In het kort
- Data management omvat alle activiteiten om data gedurende de hele levenscyclus beschikbaar, betrouwbaar en waardevol te maken – het is geen project maar een permanente bedrijfsfunctie, zoals HR of Finance.
- Het essentiële onderscheid: de datastrategie (business-verantwoordelijkheid) beschrijft hóe je data inzet voor organisatiedoelen; de data management-strategie beschrijft wát je moet regelen om dat mogelijk te maken.
- Het Deltiq Data Management Framework onderscheidt negen disciplines – van data governance en architectuur tot datakwaliteit en operations – die samen de volledige scope van data management dekken.
- Begin met een heldere datastrategie voordat je data management inricht: zonder richting vanuit de business blijft data management een doel op zich in plaats van een middel om organisatiedoelen te bereiken.
“We hebben DAMA DMBoK geïmplementeerd, maar niemand gebruikt het. De directie snapt niet waarom we dit doen. En onze nieuwe AI-platform staat klaar, maar de data blijkt toch niet goed genoeg…”
Klinkt bekend? Je bent niet de enige. Na meer dan 15 jaar ervaring bij de overheid en het bedrijfsleven zien we steeds dezelfde patronen terugkomen. Organisaties maken bij het implementeren van data management keer op keer dezelfde fouten.
Het goede nieuws? Deze fouten zijn te voorkomen. Maar alleen als je ze herkent voordat het te laat is.
Fout 1. "Niemand begrijpt waar ik het over heb" - De Jargon-Valkuil
De fout
“We gaan een metadata governance tooling implementeren voor betere data lineage en data integration & interoperability.”
Zojuist verloor je 90% van je publiek
Het probleem is niet dat data management complex is. Het probleem is dat we als vakgebied vergeten zijn dat er een hele wereld buiten onze specialisten bestaat die nauwelijks begrijpt waar we het over hebben. En het ergste? Om niet onwetend over te komen, zijn mensen vaak terughoudend om dat aan te geven.
Wat gaat er mis
Je presenteert aan de directie. Je praat over een “data fabric als intelligente orkestratie engine”. Je legt uit dat jullie “metadata governance tooling nodig hebben voor data lineage”. Je ziet mensen knikken. Maar wat denken ze echt?
“Wat. Is. Dit. Voor. Taal?”
Bestuurders durven niet toe te geven dat ze het niet snappen. Ze knikken beleefd. En na de vergadering? “Laten we daar eerst maar eens over nadenken.” Vertaling: we hebben geen idee wat je wilt, dus krijg je geen budget.
De consequentie
Geen draagvlak, geen budget, geen beslissingen. Data management blijft een black box waar bestuurders liever niet aan komen. Je bent bezig met iets belangrijks, maar niemand snapt waarom. En zonder begrip, geen prioriteit.
Zo doe je het wél
Taal doet ertoe. Écht.
Praat niet over “metadata governance tooling” maar over een “data-administratie” – vergelijkbaar met de boekhouding voor Finance. Geen “data integration & interoperability” maar “gegevensuitwisseling”. En soms werkt het woord “gegevens” beter dan “data” – vooral bij overheden. Gegevens zijn van de business, data wordt geassocieerd met ICT.
Maar het gaat verder dan woordkeuzes. Stop met het presenteren van DAMA DMBoK aan een directie. Laat DAMA achterwege. Begin met een concreet bedrijfsproces dat ze kennen. Leg uit welke gegevensverwerking daar plaatsvindt. Maak tastbaar wat er misgaat als betekenis, kwaliteit en beschikbaarheid niet op orde zijn. En dán leg je uit wat data management daaraan doet.
Pas je taal aan op je publiek. Schakelen tussen contexten is essentieel vakmanschap. De beste data professionals spreken zowel de taal van IT als de taal van de business. En ze weten welke taal ze wanneer moeten gebruiken.
Fout 2. "We zijn er bijna - zodra de data klaar is" - Analytics vóór de Basis
De fout
“We gaan AI inzetten! We bouwen een data lake! We starten met advanced analytics!”
Maar niemand heeft gecheckt of de bronsystemen überhaupt betrouwbaar zijn.
Wat gaat er mis
Er heerst veel enthousiasme. Er zijn kansen met data, met AI, met analytics. Er is al een prototype gebouwd. Gesprekken met leveranciers hebben plaatsgevonden. De organisatie staat op het punt een overeenkomst te tekenen voor een nieuw platform.
