Enterprise Data Management: bruk og behov

Innledning

vår digitale verden er bygget på informasjon. Data er overalt, og alle bruker det til sin daglige virksomhet. Data management har nylig sett en økning i popularitet på tvers av selskaper, organisasjoner, analytikere og rådgivere. Hva driver denne utviklingen, vurderer at dette emnet generelt ikke anses å være veldig sexy?

Data er en representasjon av fakta. Ved å plassere data i kontekst, opprettes informasjon. Fraværet av god datahåndtering betyr ofte automatisk at styrings-og driftsinformasjon ikke er effektiv. I det lange løp vil dette lamme en organisasjon i den grad at den ikke lenger kan fungere ordentlig. Årsaken til dette er at viktige beslutninger tas for sent, fordi folk ikke lenger kan stole på ledelsesinformasjon. I tillegg krever forretningsprosessstyring økende tid og krefter fordi oppgaver og ansvar for avdelinger ikke er godt tilpasset hverandre. I denne situasjonen oppretter og administrerer alle bare de dataene som er nødvendige for utførelsen av sine egne plikter, og bruker dermed et eget sett med datadefinisjoner. Fordi avdelinger beskylder hverandre for unøyaktighet, blir kontrolltiltak pålagt en masse og operasjoner blir enda mer viscious, noe som fører til en nedadgående spiral for hele venture. Derfor er det en presserende forretningsmessig grunn til å tildele datastyring en uavhengig og profesjonell stilling i organisasjoner.

dessuten håndhever regler og forskrifter en strukturert organisering av datahåndtering. Reguleringer i finanssektoren, Som Basel og Solvens, krever et rammeverk for styring som skal implementeres for datakvalitet og sporbarhet av informasjon som brukes i organisasjonsrapporter. Banken må ha på plass en prosess for å kartlegge datainnganger i en statistisk standard-eller tapsprognosemodell som inkluderer en vurdering av nøyaktigheten, fullstendigheten og hensiktsmessigheten av dataene som er spesifikke for tildelingen av en godkjent vurdering.- Kvalitativ datahåndtering er viktig for å kunne oppfylle disse kriteriene, men kan også være svært tidkrevende å implementere. I denne sammenheng er det vanskelig å overholde regler og forskrifter eller på plass avtaler med leverandører og kunder.

Bedriftsdatahåndtering består av alle aktiviteter innenfor organisasjoner rettet mot strukturert identifisering, klassifisering, registrering, modellering, opplåsing, sikring, arkivering og sletting av data. I dette rammeverket representerer begrepet ‘enterprise’ den organisasjonsomfattende karakteren av datahåndtering.

det faktum at datahåndtering spiller en så viktig rolle i forretningsdriften, understrekes av uttalelser fra C-nivå tjenestemenn. Aloys Kregting, CIO I DSM, valgt SOM CIO Of The Year i 2011, sier: ‘CIO bør fremfor alt være opptatt av verdien av informasjon. Du må vite nøyaktig hvilke folk trenger hvilken informasjon når, og lette den prosessen også. Dette understreker igjen viktigheten av rapportering og master data management.’

SOM et annet eksempel kan vi peke PÅ ADMINISTRERENDE DIREKTØR i et oljeleting – og produksjonsselskap, som innser at god datahåndtering er neste skritt i selskapets fremgang mot forretningskvalitet, og vil gjøre det mulig å skille seg ut fra sine rivaler: ‘Kontinuerlig forbedringsarbeid vil nå fokusere på å utnytte disse endringene og avdekke den skjulte verdien de tilbyr. Dette betyr å drive forenklede prosesser og styrket datahåndtering for å gi raskere og bedre informerte beslutninger, større respons på kundenes behov og mindre avfall-alt dette resulterer i større konkurransedyktig ytelse.’

