La maggior parte delle organizzazioni sa di avere bisogno di una migliore data governance. Molte meno ne hanno un programma che funziona davvero. Gartner prevede che l'80% delle iniziative di data governance e analytics fallirà entro il 2027, non perché il concetto sia difettoso, ma perché la maggior parte dei programmi viene costruita come esercizio documentale invece che come sistema operativo. E la scarsa qualità dei dati costa all'organizzazione media 12,9 milioni di dollari all'anno, quindi le conseguenze di sbagliare sono concrete.
Cosa è (e non è) un Programma di Data Governance
Un programma di data governance è il livello operativo che mette in pratica una strategia di data governance. Se la strategia definisce come dovrebbe apparire una buona gestione dei dati, il programma definisce chi fa cosa, quando e come. Trasforma le politiche in decisioni, le decisioni in processi e i processi in abitudini quotidiane lungo l'intero ciclo di vita dei dati. Il quadro di governance dei dati fornisce il modello strutturale. Il programma è come quel modello viene eseguito.
Non è una piattaforma software. Gli strumenti supportano la governance; non la sostituiscono. Non è neanche un progetto una tantum. Le aziende che la trattano come un progetto, con una data di lancio e un traguardo di completamento, finiscono costantemente al punto di partenza entro due anni.
Un programma di data governance è l'insieme di strutture, ruoli e processi che rendono reali le politiche sui dati. Senza di esso, le politiche sono solo documenti.
Le organizzazioni spesso acquistano software di governance prima di aver definito chi possiede quali dati e quali regole si applicano. Il software diventa quindi un repository di documentazione incompleta invece che un meccanismo di applicazione. Il modello operativo, vale a dire la combinazione di persone, processi e strutture di accountability, deve venire per primo.
Componenti Fondamentali
Politiche e standard.
Questi definiscono come i dati devono essere creati, denominati, classificati, archiviati e ritirati lungo il loro ciclo di vita. Una politica è una dichiarazione di intenti di alto livello: "Tutti i dati dei prodotti devono avere una singola fonte autorevole prima di essere pubblicati sui canali di vendita." Uno standard è l'implementazione tecnica: campi obbligatori, formati di valore accettati, convenzioni di denominazione. Le politiche senza standard lasciano troppo spazio all'interpretazione, e gli standard senza politiche mancano di contesto aziendale. Molte organizzazioni formalizzano anche questo in una carta di governance dei dati, un documento che definisce l'ambito, gli obiettivi e l'autorità del programma di governance prima che vengano scritti gli standard.
Proprietà e stewardship dei dati.
Ogni dominio di dati ha bisogno di un proprietario assegnato, un ruolo aziendale piuttosto che una mansione, responsabile dell'accuratezza e dell'idoneità di quei dati per il loro uso previsto. I data steward svolgono il lavoro operativo: monitoraggio della qualità, risoluzione dei problemi, mantenimento delle definizioni e aggiornamento del dizionario dei dati. Questo è dove la maggior parte dei programmi di governance si rompe. I proprietari vengono nominati, ma non hanno vera autorità. Gli steward vengono assegnati oltre ai lavori esistenti e rapidamente deprioritizzano il lavoro di governance. Entrambi i ruoli hanno bisogno di ambito formale, allocazione di tempo e diritti di escalation.
Processi.
La governance senza processi definiti è solo una commissione. I programmi efficaci stabiliscono come i problemi di dati vengono segnalati, escalation e risolti; come i nuovi domini di dati vengono aggiunti all'ambito di governance; come le modifiche alle definizioni dei dati vengono approvate; e come la qualità dei dati viene misurata e segnalata. I requisiti di conformità normativa, come GDPR o CCPA, in genere aggiungono requisiti di processo relativi all'accesso ai dati, alla conservazione e ai diritti dei soggetti che si alimentano direttamente in questi flussi di lavoro. Questi processi dovrebbero essere il più leggeri possibile mantenendo comunque la ripetibilità.
Misurazione.