En dan trapt iemand op de rem.
Waarom? Omdat de randvoorwaarden gewoonweg niet op orde zijn. De bronsystemen zijn verouderd. Het databeheer van systemen is onvolwassen. Er zijn twijfels over beschikbaarheid en datakwaliteit. En er zijn genoeg voorbeelden van specialisten die ieder op hun eigen manier vrije tekstvelden invullen in het systeem. Dat is de brondata waarop jullie algoritmes zouden moeten draaien…
Een bestuurder van een middelgrote zorginstelling vertelde ons: “We hebben als directie besloten om het data lake-initiatief stop te zetten. Dat is niet goed voor je populariteit kan ik je zeggen. Maar de randvoorwaarden waren gewoon niet op orde.”
Het vergt moed en leiderschap om zo’n beslissing te nemen. Want het is niet leuk om enthousiaste collega’s te moeten teleurstellen. Maar op de lange termijn zijn de financiële nadelen en risico’s vrijwel onvermijdelijk als je doorgaat zonder fundament.
De consequentie
Trap op de rem voordat je een duur platform aanschaft. Beoordeel eerst of de randvoorwaarden op orde zijn. Zijn de bronsystemen betrouwbaar? Is het databeheer volwassen? Is de datakwaliteit geborgd? Hebben jullie basale definities op orde?
Maar – en dit is belangrijk – dat betekent niet dat je drie jaar lang alleen maar onder de motorkap bezig moet zijn. Daar gaat ook niemand van juichen. De waarheid ligt in het midden.
Werk met een Masterplan-aanpak waarin je de huidige situatie beoordeelt, bepaalt wat de organisatie met data wil én kijkt naar de veranderruimte en -bereidheid. Dat laatste blijft vaak onderbelicht maar is cruciaal. Op basis daarvan maak je een plan hoe data management structureel verbeterd kan worden.
En doe dat altijd op basis van concrete use-cases. Natuurlijk kunnen dat analytics-initiatieven zijn. Daarmee gebruik je het enthousiasme en de ideeën om innovatieve stappen te zetten mét waarborgen voor data management. Klein beginnen met zichtbare resultaten, en tegelijkertijd de fundamenten op orde brengen.
Zo doe je het wél
Trap op de rem voordat je een duur platform aanschaft. Beoordeel eerst of de randvoorwaarden op orde zijn. Zijn de bronsystemen betrouwbaar? Is het databeheer volwassen? Is de datakwaliteit geborgd? Hebben jullie basale definities op orde?
Maar – en dit is belangrijk – dat betekent niet dat je drie jaar lang alleen maar onder de motorkap bezig moet zijn. Daar gaat ook niemand van juichen. De waarheid ligt in het midden.
Werk met een roadmap-aanpak waarin je de huidige situatie beoordeelt, bepaalt wat de organisatie met data wil én kijkt naar de veranderruimte en -bereidheid. Dat laatste blijft vaak onderbelicht maar is cruciaal. Op basis daarvan maak je een plan hoe data management structureel verbeterd kan worden.
En doe dat altijd op basis van concrete use-cases. Natuurlijk kunnen dat analytics-initiatieven zijn. Daarmee gebruik je het enthousiasme en de ideeën om innovatieve stappen te zetten mét waarborgen voor data management. Klein beginnen met zichtbare resultaten, en tegelijkertijd de fundamenten op orde brengen.
Fout 3. "IT lost dat wel op" - Data Management is toch een ICT-Probleem?
De fout
De directie beslist: “We hebben dataproblemen. De ICT-afdeling moet dat maar oplossen.”
Dit is dé fundamentele misvatting die alles blokkeert.
Wat gaat er mis
Het gebrek aan data management vindt zijn oorsprong in de onterechte veronderstelling dat dit primair een technologisch vraagstuk is. Het leidt ertoe dat bestuurders hun ICT-organisatie verantwoordelijk maken voor het opruimen van de “data-schuld”. Maar dat is een te kortzichtige benadering.
Want wat denkt ICT te doen? De ene technologie vervangen door de andere. Van Excel naar Google Sheets. Van on-premise naar de cloud. Van Microsoft naar Snowflake (of andersom). Andere technologie, zelfde data, zelfde problemen.