Data som en ressurs

som nevnt ovenfor er data en representasjon av fakta. I et forretningsmiljø betyr dette ‘fakta om forretningsdrift’. Uten kontekst eller struktur har disse dataene ingen merverdi for et selskap. Det mangler innhold og betydning for å ha noen reell verdi. Her skiller vi mellom strukturerte data (lagret og ordnet i en database) og ustrukturerte data (i form av dokumenter, filer, bilder, tekstmeldinger, skjemaer, videoer eller lydopptak, som ikke kan inkorporeres i rader, kolonner eller poster).

uten utfyllende informasjon er det vanskelig, om ikke umulig, å klassifisere, registrere og låse opp disse dataene for bruk. I det øyeblikket vi bringer kontekst til disse dataene – det er da det får betydning. Vi legger deretter til en referanse, en dato og et klokkeslett, betydningen av meldingen, et format. Med dette blir dataene strukturert og blir informasjon. Hvis vi forbinder alle de ulike informasjonskildene, ved å etablere relasjoner og identifisere mønstre, blir denne informasjonen kunnskap. Dette er dermed merverdien av business intelligence (BI): koble ulike informasjonskilder i en organisasjon for å forbedre beslutningsprosessen av ledelsen av selskapet. Se Også Figur 1.

Figur 1. Verdien av data, plassert i kontekst.

Organisasjoner som er best i stand til å strukturere sine data og åpne opp denne informasjonen til kunnskapsarbeidere i selskapet vil ha et konkurransefortrinn. Å gjøre bruk av den iboende kommersielle kraften til disse dataene vil gi bedrifter og organisasjoner en strategisk ledelse over sine konkurrenter. Eric Schmidt, tidligere ADMINISTRERENDE DIREKTØR I Google, uttalte i 2010 :’ jeg tror ikke samfunnet forstår hva som skjer når alt er tilgjengelig, knowable og registrert av alle hele tiden. Gartner erklærer: – I privat sektor anslår vi for eksempel at en forhandler som bruker big data fullt ut, har potensial til å øke driftsmarginen med mer enn 60%.'()

men det handler ikke bare om god strukturering og opplåsing av data. I flere år var den rådende ideen AT BI skulle løse problemet med ledelsesinformasjon. De fleste globale selskaper og organisasjoner har implementert kompleks programvare og utført dyre BI-programmer. Likevel er ledelsen ikke fornøyd. SIDEN BI først og FREMST er orientert mot strukturerte data, investeres det for lite innsats i å frigjøre verdien av ustrukturerte data. Videre kan ledelsesinformasjon ikke lett endres for å imøtekomme endrede selskapsbehov. Kpmg har uttalt: ‘Store investeringer i IT garanterer ikke nødvendigvis bedre informasjon. Det som er viktigere er å fundamentalt endre måten data samles inn, behandles og presenteres på.'()

Informasjon eksponert ved hjelp av et datalager er verdiløs hvis kvaliteten på det underliggende datasettet er dårlig. Ustrukturerte data (ca. 85% av alle bedriftsdata) kan ikke nås via et datalager. Spørsmålene er derfor: hvordan kan vi oppgradere disse dataene og hva som utgjør god datahåndtering for ustrukturerte data? I denne sammenheng betyr ‘god’ i samsvar med kvalitetskriteriene som organisasjonen har pålagt dataene. Det er tydelig at ‘gode data’ er ikke noe som bare vises ut av løse luften. Et rammeverk er nødvendig. Dette rammeverket består av aktiviteter som et selskap må ordne og legge inn i organisasjonen på en logisk og presis måte. Dette kalles datahåndtering og dekker alle organisatoriske aktiviteter rettet mot forretningsdrift, for å identifisere, klassifisere, registrere, modellere, låse opp, sikre, arkivere og slette data på en strukturert måte. For slike aktiviteter bruker vi Begrepet ‘Enterprise Data Management’ (Edm), fordi det involverer aktiviteter som utføres i hele organisasjonen.

bevisstheten om at god styring av data kan tilføre verdi til selskapets aktiviteter og øke fortjenesten har brakt analytikere og rådgivere til å sette data på samme nivå som andre selskapsressurser som land, bygninger og maskiner. I denne sammenheng er data definert som et selskap eiendel. Eiendeler må forvaltes godt: riktig vedlikeholdt og beskyttet, med tildelt eierskap og rettidig avhending eller erstatning av data hvis det blir utdatert. På samme måte som andre eiendeler, kan organisasjonsdata også selges for å trekke ut verdien. For eksempel vil konkurrenter verdsette kundeinformasjon fordi den kan brukes til å forbedre salget.

