Con la diffusione degli strumenti e delle competenze di analisi, i dati sono diventati sempre più patrimonio comune all’interno delle aziende e, in conseguenza di ciò, i programmi e gli strumenti di Data Governance devono essere visti come un elemento prezioso per la costituzione della Data Community aziendale.
L’approccio “Data Governance by Design” determina:
- il costante allineamento della gestione del dato con gli obiettivi strategici
- la sostenibilità delle iniziative
- l’orientamento alla generazione di valore
La progettazione del framework di Data Governance deve partire dall’identificazione degli obiettivi, in modo che organizzazione, processi, procedure e strumenti siano definiti in maniera funzionale all’attuazione della strategia aziendale.
Al fine di garantire l’allineamento con gli obiettivi e la sostenibilità, il programma di Data Governance deve essere progettato come un processo continuativo, da adottare con un approccio incrementale e iterativo. Per essere efficace richiede una corretta definizione dei ruoi coinvolti, delle relative responsabilità e il disegno di procedure apposite, chiare, il più possibile distribuite all’interno dei team che seguono le iniziative di Data Management ed automatizzate nei processi di Data Ops.
Alcuni esempi di standard che contribuiscono ad implementare un approccio di Data Governance by Design sono quelli relativi al Metadata Management, tra cui:
- Naming convention
- Object tagging
- Controlled Vocabulary (tassonomie, thesauri, dizionari…)
La definizione, in fase di progettazione del framework, di una serie di Misure di Successo (MoS) orientate alla misurazione del valore portato dalla Data Governance, consente di monitorare costantemente il contributo portato alle performance aziendali.
Quantyca affianca al know-how organizzativo una profonda conoscenza dei più adatti strumenti tecnologici per supportare l’implementazione dei processi di Data Governance e ridurne la complessità operativa.
Alcune delle principali funzionalità contenute negli strumenti di Data Governance sono:
- Business Glossary, per riunire in un unico repository le diverse definizioni dipartimentali, spesso frammentate e variegate, standardizzandole e disambiguandole. La sua naturale evoluzione è la creazione di una vera e propria Enterprise Ontology, che mappa i concetti di business e le relazioni tra di essi.
- Data Catalog, per centralizzare le informazioni sui data asset, facilitandone la condivisione all’interno dell’azienda. Inserito in un paradigma architetturale orientato ai dati come prodotti (Data as a Product), il Data Catalog si estende fino a diventare un Data Product Catalog, in cui tutti i Data Product (e i relativi Data Contract) disponibili per i consumatori sono rintracciabili ed esplorabili.
- Data Discovery, per identificare i data asset aziendali, migliorando la conoscenza di quelli già noti e facendo emergere quelli meno presidiati
- Data Quality, per monitorare la qualità dei dati aziendali rispetto a regole e baseline ben definite e allineate con i requisiti aziendali, attivando meccanismi di alerting
- Data Lineage, per ricostruire l’origine dei dati e tracciarne il percorso attraverso i passaggi di trasformazione, e consentire l’esecuzione di processi di Impact Analysis e Root Cause Analysis.
A seconda delle esigenze aziendali altri moduli o strumenti possono essere affiancati ai precedenti, per estendere la portata della Data Governance o per potenziarne aspetti specifici.
In una visione olistica della Data Governance è essenziale che i tool non operino isolatamente ma che siano efficacemente integrati l’uno con l’altro dando una visione unica e completa. Ad esempio, collegando i dati fisici mappati nel Data (Product) Catalog con l’Enterprise Ontology tramite il Semantic Linking, si abilita la costruzione di un Knowledge Graph aziendale.
La Data Governance porta benefici di vario tipo, tra cui:
- Riduzione del rischio
- Supporto all’automazione e alla manutenzione (efficienza operativa)
- Democratizzazione dell’accesso ai dati (scalabilità organizzativa)
