Bedeutung von Data Governance

Data Governance ist der Prozess der Verwaltung der Verfügbarkeit, Benutzerfreundlichkeit, Integrität und Sicherheit von Daten in den Systemen der Organisation, basierend auf internen Datenstandards und Richtlinien, die auch die Datennutzung steuern.

Effektive Data Governance stellt sicher, dass Daten konsistent, zuverlässig und nicht missbraucht werden. Dies wird immer wichtiger, da Unternehmen mit neuen Datenschutzbestimmungen konfrontiert sind und sich zunehmend auf Datenanalysen verlassen, um Abläufe zu rationalisieren und Geschäftsentscheidungen voranzutreiben.

Ein gut organisiertes Data-Governance-Modell umfasst ein Governance-Team, einen Lenkungsausschuss, der als Leitungsgremium fungiert, und eine Gruppe von Data Stewards. Sie alle arbeiten zusammen, um die Standards und Richtlinien zur Verwaltung der Daten sowie die Implementierungs- und Compliance-Verfahren zu erstellen, die hauptsächlich von Datenverwaltern durchgeführt werden. Führungskräfte und andere Vertreter des Geschäftsbetriebs einer Organisation sowie IT- und Datenmanagementteams nehmen ebenfalls teil.

Während Data Governance eine Kernkomponente einer umfassenden Datenmanagementstrategie ist, sollten sich Unternehmen auf die gewünschten Geschäftsergebnisse konzentrieren, die aus einem Governance-Programm abgeleitet werden, und nicht auf die Daten selbst.

Warum ist Data Governance wichtig?

Ohne effektive Data Governance können Dateninkonsistenzen zwischen verschiedenen Systemen in einer Organisation möglicherweise nicht behoben werden.

Beispielsweise können Kundennamen in Vertriebs-, Logistik- und Kundendienstsystemen anders angezeigt werden. Dies könnte Datenintegrationsbemühungen erschweren und Datenintegritätsprobleme verursachen, die die Genauigkeit von Business Intelligence (BI), Geschäftsberichten und Analyseanwendungen beeinträchtigen.

Darüber hinaus werden Datenfehler möglicherweise nicht identifiziert und korrigiert, was die Genauigkeit von BI und Analysen weiter beeinträchtigt. Es gibt mehrere Gründe, warum Unternehmen Data Governance haben sollten:

• Vermeiden Sie inkonsistente Silos in verschiedenen Abteilungen oder Einheiten.
• Vereinbaren Sie Datendefinitionen, die im gesamten Unternehmen geteilt und verstanden werden können.
• Verbessern Sie die Datenqualität durch gemeinsame Anstrengungen zur Identifizierung und Behebung von Fehlern.
• Erhöhen Sie die Glaubwürdigkeit der Analysen und bieten Sie Entscheidungsträgern wertvolle Informationen
• Implementieren und erzwingen Sie Richtlinien, die dazu beitragen, Fehler und den Missbrauch von Informationen zu verhindern
• Stellen Sie die Übereinstimmung mit Datenschutzrichtlinien, Datenschutz und anderen Vorschriften sicher

Eine schlechte Data Governance wird auch Compliance-Initiativen behindern, was zu Problemen für Organisationen führen kann, die neue Datenschutzgesetze wie die DSGVO der Europäischen Union und den Consumer Privacy Act der Europäischen Union (CCPA) einhalten müssen.

Ein Data-Governance-Programm führt in der Regel zur Entwicklung gemeinsamer Datendefinitionen und Standarddatenformate, die für alle Geschäftssysteme gelten und die Datenkonsistenz für Geschäfts- und Compliance-Zwecke erhöhen.

Vorteile und Ziele der Data Governance

Ein zentrales Ziel der Data Governance ist es, Datensilos in einer Organisation aufzubrechen. Diese Silos bilden sich häufig, wenn einzelne Geschäftseinheiten separate Transaktionsverarbeitungssysteme ohne zentralisierte Koordination oder eine gemeinsame organisatorische Datenarchitektur implementieren.

Datenamt hat als Zweck Harmonisierung der Daten in diesen Systemen durch einen kollaborativen Prozess mit Stakeholdern aus den verschiedenen beteiligten Geschäftsbereichen.

Ein weiteres staatliches Ziel besteht darin, sicherzustellen, dass Daten korrekt verwendet werden, um sowohl das Einschleusen von Datenfehlern in Systeme zu verhindern als auch Potenziale zu blockieren Missbrauch personenbezogener Daten über Kunden und andere vertrauliche Informationen.