Styremedlemmer i ledende selskaper over hele verden har fullt ut anerkjent dette. Datarelaterte programmer er fremtredende på deres handlingslister. Hackett-Gruppen sier: ‘hva selskapene anerkjenner er at de har kastet mye penger på applikasjonene, men uten å standardisere og rense dataene sine, får de fortsatt informasjon som ikke gir mening. De har bedrifter som bruker forskjellige definisjoner, som beregner beregninger annerledes, som bruker forskjellige hierarkier. Hele dette konseptet med masterdatahåndtering er helt avgjørende for at bedrifter skal kunne komme til det punktet der de har prediktiv analyse.’Business case for å starte master data management (MDM) programmer synes tydelig :’ INNEN 2013 VIL MDM redusere organisasjoners dataredundans, noe som kan spare 80% av kostnadene forbundet med å administrere redundante data.'()

Modeller For Bedriftsdatahåndtering

forvaltningen av data har vært gjenstand for mye oppmerksomhet i en stund, og det er en overflod av modeller og metoder som alle hevder å gi det beste svaret på Strukturen I Bedriftsdatahåndtering. Den Internasjonale Organisasjonen FOR Standardisering, bedre KJENT SOM ISO, har utallige standarder, som hver dekker et underaspekt av dataspektret. ISO 27001 omhandler informasjonssikkerhet. ISO 15489 er normen for håndtering av informasjon fra et arkivperspektiv. ISO 23081 er standard for metadata. I TILLEGG kan MAN bruke ISO 19005 som en retningslinje for utseendet av data. Så vi har en overflod av standarder. Andre rammer som COSO og rammer som Cobit og ISF snakker om betydningen av data i bredere forstand, men bare fra et risikoperspektiv.

Data Management Body Of Knowledge

En mer komplett modell synes å være DAMA-DMBOK. Den inneholder en samling av beste praksis innen datahåndtering som har blitt supplert med ny innsikt fra virkelighetspraksis gjennom årene. DEN DAMA-DMBOK Guide (i sin helhet: Data Management Body Of Knowledge) er en publikasjon Av Data Management Association, en internasjonal organisasjon rettet mot data ledere og data fagfolk for distribusjon av kunnskap om data management.

DMBOK identifiserer ti forskjellige datafunksjoner. Disse funksjonene er vist I Figur 2. Datastyring er funksjonen som knytter de andre domenene til hverandre. I hvert av domenene bør det tas hensyn til miljøfaktorer, som nåværende arbeidsmetoder og prosedyrer, teknikker som brukes og organisasjonskulturen.

Figur 2. Data domener i henhold TIL DAMA ().

DAMA har sine svake punkter. For eksempel, det faktum at de nevnte funksjonene bare refererer til hverandre i brede termer, noe som betyr at en bruker ikke alltid gjenkjenner eller forstår forholdet mellom funksjoner og senere den overordnede betydningen av kombinasjonen. VIDERE SYNES DAMA å være orientert mot tradisjonelle, strukturerte data, i hvert fall i dette øyeblikk. Dette er tilfelle, liten oppmerksomhet er viet til betydningen av innhold fra sosiale medier. Datasikkerhet I DAMA er primært rettet mot teknologisk beskyttelse av data. Bortsett fra dette har forskjellen i måten generasjoner håndterer data ikke blitt eksplisitt anerkjent som en relevant faktor (miljøfaktor). Til slutt – og dette er kanskje den største innvendingen – er det fremfor alt et konseptuelt rammeverk. Det mangler praktiske eksempler for å gjøre begreper og begreper tilstrekkelig klare for leseren, noe som medfører risiko for inkonsekvent tolkning. Måten rammeverket bør implementeres på, er også ganske uklart. Dette er i strid med det primære målet for en kropp av kunnskap. Tross alt bør anvendelsen av denne kunnskapen sikte på å stimulere konsistens i anvendelsen av datahåndtering. Det er av disse grunnene at VI bruker DAMA bare for å identifisere funksjoner, fordi de faktisk er solide.

