Data Governance - pierwsze kroki - część 4 z 4

3

Na tym etapie nasza organizacja posiada określone dla programu Data Governance cele biznesowe oraz zarządza i współdzieli definicje pojęć biznesowych, którymi się posługuje. Ten logiczny obszar zarządzania danymi i informacją uzupełniony został o pomost do metadanych technicznych - w poprzednim kroku uzyskaliśmy jedno miejsce łączące informacje o technicznym przepływie danych w organizacji z ich logicznym znaczeniem, odpowiedzialnością Data Stewardów i wspieranymi procesami biznesowymi.

Krok 3: monitorowanie jakości danych

Opisane w poprzednich wpisach kroki to minimalny zakres zadań, które organizacja powinna przeprowadzić, aby zbudować fundament dla realizowania inicjatyw Data Governance. W momencie, kiedy rozumiemy już znaczenie merytoryczne danych oraz potrafimy śledzić ich przepływ w informatycznym ekosystemie przedsiębiorstwa, możemy skupić się na kolejnym obszarze odpowiedzialności, którym  jest kontrola i zarządzanie jakością danych. Pierwszym krokiem związanym z zarządzaniem jakością danych jest profilowanie i monitorowanie jakości. Dzięki temu organizacja uzyskuje świadomość potencjalnych zagrożeń oraz uzyskuje zdolność do planowania działań mających na celu osiągnięcie wymaganej jakości danych wykorzystywanych w obsłudze klienta lub do wsparcia podejmowania decyzji.

Data Governance - proces zarządzania jakością danych

Proces zarządzania jakością danych

W oparciu o definiowane przez właścicieli danych (Data Stewardów) reguły, SAS Data Quality potrafi automatycznie monitorować jakość danych przetwarzanych przez organizację i raportować metryki z tym związane (szerzej proces ten opisany jest w dokumencie Building a Data Quality Scorecard for Operational Data Governance). Wykorzystując definicje biznesowe (stworzone w kroku 1), organizacja może ocenić wpływ niskiej jakości danych na podejmowane w oparciu o nie decyzje, a bazując na wiedzy o przepływie danych w organizacji (stworzonym w kroku 2), może analizować pochodzenie niepoprawnych danych i korygować je bezpośrednio u źródła.

W ten sposób uruchomiona inicjatywa Data Governance może znacząco przyczynić się do wzrostu efektywności organizacji, podnosząc jakość obsługi klientów, minimalizując błędy w procesach biznesowych i ograniczając ryzyko wynikające z podejmowania strategicznych decyzji w oparciu o niedokładne dane.

Co dalej?

Rozwijanie programu Data Governance nie kończy się na 3 przedstawionych powyżej  krokach, jednak ustalenie kolejności przyszłych działań musi być dopasowane do celów biznesowych organizacji.

Naturalnym kolejnym krokiem  jest rozwijanie obszaru zarządzania jakością danych, wdrażanie zautomatyzowanych rozwiązań standaryzacji i korekty danych wraz ze wsparciem dla procesów ich ręcznego uzgadniania. Wiele firm na tym etapie podejmuje decyzje o budowie dedykowanych systemów informatycznych, których zadaniem jest zarządzanie rejestrami kluczowych obiektów, takich jak klient, produkt, czy istotny dla procesu produkcyjnego katalog części. Systemy takie nazywane są Master Data Management.

Drugim istotnym obszarem może być ewolucja i planowanie rozwoju systemów analitycznych i hurtowni danych z wykorzystaniem zbudowanego obrazu przepływu danych w organizacji. W oparciu o niego możliwe jest wprowadzanie uproszczeń i ewolucyjne optymalizowanie infrastruktury informacyjnej z wykorzystaniem np. rozwiązań wirtualizacji danych (SAS Federation Server).


Zapraszamy serdecznie zapoznania się z produktami SAS Data Governance oraz do zobaczenia archiwalnego webinarium Data Governance.

Share

About Author

Patryk Choroś

Principal Business Solutions Manager, SAS Institute Poland

Strong believer, that every decision can be made better when based on data and analytics. Data governance and management expert. Business Intelligence specialist and experienced manager for teams and projects. Strong background in providing enterprise consultancy services from business value development throughout architecture design and solution implementation. At SAS working hard to translate new technology opportunities like Big Data, Data Monetization and Data Science into real business value aligned with corporate strategy. Certified Business Intelligence Professional, Certified Data Management Professional by TDWI. Join me on Twitter @Patryk_Choros or LinkedIn.

Back to Top