Dies kann erreicht werden, indem einheitliche Datennutzungsrichtlinien erstellt werden, zusammen mit Verfahren zur Überwachung der Nutzung und zur fortlaufenden Durchsetzung von Richtlinien. Darüber hinaus kann Data Governance dazu beitragen, ein Gleichgewicht zwischen Datenerfassungspraktiken und Datenschutzbestimmungen zu finden.

Zu den Vorteilen der Data Governance gehören neben genaueren Analysen und einer strengeren Einhaltung gesetzlicher Vorschriften eine bessere Datenqualität; niedrigere Datenverwaltungskosten; und erweiterter Zugriff auf Daten, die von Data Scientists, anderen Analysten und Geschäftsanwendern benötigt werden.

Letztendlich kann Data Governance dazu beitragen, die Entscheidungsfindung in Unternehmen zu verbessern, indem bessere Informationen bereitgestellt werden. Dies führt zu Wettbewerbsvorteilen, höheren Umsätzen und Gewinnen.

Data-Governance-Rollen

In den meisten Organisationen sind mehrere Personen am Data-Governance-Prozess beteiligt. Dazu gehören Führungskräfte, Datenverwaltungsexperten und IT-Mitarbeiter sowie Endbenutzer, die mit den relevanten Datendomänen in den Systemen einer Organisation vertraut sind. Dies sind die Hauptakteure und ihre wichtigsten Governance-Verantwortlichkeiten.

Chief Data Officer

Der Chief Data Officer (CDO), falls vorhanden, ist häufig die Führungskraft, die ein Data-Governance-Programm beaufsichtigt und auf hoher Ebene für dessen Erfolg verantwortlich ist fracaso. Die Rolle des CDO umfasst die Sicherstellung der Genehmigung, Finanzierung und Personalausstattung für das Programm, die Übernahme einer Führungsrolle bei seiner Einrichtung, die Überwachung seines Fortschritts und die interne Fürsprache. Wenn eine Organisation keinen CDO hat, fungiert normalerweise eine andere C-Suite-Führungskraft als Führungskraft-Sponsor und erfüllt dieselben Aufgaben.

Data Governance Manager und Team

In einigen Fällen kann der CDO oder eine gleichwertige Führungskraft (z. B. ein Direktor für Unternehmensdatenmanagement) auch der Direktor des praktischen Data-Governance-Programms sein. In anderen ernennen Organisationen einen Data-Governance-Administrator oder weisen ihn ausdrücklich an, das Programm auszuführen. In jedem Fall leitet der Programmmanager in der Regel ein Data-Governance-Team, das in Vollzeit an dem Programm arbeitet. Manchmal formaler als Data Governance Office bekannt, koordiniert es den Prozess, leitet Besprechungen und Schulungen, verfolgt Metriken, verwaltet die interne Kommunikation und führt andere Verwaltungsaufgaben durch.

Data-Governance-Ausschuss

Das Regierungsteam trifft jedoch im Allgemeinen keine Entscheidungen über Richtlinien oder Standards. Dafür ist das Data Governance Committee oder Council zuständig, das sich hauptsächlich aus Führungskräften der Wirtschaft und anderen Dateneigentümern zusammensetzt. Der Ausschuss genehmigt die grundlegende Data-Governance-Richtlinie und die damit verbundenen Richtlinien und Regeln zu Aspekten wie Datenzugriff und -nutzung sowie die Verfahren zu deren Umsetzung. Es löst auch Streitigkeiten, wie z. B. Meinungsverschiedenheiten zwischen verschiedenen Geschäftsbereichen über Datendefinitionen und -formate.

Datenverwalter

Zu den Aufgaben des Datenverwalters gehört die Überwachung von Datensätzen, um sie in Ordnung zu halten. Sie sind auch dafür verantwortlich, sicherzustellen, dass die vom Data Governance Committee genehmigten Richtlinien und Regeln umgesetzt werden und dass die Endbenutzer sie einhalten. Mitarbeiter mit Kenntnissen über bestimmte Datendomänen und Assets werden in der Regel mit der Datenverwaltungsfunktion beauftragt. Bei manchen Unternehmen ist das eine Vollzeitstelle, bei anderen eine Teilzeitstelle; Es kann auch eine Mischung aus IT- und Geschäftsdatenmanagern geben.

