Enterprise Data Management: användning och behov

introduktion

vår digitala värld bygger på information. Data finns överallt och alla använder det för sin dagliga verksamhet. Datahantering har nyligen sett en ökning i popularitet mellan företag, organisationer, analytiker och rådgivare. Vad driver denna utveckling, med tanke på att detta ämne i allmänhet inte anses vara väldigt sexigt?

Data är en representation av fakta. Genom att placera data i sammanhang skapas information. Frånvaron av god datahantering innebär ofta automatiskt att hanterings-och driftsinformation inte är effektiv. På lång sikt kommer detta att förlama en organisation i den utsträckning att den inte längre kan fungera korrekt. Anledningen till detta är att viktiga beslut fattas för sent, eftersom människor inte längre kan lita på ledningsinformation. Dessutom kräver affärsprocesshantering ökad tid och ansträngning eftersom avdelningarnas uppgifter och ansvar inte är väl anpassade till varandra. I denna situation skapar och hanterar alla endast de uppgifter som är nödvändiga för utförandet av sina egna uppgifter och använder följaktligen en egen uppsättning datadefinitioner. Eftersom avdelningar anklagar varandra för felaktighet införs kontrollåtgärder massor och verksamheten blir ännu mer viscious, vilket leder till en nedåtgående spiral för hela satsningen. Därför finns det en brådskande affärsskäl att tilldela datahantering en oberoende och professionell position inom organisationer.

dessutom upprätthåller regler och förordningar en strukturerad organisation av datahantering. Regler inom finanssektorn, såsom Basel och solvens, mandat en styrningsram som ska genomföras för datakvalitet och spårbarhet av information som används i organisationsrapporter. I detta sammanhang säger Basel II: banken måste ha infört en process för kontroll av dataingångar i en statistisk standard-eller förlustprognosmodell som inkluderar en bedömning av riktigheten, fullständigheten och lämpligheten hos de uppgifter som är specifika för tilldelning av en godkänd kreditvärdighet.- Kvalitativ datahantering är viktigt för att kunna uppfylla dessa kriterier, men kan också vara mycket tidskrävande att genomföra. I detta sammanhang är det svårt att följa regler och förordningar eller på plats avtal med leverantörer och kunder.

Enterprise Data Management består av alla aktiviteter inom organisationer som syftar till strukturerad identifiering, klassificering, registrering, modellering, upplåsning, säkring, arkivering och radering av data. I detta ramverk representerar termen ’företag’ den organisationsomfattande karaktären av datahantering.

det faktum att datahantering spelar en så avgörande roll i affärsverksamheten understryks av uttalanden från tjänstemän på C-nivå. Aloys Kregting, CIO för DSM, vald till Årets CIO 2011, säger: ’CIO bör framför allt vara oroad över värdet av information. Du måste veta exakt vilka människor som behöver vilken information när och underlätta den processen också. Detta understryker än en gång vikten av rapportering och hantering av masterdata.’

som ett andra exempel kan vi peka på VD för ett oljeprospekterings-och produktionsföretag, som inser att god datahantering är nästa steg i hans företags framsteg mot affärskompetens och kommer att göra det möjligt att sticka ut från sina rivaler: ’ständiga 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

som nämnts ovan är data en representation av fakta. I en affärsmiljö betyder detta fakta om affärsverksamheten. Utan sammanhang eller struktur har dessa data inget mervärde för ett företag. Det saknar innehållet och betydelsen för att ha något verkligt värde. Här skiljer vi mellan strukturerad data (lagrad och ordnad i en databas) och ostrukturerad data (i form av dokument, filer, bilder, textmeddelanden, formulär, videor eller ljudinspelningar, som inte kan införlivas i rader, kolumner eller poster).

utan Kompletterande information är det svårt, om inte omöjligt, att klassificera, registrera och låsa upp dessa data för användning. Det ögonblick vi tar med sammanhang till dessa data – Det är då det får betydelse. Vi lägger sedan till en referens, ett datum och en tid, meddelandets betydelse, ett format. Med detta struktureras data och blir information. Om vi ansluter alla olika informationskällor, genom att upprätta relationer och identifiera mönster, blir denna information kunskap. Detta är alltså mervärdet av business intelligence (BI): att ansluta olika informationskällor i en organisation för att förbättra beslutsfattandet av företagets ledning. Se även figur 1.

