Wiele organizacji podejmuje wyzwanie implementacji modelu Data Governance, jednak sukces i realne korzyści w tym obszarze odnosi niewielka część z nich. Dlaczego? W niniejszym artykule opisujemy 6 najczęściej popełnianych błędów.
Jakość danych, ich dostępność oraz spójność we wszystkich miejscach w organizacji to czynniki, które mają istotny wpływ na kierunek podejmowanych decyzji biznesowych oraz efektywność przeprowadzanych działań. W związku z tym dane stanowią szczególnie istotny rodzaj aktywów, jakimi firmy dysponują. Jednym z podstawowych kroków podejmowanych przez organizacje w celu wdrożenia odpowiednich mechanizmów zarządzania pozyskiwaniem i wykorzystywaniem danych oraz ich jakością jest stworzenie i wdrożenie nadzoru nad danymi. Standardowo, na model Data Governance składa się wiele elementów, które obejmują co najmniej: podstawowe zasady nadzoru nad danymi, standardy, procesy oraz strukturę organizacyjną (z podziałem na role i odpowiedzialności). Do tego dochodzi odpowiednia komunikacja i kultura organizacyjna zorientowana na jakość danych.
Na podstawie naszych wieloletnich doświadczeń, zidentyfikowaliśmy kilka powtarzających się źródeł niepowodzeń przy realizacji tego typu inicjatyw. W niniejszym artykule opisujemy 6 najczęściej popełnianych błędów.
1. Brak zapewnienia odpowiednich osób do pełnienia ról w ramach Data Governance
Pokutuje przekonanie, że dla stworzenia modelu Data Governance wystarczy przygotowanie zestawu właściwych procedur i narzędzi. Jednak dopiero wyznaczenie osób posiadających adekwatne kompetencje do pełnienia ról w ramach Data Governance powoduje, że model przynosi realne korzyści. Konieczne jest łączenie zrozumienia biznesowych aspektów działania organizacji z szeroką wiedzą o rozwiązaniach IT niezbędnych do prawidłowego przetwarzania danych.
Kluczowe jest wyznaczenie funkcji Oficera jakości danych – funkcjonują też nazwy takie jak: menedżer ds. jakości danych lub Chief Data Officer – czyli roli, która będzie nadzorowała działanie całego modelu. Ważne, aby pełniły ją osoby w pełni alokowane do powierzonych im działań. Z naszych doświadczeń wynika, że nie sprawdzają się sytuacje, w których odpowiedzialność za nadzór nad jakością danych dodawana jest jako kolejny obowiązek do już istniejącego zakresu zadań. Z czasem taka rola może przekształcić się w dedykowaną jednostkę.
W praktyce często spotyka się połączenie w ramach jednego departamentu zadań związanych z jakością danych, koordynacją Data Governance, a także Business Intelligence. Podstawą jest też wskazanie właścicieli danych oraz opiekunów danych (ang. Data Stewards), niezbędnych do określenia kryteriów jakościowych dla danych, ich późniejszego monitorowania oraz prowadzenia działań prewencyjnych czy naprawczych.
2. Traktowanie wdrożenia Data Governance w kategoriach krótkoterminowego projektu, a nie długoterminowej transformacji organizacji
Osiągnięcie celu w postaci przygotowania poszczególnych elementów modelu stanowi tylko pierwszy krok, który sankcjonuje uruchomienie zaplanowanych działań. Dopiero późniejsza praca operacyjna przynosi konkretne, mierzalne efekty. Fundamentalna zmiana podejścia do nadzoru nad danymi i zarządzania ich jakością wymaga przekształcenia postaw i zachowania pracowników, a nawet kultury organizacyjnej całej firmy, a tego nie można dokonać z dnia na dzień.
3. Postrzeganie Data Governance tylko jako sprawy jednostek odpowiedzialnych za IT lub finanse
Zapewnienie zasobów, rozstrzyganie sporów, nadzór nad realizacją procesów monitorowania jakości i czyszczenia danych, ale też promowanie oczekiwanych postaw i komunikowanie efektów wdrożenia wymagają aktywnego udziału kierownictwa firmy w obszarze Data Governance. Dla pracowników musi być jasne, że kwestia dbania o lepsze dane nie leży w zakresie zadań jedynie obszaru IT bądź Finansów, które często są inicjatorami zmian w tym obszarze. Zmiana w podejściu do danych jako wartościowego aktywa organizacji nie jest możliwa tylko w ramach działań oddolnych.