Datenarchitekten, Datenmodellierer sowie Analysten und Ingenieure

Datenarchitekten, Datenmodellierer sowie Datenqualitätsanalysten und -ingenieure sind ebenfalls Teil des Governance-Prozesses. Darüber hinaus müssen Geschäftsanwender und Analyseteams in Data-Governance-Richtlinien und Datenstandards geschult werden, damit sie Missbrauch oder Missbrauch von Daten verhindern können. In einem verwandten Artikel erfahren Sie mehr über Data-Governance-Rollen und -Verantwortlichkeiten und wie Sie ein Governance-Programm strukturieren.

Komponenten des Governance Framework

Ein Data-Governance-Framework besteht aus Richtlinien, Regeln, Prozessen, Organisationsstrukturen und Technologien, die als Teil des Governance-Programms implementiert werden.

Es enthält auch Details wie das Leitbild des Programms, seine Ziele und wie sein Erfolg gemessen wird, sowie die Entscheidungsverantwortung und die Rendite für die verschiedenen Funktionen, die Teil des Programms sein werden.

Daher muss bei so vielen Informationen dokumentiert und intern geteilt werden, um zu zeigen, wie es funktioniert, damit es allen Beteiligten von Anfang an klar ist.

Auf der Technologieseite kann Data-Governance-Software verwendet werden, um Aspekte des Programmmanagements zu automatisieren. Obwohl Governance-Tools keine erforderliche Komponente des Frameworks sind, helfen sie bei seiner Entwicklung, indem sie das Zeitplan- und Workflow-Management, die Zusammenarbeit, die Entwicklung von Governance-Richtlinien, die Prozessdokumentation, die Erstellung von Datenkatalogen und andere Funktionen unterstützen. Sie können auch in Verbindung mit Tools für Datenqualität, Metadatenverwaltung und Master Data Management (MDM) verwendet werden.

Implementierung von Data Governance

Der erste Schritt bei der Implementierung eines Data-Governance-Frameworks besteht darin, die Eigentümer der verschiedenen Datenbestände in einem Unternehmen zu identifizieren und sie oder bestimmte Personen in ihren Teams am Governance-Programm teilnehmen zu lassen. Der CDO (Chief Data Officer), Executive Sponsor oder Data Governance Manager übernimmt die Führung bei der Erstellung der Programmstruktur, arbeitet an der Besetzung des Data Governance-Teams, identifiziert Data Stewards und formiert den Regierungsausschuss.

Sobald die Struktur fertig ist, beginnt die eigentliche Arbeit. Governance-Richtlinien und Datenstandards sollten entwickelt werden, zusammen mit Regeln, die definieren, wie Mitarbeiter mit Zugriff die Daten verwenden können.

• Datenzuordnung und -klassifizierung. Die systemübergreifende Zuordnung von Daten hilft dabei, Datenbestände und den Datenfluss durch das Unternehmen zu dokumentieren. Verschiedene Datensätze können anhand von Faktoren klassifiziert werden, z. B. ob sie personenbezogene Daten oder andere sensible Daten enthalten. Klassifikationen beeinflussen, wie staatliche Richtlinien angewendet werden.
• Business-Glossar. Ein Geschäftsglossar enthält Definitionen von Geschäftsbegriffen und -konzepten, die in einer Organisation verwendet werden, z. B. was eine ausmacht aktiver Kunde. Indem sie dabei helfen, ein gemeinsames Vokabular für Geschäftsdaten zu etablieren, tragen Geschäftsglossare zu Governance-Bemühungen bei.
• Datenwörterbuch. Datenwörterbücher oder -kataloge sammeln Metadaten von Systemen und verwenden sie, um ein indiziertes Inventar verfügbarer Datenbestände zu erstellen, das Datenquelleninformationen, Suchfunktionen und Tools für die Zusammenarbeit enthält. Informationen zu Data-Governance-Richtlinien und automatisierten Mechanismen zu ihrer Durchsetzung können ebenfalls in Kataloge integriert werden. (beobachten Schlüssel zu einer datengesteuerten Organisation)

best Practices

Da die Handhabung und Nutzung von Daten eingeschränkt werden kann, kann dies zu einer Herausforderung in Organisationen werden. Eine gemeinsame Sorge von Technologie- und Datenmanagementteams ist, dass Geschäftsanwender als „Datenpolizei“ wahrgenommen werden könnten.

Um die Zustimmung der Benutzer zu fördern und Widerstand gegen Governance-Richtlinien zu vermeiden, empfehlen erfahrene Manager, dass Programme geschäftsorientiert sein sollten, wobei die Dateneigentümer beteiligt sind und das Governance-Komitee Entscheidungen über Rahmenbedingungen von Standards, Richtlinien und Regeln trifft.