Figur 1. Värde av data, placerad i sammanhang.

organisationer som bäst kan strukturera sina data och öppna upp denna information för kunskapsarbetarna inom företaget kommer att ha en konkurrensfördel. Att använda sig av den inneboende kommersiella kraften i dessa data kommer att ge företag och organisationer en strategisk ledning över sina konkurrenter. Eric Schmidt, tidigare VD för Google, uttalade 2010: ’Jag tror inte att samhället förstår vad som händer när allt är tillgängligt, kunnigt och inspelat av alla hela tiden. Och Gartner förklarar: – 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%.'()

men det handlar inte bara om bra strukturering och upplåsning av data. Under flera år var den rådande tanken att BI skulle lösa problemet med ledningsinformation. De flesta globala företag och organisationer har implementerat komplex programvara och genomfört dyra BI-program. Ändå är ledningen inte nöjd. Eftersom BI främst är inriktat på strukturerad data investeras otillräcklig ansträngning för att låsa upp värdet av ostrukturerad data. Dessutom kan ledningsinformation inte enkelt ändras för att tillgodose förändrade företagsbehov. KPMG har sagt: ’enorma investeringar i IT garanterar inte nödvändigtvis bättre information. Det som är viktigare är att i grunden förändra hur data samlas in, bearbetas och presenteras.'()

Information som exponeras med hjälp av ett datalager är värdelös om kvaliteten på den underliggande datauppsättningen är dålig. Ostrukturerad data (ca. 85% av alla företagsdata) kan inte nås via ett datalager. Frågorna är därför: hur kan vi uppgradera dessa data och vad som utgör god datahantering för ostrukturerad data? I detta sammanhang betyder ’bra’ i enlighet med de kvalitetskriterier som organisationen har infört på uppgifterna. Det är uppenbart att ’bra data’ inte är något som helt enkelt dyker upp ur luften. En ram krävs. Detta Ramverk består av aktiviteter som ett företag måste ordna och bädda in i organisationen på ett logiskt och exakt sätt. Detta kallas datahantering och täcker alla organisatoriska aktiviteter riktade mot affärsverksamhet för att identifiera, klassificera, registrera, modellera, låsa upp, säkra, arkivera och ta bort data på ett strukturerat sätt. För sådana aktiviteter använder vi termen ’Enterprise Data Management’ (EDM), eftersom det handlar om aktiviteter som utförs organisationsövergripande.

medvetenheten om att god hantering av data kan öka värdet på företagets verksamhet och öka vinsten har fört analytiker och rådgivare att sätta data på samma nivå som andra företagsresurser som mark, byggnader och maskiner. I detta sammanhang definieras data som en företagstillgång. Tillgångar måste hanteras väl: korrekt underhållna och skyddade, med tilldelat ägande och snabb bortskaffande eller utbyte av data om det blir föråldrat. Precis som andra tillgångar kan organisationsdata också säljas för att extrahera dess värde. Till exempel kommer konkurrenter att värdera kundinformation eftersom den kan användas för att förbättra försäljningen.

styrelseledamöter i ledande företag över hela världen har fullt ut erkänt detta. Datarelaterade program är framträdande på sina åtgärdslistor. Hackett-gruppen säger: ’vad företag erkänner 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. Business case för att initiera master Data management (MDM) – program verkar uppenbart: 2013 kommer MDM att minska organisationernas dataredundans, vilket kan spara 80% av kostnaderna för hantering av redundanta data.'()

modeller för Företagsdatahantering

hanteringen av data har varit föremål för mycket uppmärksamhet under ganska lång tid, och det finns ett överflöd av modeller och metoder som alla hävdar att de ger det bästa svaret på strukturen för Företagsdatahantering. Den internationella organisationen för standardisering, bättre känd som ISO, har otaliga standarder, som var och en täcker en underaspektrum av dataspektrumet. Till exempel handlar ISO 27001 om informationssäkerhet. ISO 15489 är normen som tillämpas på hantering av information ur ett arkivperspektiv. ISO 23081 är standarden för metadata. Dessutom kan man använda ISO 19005 som riktlinje för utseendet på data. Så vi har ett överflöd av standarder. Andra ramverk som COSO och ramverk som Cobit och ISF talar om vikten av data i bredare bemärkelse, 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 bästa praxis inom datahantering som har kompletterats med nya insikter från verklig praxis genom åren. DAMA-DMBOK-guiden (i sin helhet: Data Management Body of Knowledge) är en publikation av Data Management Association, en internationell organisation riktad mot datahanterare och dataproffs för distribution av kunskap om datahantering.