Senza metriche, la governance diventa invisibile. Le misure utili includono tassi di completezza dei dati per dominio, conteggio dei problemi aperti e tempi di risoluzione, tassi di conformità alle politiche e il numero di elementi di dati critici che sono stati formalmente definiti e approvati. Dalla nostra esperienza, le organizzazioni che non riescono a mostrare una linea di tendenza della qualità entro i primi sei mesi di un programma di governance perdono il supporto esecutivo prima di costruire lo slancio. Il punto non è generare report. È rendere la qualità sufficientemente visibile affinché l'organizzazione possa agire su di essa.
Ruoli in un Programma di Data Governance
Ogni ruolo in una struttura di governance ha bisogno di un ambito esplicito. In pratica, un piccolo team con chiara autorità realizza più di una grande commissione senza autorità.
Lo sponsor esecutivo, spesso un CDO o equivalente, fornisce l'autorità organizzativa. Risolve le dispute tra i dipartimenti, assicura il budget e rende la governance un elemento permanente nell'agenda dei leader. Senza questo ruolo, la governance si blocca non appena incontra resistenza dipartimentale.
Il consiglio di data governance o comitato di indirizzo riunisce gli stakeholder aziendali e tecnici per prendere decisioni su politiche, prioritizzazione e standard tra domini. Questo è l'organo decisionale, non un gruppo consultivo. Dovrebbe riunirsi regolarmente e avere l'autorità per approvare o bloccare i cambiamenti.
I proprietari di dati sono stakeholder aziendali senior responsabili di specifici domini di dati. Un proprietario di dati di prodotto presso un produttore potrebbe essere il capo della gestione dei prodotti. Non gestiscono i dati quotidianamente, ma sono responsabili della loro idoneità all'uso e di prendere decisioni quando gli standard entrano in conflitto.
I data steward sono i professionisti. Mantengono le definizioni dei dati, monitorano i dashboard di qualità, gestiscono le richieste di eccezione e lavorano direttamente con i consumatori di dati. Dalla nostra esperienza con i produttori che gestiscono grandi cataloghi di prodotti su sistemi ERP, PIM e e-commerce, il ruolo di steward è frequentemente dove la qualità dei dati effettivamente si rompe. Non perché le persone siano incompetenti, ma perché lo stewardship viene aggiunto come responsabilità secondaria senza tempo protetto.
I consumatori di dati, come analisti, gestori di prodotto e team di marketing, hanno anch'essi un ruolo. Segnalano i problemi, aderiscono agli standard definiti e non creano soluzioni alternative che aggirino i processi di governance.
Il team IT o data engineering implementa e mantiene i controlli tecnici: gestione degli accessi, politiche di sicurezza dei dati, regole di validazione, log di audit e pipeline di integrazione. La governance definisce cosa dovrebbero fare i controlli; l'IT li costruisce e li gestisce.
Perché i Programmi Falliscono
La governance viene posizionata all'interno di IT. Quando la data governance viene trattata come una funzione tecnica, gli stakeholder aziendali si disimpegnano. Le politiche che vengono scritte riflettono le priorità di IT, come i controlli di accesso e gli standard infrastrutturali, piuttosto che le esigenze di dati aziendali. La qualità ne soffre in modi che IT non può misurare.
La proprietà è nominale. I titoli vengono assegnati senza autorità. Un proprietario di dati che non può applicare uno standard di dati, bloccare un feed di dati non conforme o escalare un problema di qualità alla leadership non è un proprietario in alcun senso significativo.
L'ambito è troppo ampio fin dall'inizio. Le organizzazioni tentano di governare tutti i dati contemporaneamente, vengono sopraffatte dalla complessità e abbandonano lo sforzo prima che emergano risultati. La governance che tenta di coprire tutto non governa bene nulla.
Il programma è trattato come terminato. La data governance richiede manutenzione continua. I modelli di dati cambiano, vengono aggiunti nuovi sistemi, i regolamenti si aggiornano e i processi aziendali evolvono. La gestione dei cambiamenti non è opzionale. Mantenere i ruoli attuali, formare nuovi steward e ritirare le politiche obsolete sono compiti ricorrenti, non lavoro di configurazione una tantum. Un programma senza un processo per mantenersi attuale decade rapidamente in termini di pertinenza.