Data-Governance-Schulungen und -Schulungen sind ein notwendiger Bestandteil von Initiativen, insbesondere um Geschäftsanwender und Datenanalysten mit Datennutzungsregeln, Datenschutzvorschriften und ihrer Verantwortung für die Wahrung der Konsistenz der Datensätze vertraut zu machen.

Die kontinuierliche Kommunikation mit Unternehmensleitern, Geschäftsführern und Endbenutzern über den Fortschritt eines Data-Governance-Programms ist ebenfalls ein Muss, durch eine Kombination aus Berichten, E-Mail-Newslettern, Workshops und anderen Outreach-Methoden.

Es gibt eine Reihe von Faktoren, die zum Erfolg eines Governance-Frameworks beitragen:

• Ein Fokus auf Geschäftswert und organisatorische Ergebnisse.
• Interne Vereinbarung über Datenverantwortung und Entscheidungsrechte.
• Ein Modell, das auf Vertrauen in die Herkunft und Aufbewahrung von Daten basiert.
• Transparente Entscheidungsfindung, die einer Reihe ethischer Grundsätze entspricht.
• Risikomanagement und Sicherheit als Kernkomponenten der Governance enthalten.
• Ständige Aus- und Weiterbildung mit Mechanismen zur Messung ihrer Wirksamkeit.
• Ein kollaborativer Kultur- und Governance-Prozess, der eine breite Beteiligung fördert.

Zu den Berufsverbänden, die Best Practices in Data-Governance-Prozessen fördern, gehören DAMA International und die Organization of Data Governance Professionals. Das Data Governance Institute, eine Organisation, die 2004 von der damaligen Beraterin Gwen Thomas gegründet wurde, veröffentlichte eine Data-Governance-Framework-Vorlage und eine Vielzahl von Leitfäden zu Best-Governance-Praktiken.

Herausforderungen bei der Datengovernance

Erstere sind oft die schwierigsten, da verschiedene Teile einer Organisation typischerweise unterschiedliche Sichtweisen auf wichtige Geschäftsdaten wie Kunden oder Produkte haben.

Diese Unterschiede müssen im Rahmen des Governance-Prozesses gelöst werden, beispielsweise durch die Einigung auf gemeinsame Definitionen und Datenformate. Es ist oft ein angespanntes und umstrittenes Unterfangen, daher braucht das Data-Governance-Komitee ein klares Streitbeilegungsverfahren.

Andere häufige Herausforderungen, mit denen Unternehmen konfrontiert sind, umfassen die folgenden Punkte, die unten aufgeführt sind.

zeige dein Handelswert. Diese Herausforderung beginnt von vorne. Der kontinuierliche Nachweis des Geschäftswerts erfordert die Entwicklung messbarer Metriken, insbesondere Verbesserungen der Datenqualität. Dies könnte die Anzahl der vierteljährlich behobenen Datenfehler und die daraus resultierenden Umsatzsteigerungen oder Kosteneinsparungen umfassen. Andere gängige Datenqualitätsmetriken messen die Genauigkeit und Fehlerraten von Datensätzen und zugehörigen Attributen wie Datenintegrität und -konsistenz.

Unterstützung für Self-Service-Analysen. Die Self-Service-BI- und Analytics-Bewegung hat neue Governance-Herausforderungen geschaffen, indem sie Daten in die Hände von mehr Benutzern in Organisationen legt. Es muss sichergestellt werden, dass die Daten korrekt und für Benutzer zugänglich sind, während gleichzeitig sichergestellt wird, dass Benutzer (Geschäftsanalysten, Führungskräfte, Citizen Data Scientists und andere) Daten nicht missbrauchen oder mit ihnen in Konflikt geraten. Streaming-Daten, die für Echtzeitanalysen verwendet werden, verkomplizieren diese Herausforderung weiter.

Umgang mit Big Data. Die Implementierung von Big-Data-Systemen bringt auch neue Governance-Anforderungen und -Herausforderungen mit sich. Data-Governance-Programme konzentrierten sich traditionell auf strukturierte Daten, die in relationalen Datenbanken gespeichert sind, müssen sich aber jetzt mit der Mischung aus strukturierten, unstrukturierten und halbstrukturierten Daten befassen, die Big-Data-Umgebungen häufig enthalten, sowie mit einer Vielzahl von Datenplattformen, einschließlich Hadoop und Funke. Systeme, NoSQL-Datenbanken und Cloud-Objektspeicher. Darüber hinaus werden große Datensätze oft in Rohform in Data Lakes gespeichert und dann nach Bedarf für analytische Zwecke gefiltert.