DMBOK identifierar tio olika datafunktioner. Dessa funktioner visas i Figur 2. Datastyrning är den funktion som länkar de andra domänerna till varandra. I vart och ett av domänerna bör man uppmärksamma miljöfaktorer, såsom nuvarande arbetsmetoder och procedurer, tekniker som används och organisationskulturen.

Figur 2. Data domäner enligt DAMA ().

DAMA har sina svaga punkter. Till exempel det faktum att de nämnda funktionerna endast hänvisar till varandra i breda termer, vilket innebär att en användare inte alltid känner igen eller förstår förhållandet mellan funktioner och därefter kombinationens övergripande betydelse. Dessutom verkar DAMA vara inriktad på traditionella, strukturerade data, åtminstone just nu. Detta är fallet, lite uppmärksamhet ägnas åt vikten av innehåll från sociala medier. Datasäkerhet inom DAMA syftar främst till tekniskt skydd av data. Bortsett från detta har skillnaden i hur generationer hanterar data inte uttryckligen erkänts som en relevant faktor (miljöfaktor). Slutligen – och detta är kanske den största invändningen-är det framför allt en konceptuell ram. Det saknas praktiska exempel för att göra begrepp och termer tillräckligt tydliga för läsaren, vilket medför en risk för inkonsekvent Tolkning. Det sätt på vilket ramverket bör genomföras är också ganska oklart. Detta strider mot det primära målet för en kunskapskropp. När allt kommer omkring bör tillämpningen av denna kunskapskropp syfta till att stimulera konsekvens i tillämpningen av datahantering. Det är av dessa skäl som vi bara använder DAMA för att identifiera funktioner, eftersom de verkligen är solida.

KPMG Enterprise Data Management model

de ovan nämnda modellerna innehåller viktiga element som måste beaktas vid förverkligandet av en professionell datahanteringsorganisation. För operationalisering av datahantering är emellertid en annan uppsättning aspekter också viktiga, aspekter som inte omfattas av dessa modeller.

först och främst innebär Dessa att data utbyts mellan system både inom organisationen och mellan organisationen och tredje part. Därför bör datahantering säkerställa att goda avtal ingås om i vilket format uppgifterna levereras, om validering av kvaliteten på de levererade uppgifterna, om möjliga anrikningsrundor innan uppgifterna behandlas vidare och om eventuella förfaranden om fel uppstår i processen. Vi grupperar dessa aktiviteter under termerna ’ förvärv och författande ’och’distribution’.

dessutom bör EDM också säkerställa att EDM-ramverket kan bibehållas som helhet. Organisationen måste ha processer till sitt förfogande för att registrera dokument och brister som identifierats under det operativa genomförandet av EDM-aktiviteter. Dessa bör diskuteras i samrådsorgan för styrning av EDM och bör leda till en anpassning av befintliga förfaranden och tekniker. I detta sammanhang kan man överväga en situation där en datakvalitetspanel som används inom en organisation måste anpassas eftersom organisationen vill övervaka ett nytt dataobjekt. I sådana fall borde det finnas en förändringsprocess som fastställer beslutsfattandet om denna förändring och genomför ändringen av instrumentpanelen efter det att beslutet har fattats.

slutligen bör alla EDM-aktiviteter som utförs av en organisation bedömas utifrån deras effektivitet och effektivitet. Precis som är fallet med de primära processerna inom en organisation, bör det finnas en ’plan, Do, check, act’ mekanism för EDM så att man kan kontrollera huruvida genomförandet av EDM-aktiviteter överensstämmer med de avtal som gjorts i denna fråga. Processövervakning möjliggör detta och gör det möjligt för EDM-organisationen att självständigt identifiera eventuella fel och vidta korrigerande åtgärder.

dessa steg visas i KPMG EDM-modellen i Figur 3.

