jest kluczowe w biznesowym wykorzystaniu danych.

Andrzej Burzyński, ekspert BI Insight.

Autor będzie gościem spotkania w Klubie Dyrektorów Finansowych „Dialog” 12.12 w Warszawie, informacje i link do rejestracji https://kdfdialog.org.pl/wydarzenie/cf-warszawa-12122019/