Kpmg Enterprise Data Management model

de ovennevnte modellene inneholder viktige elementer som må ivaretas i realiseringen av en profesjonell data management organisasjon. For operasjonalisering av datahåndtering er imidlertid et annet sett av aspekter også viktig, aspekter som ikke dekkes av disse modellene.

Først og Fremst innebærer disse at data utveksles mellom systemer både i organisasjonen og mellom organisasjonen og tredjeparter. Datahåndteringen bør derfor sørge for at det gjøres gode avtaler om formatet som dataene leveres i, om validering av kvaliteten på de leverte dataene, om mulige anrikningsrunder før dataene behandles videre, og om eventuelle prosedyrer hvis det oppstår feil i prosessen. Vi grupperer disse aktivitetene under vilkårene ‘oppkjøp og redigering ‘og’distribusjon’.

I tillegg BØR EDM også sørge for AT EDM-rammen kan opprettholdes som en helhet. Organisasjonen må ha prosesser til rådighet for å registrere dokumenter og feil identifisert under operasjonell utførelse AV EDM-aktiviteter. Disse bør diskuteres I EDM governance konsultasjon organer, og bør føre til en justering av eksisterende prosedyrer og teknikker. I denne sammenheng kan man vurdere en situasjon der et datakvalitetsdashbord som brukes i en organisasjon, må tilpasses fordi organisasjonen ønsker å overvåke et nytt dataobjekt. I slike tilfeller bør det være en endringsprosess som setter opp beslutningsprosessen for denne endringen, og implementerer endringen av dashbordet etter at beslutningen er tatt.

til Slutt bør ALLE EDM-aktiviteter utført av en organisasjon vurderes i henhold til effektivitet og effektivitet. Akkurat som det er tilfelle med de primære prosessene i en organisasjon, bør DET være en plan, do, check, act-mekanisme for EDM, slik at man kan kontrollere om utførelsen AV EDM-aktiviteter overholder avtalene som er gjort i denne saken. ‘Prosessovervåking’ gjør DETTE mulig, OG lar EDM-organisasjonen selvstendig identifisere eventuelle feil og ta korrigerende tiltak.

disse trinnene er avbildet I KPMG EDM-modellen I Figur 3.

Figur 3. KPMG Enterprise Data Management model.

en kort beskrivelse av de viktigste elementene i modellen presenteres nedenfor.

• Datastyring er rettet mot styring av datastyringsaktiviteter. Saker som strategi, politikk, roller, oppgaver og ansvar kommer inn i denne kategorien.
• Dataarkitektur er opptatt av definisjon og dokumentasjon av dataobjekter og datastrukturer i en datamodell. Disse danner grunnlaget for informasjonsanalyse og prosess – og systembygging i en organisasjon.
• Master Data Management handler om kvaliteten på master-og referansedata. Det endelige målet er å skape unike (‘gylne’) poster.
• Datavarehus er aktiviteten som sikrer definisjonen av arkitekturen som brukes til å lagre data i relasjonsdatabaser.
• Business Intelligence innebærer å åpne opp data som er lagret i datalager. Dataene må gis på en slik måte at de gir nyttig informasjon til ledelsen, slik at de kan ta velinformerte beslutninger.
• Datakvalitetsstyring gjelder en strukturell dokumentasjon av kvalitetskriterier, analyse av faktisk datakvalitet og rapportering av datakvalitet.
• Content Management er rettet mot klassifisering av data, strukturering av dokumentflyter og tilgang til disse.
• Arkivering er rettet mot flytting av inaktive data til andre miljøer.
• meta-data refererer til informasjon om datahåndteringselementer som tekniske og funksjonelle beskrivelser av dataobjekter og datamodeller.
• Databaseadministrasjon er rettet mot operativ teknisk styring av databaser.
• Datasikkerhet er rettet mot å sikre data mot uautorisert tilgang og bruk av disse dataene.
• Identity Management, som konklusjon, angir tilgangen til data.