Figur 3. KPMG Enterprise data Management modell.

en kort beskrivning av de viktigaste elementen i modellen presenteras nedan.

• datastyrning är inriktad på styrning av datahanteringsaktiviteter. Frågor som strategi, politik, Roller, uppgifter och ansvar kommer in i denna kategori.
• dataarkitektur handlar om definition och dokumentation av dataobjekt och datastrukturer i en datamodell. Dessa utgör grunden för informationsanalys och process-och systembyggnad i en organisation.
• Masterdatahantering gäller kvaliteten på master-och referensdata. Det ultimata målet är att skapa unika (’gyllene’) poster.
• datalagring är den aktivitet som säkerställer definitionen av arkitekturen som används för att lagra data i relationsdatabaser.
• Business Intelligence innebär att öppna data som lagras i datalager. Uppgifterna måste tillhandahållas på ett sådant sätt att de ger användbar information till ledningen, så att de kan fatta välinformerade beslut.
• Datakvalitetshantering avser en strukturell dokumentation av kvalitetskriterier, analys av faktisk datakvalitet och datakvalitetsrapportering.
• innehållshantering riktar sig mot klassificering av data, strukturering av dokumentflöden och åtkomst till dessa.
• arkivering är inriktad på omlokalisering av inaktiva data till andra miljöer.
• under Styrningsoperationer avser ’metadata’ information om datahanteringselement som tekniska och funktionella beskrivningar av dataobjekt och datamodeller.
• databashantering är inriktad på operativ teknisk hantering av databaser.
• datasäkerhet syftar till att säkra data mot obehörig åtkomst och användning av dessa data.
• identitetshantering anger slutligen åtkomst till data.

för en mer detaljerad beskrivning av ett antal av dessa EDM-element hänvisar vi dig till de separata bidrag på EDM-element som har inkluderats i denna kompakt.

EDM ur ett organisationsperspektiv

inom ramen för denna artikel är det bara för oss att svara på frågan om det bästa sättet att implementera EDM-modellen i verklig praxis.

om du tittar noga på de olika komponenterna i EDM, som visas i Figur 3, får du intrycket att det finns liten logisk ordning i dessa komponenter. Figur 3 visar att det inte finns någon föreslagen prioritering eller fasning av konstruktionen och genomförandet av elementen. Det är dock uppenbart att datastyrning förbinder alla andra element. Med detta vill vi ange att det inte finns någon rangordning mellan domänerna och att ordningsföljden i vilken komponenterna i EDM är ordnade är rent slumpmässig. Datastyrning utgör ett undantag här. Länken som datastyrning bildar mellan alla andra delar av EDM visar tydligt att ingen datahanteringsaktivitet alls kan utvecklas och implementeras framgångsrikt om det inte finns någon datastyrning inom organisationen.

datastyrning lägger grunden för alla datahanteringsaktiviteter. Utan denna grund skulle aktiviteterna bara vara en hög med lösa Tegelstenar utan struktur och cement. Detta kan innebära att BI-lösningar köps och implementeras medan det inte finns tillräckliga datastandarder eller datadefinitioner. Eller så kan det vara så att den datakvalitet som krävs för att generera tillförlitlig hanteringsinformation är otillräcklig. Detta kan leda till design och inköp av system som inte är kompatibla med andra system eftersom det inte finns någon övergripande företagsdatamodell som ligger till grund för all systemutveckling. Det kan i slutändan leda till att en organisation aktivt använder de spår som internetanvändare lämnar på webbplatser, utan att ta hänsyn till Integritetsregler, vilket kan leda till bildskador och kanske påståenden.

data governance säkerställer att det finns en organisationsomfattande vision och strategi för datahantering, som stöds av ledningen. Visionen informerar oss om vad vi vill uppnå. Det indikerar organisationens ambition som den var. Alla datarelaterade aktiviteter bör följa denna vision, och strategin bör ge konsekvens i dessa aktiviteter. Strategin dikterar också omfattningen av datahantering inom en organisation. Genom att ignorera den övergripande DAMA-modellen kanske organisationer föredrar att utelämna vissa aspekter från övervägande eftersom de förmodligen redan fylls i någon annanstans, i en decentraliserad enhet. Ett konsekvent återkommande fenomen är till exempel det faktum att HR skapar sin egen datahanteringsorganisation och endast använder sig av de riktlinjer och standarder som den centrala datahanteringsorganisationen har utvecklat.