Wichtige Säulen der Data Governance

Data-Governance-Programme bauen auf zusätzlichen Aspekten des gesamten Datenmanagementprozesses auf, einschließlich der folgenden.

• Datenmanagement. Eine wesentliche Verantwortung des Datenverwalters besteht darin, für einen Teil der Daten einer Organisation in Bereichen wie Datenqualität, Sicherheit und Verwendung verantwortlich zu sein. Data-Stewardship-Teams werden in der Regel gebildet, um die Implementierung von Data-Governance-Richtlinien zu leiten und umzusetzen. Sie bestehen in der Regel aus datenerfahrenen Geschäftsanwendern, die Fachexperten in ihren Bereichen sind, obwohl der Datenverwalter auch eine technologische Rolle einnehmen kann. Datenadministratoren arbeiten mit Datenqualitätsanalysten, Datenbankadministratoren und anderen Datenverwaltungsexperten zusammen, während sie mit Geschäftsbereichen zusammenarbeiten, um Datenanforderungen und Probleme zu identifizieren.

• Datenqualität. Die Verbesserung der Datenqualität ist eine der größten Triebkräfte für Governance-Aktivitäten. Genauigkeit, Integrität und Konsistenz von Daten über Systeme hinweg sind entscheidende Merkmale erfolgreicher Initiativen. Die Datenbereinigung oder Datenbereinigung ist ein gängiges Element der Datenqualität. Es korrigiert Datenfehler und Inkonsistenzen und korreliert und entfernt doppelte Instanzen derselben Datenelemente, wodurch die verschiedenen Arten, in denen derselbe Kunde oder dasselbe Produkt in Systemen erscheinen kann, harmonisiert werden. Datenqualitätstools bieten diese Funktionen unter anderem durch Datenprofilerstellung, Analyse und Vergleichsfunktionen.

• Stammdatenverwaltung. MDM (Marter Data Management) ist eine weitere Managementdisziplin, die eng mit Governance-Prozessen verbunden ist. MDM-Initiativen erstellen einen Stammdatensatz über Kunden, Produkte und andere Geschäftseinheiten, um sicherzustellen, dass Daten über verschiedene Systeme in einem Unternehmen hinweg konsistent sind. MDM ist eine natürliche Ergänzung zur Regierung. Wie staatliche Programme können MDM-Bemühungen jedoch aufgrund von Unterschieden zwischen Abteilungen und Geschäftsbereichen bei der Formatierung von Stammdaten zu Kontroversen in Unternehmen führen. Darüber hinaus hat die Komplexität von MDM seine Akzeptanz im Vergleich zu Data Governance eingeschränkt. Aber die Kombination der beiden hat zu einer Verlagerung hin zu kleineren MDM-Projekten geführt, die von Data-Governance-Zielen angetrieben werden.

• Anwendungsfälle. Effektive Governance ist das Herzstück der Verwaltung der Daten, die in Betriebssystemen und BI- und Analyseanwendungen verwendet werden. Es ist auch ein wichtiger Bestandteil von Initiativen zur digitalen Transformation und kann bei anderen Unternehmensprozessen wie Risikomanagement, Geschäftsprozessmanagement sowie Fusionen und Übernahmen helfen. Die Einhaltung der Datenschutzrichtlinien von GDPR und CCPA ist ein weiterer neuer Anwendungsfall für Data Governance. Die interne Verbreitung dieser Erfolgsgeschichten trägt dazu bei, eine gemeinsame Kultur in Organisationen zu etablieren.

Data-Governance-Anbieter und -Tools

Data-Governance-Tools gibt es bereits von verschiedenen Anbietern.

Dazu gehören große Technologieanbieter wie IBM, Informatica, Information Builders, Oracle, SAP und das SAS Institute sowie Datenmanagementspezialisten wie Adaptive, ASG Technologies, Ataccama, Collibra, Erwin, Infogix und Talend.

In den meisten Fällen werden Governance-Tools als Teil größerer Suiten angeboten, die auch Metadatenverwaltungsfunktionen und Datenquellenfunktionen enthalten.

Datenkatalogsoftware ist auch in vielen Plattformen für Data Governance und Metadatenverwaltung enthalten.

Wie im vorherigen Fall ist es bei spezialisierten Anbietern mit einem eigenständigen Produkt erhältlich, beispielsweise Alation, Alteryx, Boomi, Cambridge Semantics und Data.world.