for en mer detaljert beskrivelse av en rekke AV DISSE EDM-elementene, henviser vi deg til de separate bidragene PÅ EDM-elementer som er inkludert i Denne Kompakte.

EDM fra et organisatorisk perspektiv

Innenfor rammen av denne artikkelen er det bare for oss å svare på spørsmålet om den beste måten å implementere EDM-modellen i praksis.

hvis du ser nøye på DE ulike komponentene I EDM, som vist i Figur 3, får du inntrykk av at det er liten logisk rekkefølge i disse komponentene. Figur 3 viser at det ikke er foreslått prioritering eller fasing av konstruksjon og gjennomføring av elementene. Det er imidlertid tydelig at datastyring forbinder alle de andre elementene. Med dette ønsker vi å indikere at det ikke er noen rangering mellom domenene, og at rekkefølgen av sekvensen der KOMPONENTENE I EDM er ordnet, er rent tilfeldig. Datastyring er et unntak her. Koblingen som datastyring danner mellom alle DE andre delene AV EDM viser tydelig at ingen datastyringsaktivitet overhodet kan utvikles og implementeres med hell hvis det ikke er datastyring i organisasjonen.

datastyring legger grunnlaget for all datahåndteringsvirksomhet. Uten dette grunnlaget ville aktivitetene bare være en haug med løse murstein uten struktur og sement. DETTE kan bety AT bi-løsninger kjøpes og implementeres mens det ikke er tilstrekkelige datastandarder eller datadefinisjoner. Eller det kan være tilfelle at datakvaliteten som kreves for å generere pålitelig styringsinformasjon, er utilstrekkelig. Dette kan føre til design og kjøp av systemer som ikke er kompatible med andre systemer fordi det ikke er noen overordnet bedriftsdatamodell som danner grunnlag for all systemutvikling. Det kan til slutt føre til at en organisasjon aktivt bruker sporene som internett-brukere legger igjen på nettsteder, uten å ta hensyn til personvernregler, noe som kan føre til bildeskader og kanskje krav.

datastyring sikrer at det er en organisasjonsomfattende visjon og strategi for datahåndtering, støttet av ledelsen. Visjonen forteller oss hva vi ønsker å oppnå. Det indikerer organisasjonens ambisjon som den var. Alle datarelaterte aktiviteter bør overholde denne visjonen, og strategi bør gi konsistens i disse aktivitetene. Strategi dikterer også omfanget av datahåndtering i en organisasjon. Ignorerer den overordnede DAMA modell, organisasjoner foretrekker å utelate visse aspekter fra hensynet fordi de sannsynligvis allerede blir fylt ut et annet sted, i en desentralisert enhet. Et tilbakevendende fenomen, for eksempel, ER DET FAKTUM AT HR skaper sin egen data management organisasjon og gjør bare begrenset bruk av retningslinjer og standarder som den sentrale data management organisasjonen har utviklet.