datastyrning säkerställer också att uppmärksamhet ägnas åt utformningen av policyregler. I detta sammanhang hänvisar vi till informationssäkerhetspolicy, policyregler för dataarkitektur, arkivering och datakvalitet. Dessutom säkerställer datastyrning organisatorisk inbäddning av datahantering. Det är nödvändigt att bestämma: vem är ytterst ansvarig, var och hur fattas beslut om strategi, politik, standarder, Roller, ägande? Till exempel, hur och när formuleras rapporter om datahanteringsaktiviteter inom organisationen? På vilket sätt organiserar vi genomförandet av masterdataunderhållsaktiviteter?

denna översikt kommer att ha gjort det klart att datastyrning är grunden för god datahantering. Oavsett mognadsstadiet där en organisation kan befinna sig är det alltid fördelaktigt att på allvar undersöka kvaliteten på datastyrningen och kontrollera om dess räckvidd är tillräcklig eller inte.

Föreställ dig att en organisation har sin datastyrning helt i ordning. Finns det då fotfäste eller bästa praxis som kan klargöra vilka av de andra datahanteringskomponenterna som är direkt berättigade till optimering när det gäller prioritering? Tyvärr är detta inte fallet. Med andra ord har erfarenheten lärt oss att detta beror på de prioriteringar som utfärdar från organisationens dagordning.

Föreställ dig att en organisation beslutar att ersätta ett äldre informationssystem med ett nytt ERP-system. Man kan då undra över vilken inverkan detta kan ha på datahantering. Vad ska ha högsta prioritet? Detta kan leda till att hantering av datakvalitet får högsta prioritet till följd av den nödvändiga migreringen. Förorenade data rensas, metadokumentation hanteras och masterdatahanteringen förbättras. Implementeringen av en dataintegrationsapplikation kan till exempel leda till att dataarkitekturmodellen uppdateras och en datakvalitetsapplikation väljs och implementeras för att rensa och berika data innan den delas med andra plattformar.

Figur 4. Förhållandet mellan affärsmodell och EDM.

avslutningsvis anser vi att på grundval av datastyrning och beroende på organisationens affärsagenda bör de datahanteringsaktiviteter som ger mest mervärde i förverkligandet av agendan vid ett visst ögonblick bedrivas. Detaljerna visas i Figur 4. Centrerad på vision och strategi är den affärsmodell som behövs för att uppnå de mål som anges i visionen och strategin konstruerad. Denna affärsmodell ställer krav på de primära och stödjande processerna. Resurser behövs för att dessa processer ska fungera och kan senare delas in i arbetskraft, data och IT-resurser. Exakt vad och hur mycket som behövs på datasidan i ett specifikt fall bestäms av affärsagendan. EDM erbjuder fotfäste för hur detta ska organiseras. Detta innefattar ett skräddarsytt tillvägagångssätt och kan inte inkapslas i ett fast mönster av datahanteringsaktiviteter.

slutsats

i detta bidrag har vi gett en introduktion till EDM som ett tillvägagångssätt för hanteringen av alla data som en organisation genererar eller förvärvar. Ett korrekt genomförande av detta tillvägagångssätt säkerställer att dessa data uppfyller organisationens datakvalitetskrav och att de data som behövs för att utföra processer och för att göra det möjligt för ledningen att fatta välgrundade beslut är korrekta, fullständiga och tillgängliga i rätt tid. När så är fallet är data en tillgång som måste hanteras precis som alla andra företagstillgångar. Därefter har vi ytterligare definierat de ingående delarna av EDM. Således har en ram för förvaltningsaktiviteter uppstått som ligger till grund för datakvalitet. Slutligen har vi hävdat att genomförandet av de ingående delarna inte kan ske enligt ett fast mönster. I operationaliseringen är det företagets strategi och prioritering som avgör vilka av komponenterna i EDM som väljs och optimeras. En avgörande roll tilldelas datastyrning, vilket säkerställer den organisationsövergripande och ledningssponserade visionen och strategin.