Come Iniziare
Inizia con un singolo dominio di dati che ha un evidente dolore aziendale. Non tutti i dati. Un dominio. Scegli quello in cui i problemi di qualità stanno creando il costo operativo o commerciale più elevato, che sia dati di prodotto, dati di clienti o dati di fornitori.
L'approccio con inizio ristretto supera costantemente il lancio a livello aziendale. Un produttore con cui abbiamo lavorato ha iniziato la governance solo con i dati delle specifiche tecniche, specificamente gli attributi che alimentano i configuratori di prodotti e i portali dei distributori. Questo ambito era gestibile abbastanza da assegnare proprietari reali e applicare effettivamente standard. Entro sei mesi, i tassi di completezza delle specifiche sono passati dal 58% al 91%. Quel risultato ha creato una domanda interna per estendere la governance ai dati di prezzo e ai contenuti di marketing, che l'organizzazione aveva poi la struttura per gestire.
Documenta lo stato attuale di quel primo dominio: quali sistemi lo contengono, chi lo crea, chi lo usa e quali problemi di qualità esistono. Non è un audit formale. È contesto sufficiente per definire la proprietà, identificare gli elementi di dati critici che devono essere governati per primi e scrivere un piccolo numero di politiche pratiche.
Assegna un proprietario e due o tre steward. Assicurati che queste assegnazioni vengano con ambito esplicito e un po' di tempo protetto. Definisci una o due metriche di qualità che seguirai fin dall'inizio. Quindi esegui un ciclo di governance: una revisione della qualità, un affinamento delle politiche, una questione risolta. Quel ciclo dimostra che il programma può funzionare e crea il modello che userai quando espandi.
Strumenti e Tecnologia
La maggior parte dei programmi di governance acquista strumenti troppo presto. Prima che qualsiasi piattaforma abbia senso, hai bisogno di ruoli stabili e almeno un ciclo di governance funzionante. Senza questi, uno strumento aggiunge solo costi a un processo indefinito.
I programmi in fase iniziale spesso hanno bisogno di nient'altro che un dizionario dati condiviso e un modo per tracciare le assegnazioni di proprietari e i problemi aperti. Un foglio di calcolo ben strutturato funziona. Con la maturità del programma, un catalogo dati diventa utile: rende le risorse di dati scopribili, documenta metadati e lineage e traccia le metriche di qualità su larga scala.
Per le organizzazioni che gestiscono dati strutturati su più sistemi, una piattaforma MDM funziona come un livello di applicazione della governance, centralizzando i dati master, applicando regole di validazione e gestendo i flussi di lavoro di approvazione. AtroCore, ad esempio, combina un modello dati completamente configurabile con controllo degli accessi basato su ruoli a livello di entità, in modo che le regole di governance e i confini di accesso possano essere strutturati intorno ai tuoi effettivi domini di dati piuttosto che forzati in uno schema predefinito. Questo è importante quando l'ambito della governance si espande su più domini con proprietari diversi e requisiti di qualità diversi.
Dove la Governance si Connette a una Gestione dei Dati più Ampia
Nessuna di queste discipline funziona bene in isolamento e le dipendenze vanno in entrambe le direzioni.
La gestione della qualità dei dati è la disciplina operativa che mantiene i dati entro gli standard che la governance definisce. L'MDM è spesso dove l'applicazione della governance diventa più concreta per le organizzazioni i cui dati critici sono distribuiti tra sistemi ERP, feed di partner e canali commerciali. Fornisce un record centrale con proprietà definita e regole di validazione. Un percorso di approvazione documentato rende l'accountability visibile invece che assunta. Il lineage mappa come i dati fluiscono attraverso i sistemi e come i metadati cambiano nel tempo, dando ai team di governance la visibilità per applicare l'accountability e tracciare la fonte dei problemi di qualità.
Esegui questi in isolamento e ognuno si rompe diversamente. Senza gestione della qualità dei dati, la governance produce politiche che nessuno monitora. Senza governance, la gestione della qualità dei dati produce metriche senza accountability. L'MDM senza nessuno dei due non ha regole da applicare e nessuno responsabile del record che detiene.