datastyring sikrer også at oppmerksomhet er viet til utformingen av politiske regler. I denne sammenheng refererer vi til informasjonssikkerhetspolitikk, policyregler om dataarkitektur, arkivering og datakvalitet. I tillegg sikrer datastyring organisatorisk integrering av datastyring. Det er nødvendig å avgjøre: hvem er i siste instans ansvarlig, hvor og hvordan blir beslutninger om strategi, politikk, standarder, roller, eierskap? For eksempel, hvordan og når er rapporter om datahåndteringsaktiviteter i organisasjonen formulert? På hvilken måte organiserer vi utførelsen av vedlikeholdsaktiviteter for masterdata?

denne oversikten vil ha gjort det klart at datastyring er grunnlaget for god datahåndtering. Uavhengig av modenhet hvor en organisasjon kan finne seg selv, er det alltid gunstig å seriøst undersøke kvaliteten på datastyring og for å sjekke om rekkevidden er tilstrekkelig.

Tenk deg at en organisasjon har sin datastyring helt i orden. Er det da fotfeste tilgjengelig eller beste praksis som kan avklare hvilke av de andre datastyringskomponentene som er direkte kvalifisert for optimalisering, når det gjelder prioritering? Dessverre er dette ikke tilfelle. Erfaringen har med andre ord lært oss at dette avhenger av prioriteringene som kommer fra organisasjonens agenda.

Tenk deg at en organisasjon bestemmer seg for å erstatte et eldre informasjonssystem med et NYTT ERP-system. Man kan da lure på hvilken innvirkning dette kan ha på datahåndtering. Hva bør ha høyeste prioritet? Dette kan føre til At ‘Datakvalitetsstyring’ får høyeste prioritet som følge av den nødvendige overføringen. Forurenset data renses, metadokumentasjon håndteres, og masterdatahåndteringen forbedres. Implementering av en dataintegrasjonsprogram kan for eksempel føre til at dataarkitekturmodellen oppdateres og at en datakvalitetsprogram velges og implementeres for å rense og berike data før den deles med andre plattformer.

Figur 4. Forholdet mellom FORRETNINGSMODELL OG EDM.

Avslutningsvis mener Vi at på grunnlag av datastyring og avhengig av organisasjonens forretningsagenda, bør de datastyringsaktivitetene som gir mest merverdi i realiseringen av dagsordenen på et bestemt tidspunkt, forfølges. Detaljene er vist I Figur 4. Sentrert på visjon og strategi, er forretningsmodellen som trengs for å realisere målene som er oppgitt i visjonen og strategien konstruert. Denne forretningsmodellen stiller krav til de primære og støttende prosessene. Ressurser er nødvendig for at disse prosessene skal fungere, og kan senere deles inn i arbeidskraft, data og IT-ressurser. Nøyaktig hva og hvor mye som trengs på datasiden i et bestemt tilfelle, bestemmes av forretningsagendaen. EDM tilbyr fotfeste for måten dette skal organiseres på. Dette omfatter en skreddersydd tilnærming og kan ikke innkapsles i et fast mønster av datahåndteringsaktiviteter.

Konklusjon

i dette bidraget har vi gitt en introduksjon TIL EDM som en tilnærming til styringen av alle dataene en organisasjon genererer eller anskaffer. En riktig implementering av denne tilnærmingen sikrer at disse dataene er i samsvar med organisasjonens datakvalitetskrav, og at dataene som trengs for å utføre prosesser og for å gjøre det mulig for ledelsen å ta velbegrunnede beslutninger, er riktige, komplette og tilgjengelige til rett tid. Når dette er tilfelle, er data en ressurs som må forvaltes akkurat som alle andre selskapsmidler. Deretter har vi videre definert bestanddelene AV EDM. Dermed har det oppstått et rammeverk for ledelsesaktiviteter som danner grunnlaget for datakvalitet. Til slutt har vi hevdet at implementeringen av de bestanddelene ikke kan skje i henhold til et fast mønster. I operasjonaliseringen er det selskapets strategi og prioritering som bestemmer hvilken AV KOMPONENTENE I EDM som er valgt og optimalisert. En avgjørende rolle er allokert til datastyring, som sikrer organisasjonens og ledelsessponsede visjon og strategi.