4. Myślenie o Data Governance jako zagadnieniu regulacyjnym, a nie przynoszącym korzyści biznesowe
Wdrożenie Data Governance jedynie w celu zaspokojenia wymogów regulacyjnych – np. Rekomendacji D bądź Wytycznych IT Komisji Nadzoru Finansowego, nałożonych na banki, towarzystwa ubezpieczeń i inne instytucje sektora finansowego – powoduje, że firma przygotowuje tylko minimum zmian. Takie podejście jest zorientowane na krótkoterminowe zadania, a nie na osiągnięcie długoterminowych celów biznesowych. Nacisk jest kładziony na spełnienie warunków zewnętrznych, a nie potrzeb wewnętrznych organizacji.
Uniknięcie takiego efektu jest możliwe dzięki zebraniu listy korzyści biznesowych (np. efektywniejsze docieranie do klientów z przekazem marketingowym, szybsza realizacja projektów), które organizacja zamierza uzyskać dzięki sprawnie działającemu modelowi Data Governance.
Z naszych obserwacji wynika, że wdrożenie modelu Data Governance wyłącznie w celu spełnienia wymogów regulacyjnych, niesie ze sobą ryzyko, że zwrot z inwestycji będzie relatywnie niższy od oczekiwań. Natomiast, organizacje skupione na korzyściach biznesowych, od początku implementują praktyczny model Data Governance, który nie tylko spełnia wymogi regulacyjne, ale również ułatwia pracę i przynosi korzyści w wymiarze finansowym oraz w formie oszczędności czasu.
5. Założenie, że odpowiednie narzędzia informatyczne rozwiążą problemy z jakością danych
Na rynku znajduje się sporo rozwiązań IT, które promowane są jako remedium na złą jakość danych. I o ile bez odpowiednich narzędzi, nadzór nad jakością danych będzie przedsięwzięciem karkołomnym, to należy jednak pamiętać, że ich wdrożenie bez zmiany podejścia oraz zwiększenia świadomości pracowników nie oznacza sprawnego Data Governance. Użytkownicy danych mogą czuć się zwolnieni z odpowiedzialności, licząc, że narzędzia zastąpią ich świadome działania. Jednocześnie, nie będzie impulsu dla optymalizacji nieefektywnych procesów gromadzenia i przetwarzania danych.
6. Zaprojektowanie Data Governance i Data Quality Management bez uwzględnienia jednego z istotnych elementów, takich jak procesy, role i odpowiedzialności, KPI czy komunikacja
Efektywna realizacja cyklicznych procesów w zakresie zarządzania jakością danych oraz nadzoru nad danymi, wymaga szczegółowego opracowania i komunikacji tych procesów. Odpowiednie zakomunikowanie zadań w stworzonych procesach, w formie warsztatów czy szkoleń, jest kluczowym czynnikiem odpowiedniej ich realizacji przez wyznaczone osoby. Każda z osób, którym nadane zostaną poszczególne funkcje w modelu Data Governance, powinna zostać poinformowana o zakresie swojej odpowiedzialności.
Wreszcie, ocena jakości danych będzie skuteczna wyłącznie wtedy, gdy zostaną opracowane wskaźniki KPI (Key Performance Indicators), za które odpowiedzialność zostanie jednoznacznie przypisana. Stworzenie odpowiedniego projektu modelu Data Governance dopasowanego do uwarunkowań organizacji znacznie zwiększa prawdopodobieństwo jego skutecznego wdrożenia. Warto też racjonalnie podejść do implementacji modelu, zaczynając od tych elementów, które mogą relatywnie szybko przynieść wymierne korzyści, takie jak wspomniane wcześniej KPI dla istotnych podgrup danych czy słownik pojęć biznesowych.
Podsumowanie
Oczywiście, powyższa lista nie wyczerpuje zakresu zagadnień, o których należy pamiętać przy realizacji działań Data Governance. Kluczem do sukcesu jest opracowanie długoterminowych celów, sukcesywne i konsekwentne rozwiązywanie pojawiających się kwestii oraz unikanie wymienionych wyżej błędów.
Pierwsze korzyści z Data Governance pojawiają się dość szybko. Wynikają między innymi z wdrożenia pierwszych mierników jakości danych (KPI), zdefiniowania pojęć w słowniku biznesowym (stworzenia wspólnego języka dotyczącego danych), czy po prostu ze zwiększonej świadomości pracowników w zakresie ich wpływu na jakość danych. Osiągnięte sukcesy należy komunikować w organizacji tak, by wszyscy pracownicy lepiej zrozumieli wartość wysokiego poziomu jakości danych i konsekwentnie dążyli do podnoszenia dojrzałości organizacji w obszarze Data Governance.
Niniejszy artykuł został również opublikowany w Magazynie ITwiz nr 12/2018.