Het patroon is altijd hetzelfde: er wordt geïnvesteerd in nieuwe technologie, iedereen is enthousiast, en… de resultaten vallen tegen. De investeringen leveren niet op wat ervan verwacht werd. Initiële resultaten met slimme algoritmes blijken lastig te implementeren en op te schalen. Het periodiek beschikbaar krijgen van data met de juiste kwaliteit blijft een uitdaging. De data in de nieuwe cloud-oplossing is uiteindelijk toch lastiger te ontsluiten dan gedacht.
De consequentie
Managers voelen zich niet verantwoordelijk voor datakwaliteit en vinden data-issues een probleem van IT. Er is geen brede sturing en iedere poging om afspraken te introduceren stuit op weerstand.
Geen enkele lijnmanager mag zelf het beloningsbeleid bepalen, functies bedenken of arbeidsvoorwaarden aanpassen. Voor data is dat diametraal anders. Iedereen doet maar wat. En die chaos vinden we in de data-wereld heel normaal…
Ondertussen blijft de dataschuld groeien. Want de beschikbaarheid en betrouwbaarheid van data wordt als vanzelfsprekend beschouwd, terwijl het dat bijna nooit is. Zelfs niet als de belangen heel hoog zijn.
Zo doe je het wél
Data management is een bedrijfsfunctie. Net als Finance en HR.
Stel je voor dat je CFO verantwoordelijk zou zijn voor alle P-gesprekken. Of dat iedere manager zijn eigen beloningsbeleid zou bepalen. Klinkt absurd? Voor data is dit de dagelijkse praktijk.
Het effectief managen van data vergt organisatorische afspraken, beleid en eenduidige accountability. Wie geeft aan welke kwaliteitseisen van toepassing zijn? Hoe wordt beslist welke definities worden gehanteerd? Welk proces moet worden gevolgd om problemen te melden en op te lossen? Dit zijn geen IT-vraagstukken – dit zijn organisatorische vraagstukken.
Organiseer data management zoals je Finance of HR organiseert.
Organiseer eenduidige accountability. Zonder duidelijke eindverantwoordelijkheid blijft data management iets “van iedereen en dus van niemand”. Dat leidt tot vertraging en vrijblijvendheid. Net zoals bij Finance is er een eindverantwoordelijke nodig die richting geeft. Dat is de CDO – en die rapporteert aan de CEO, niet aan de CIO.
Spreek spelregels af. Organisatiebreed beleid bepaalt welke kaderstelling van toepassing is. Denk aan beleid voor datakwaliteit, data modellering of gegevensdelingen. Beleid gaat over wát er moet gebeuren, niet over hoe ieder systeem dat technisch implementeert.
Richt centrale sturing in, maar spreid de uitvoering. HR doet ook niet alle P-gesprekken. Een CDO Office doet ook niet alle datakwaliteitscontroles. De business én IT zijn verantwoordelijk voor de uitvoering binnen hun processen. Het CDO Office zorgt voor ondersteuning en samenhang.
Werk vanuit een geïntegreerde administratie. Om data te kunnen managen, moet bekend zijn welke data er is en wat alle eigenschappen zijn. Een systematische data-administratie – vergelijkbaar met de boekhouding – is hiervoor essentieel.
Data is een bedrijfsmiddel. Geen IT-probleem.
Fout 4. "Iedereen is verantwoordelijk, dus niemand" - De Vrijblijvendheid-Val
De fout
“We hebben data stewards benoemd!”
Oké, en wie is er écht verantwoordelijk als het misgaat?
“Eh… iedereen?”
Wat gaat er mis
Data stewards worden benoemd zonder mandaat, zonder tijd, zonder budget. Er is geen duidelijke governance-structuur. Data-eigenaarschap is nergens formeel vastgelegd. Als er een datakwaliteitsprobleem is, weet niemand waar het moet landen. Escaleren? Naar wie dan?
De knelpunten onderschrijven allemaal hetzelfde onderliggende probleem: onduidelijke rollen, geen expliciete verantwoordelijkheden, niemand die echt aanspreekbaar is.
Organisaties waar data management niet structureel is georganiseerd vertonen vaak dezelfde verschijnselen: losse data management-initiatieven die niet op elkaar aansluiten, parallelle governance-structuren, beleidsvorming die niet tot vaststelling komt, implicaties van datawetgeving die nergens landen.
De consequentie
Niemand voelt zich echt verantwoordelijk. Datakwaliteitsproblemen blijven onopgelsd. Er is geen duidelijke eindverantwoordelijkheid. Besluiteloosheid en versnippering zijn het gevolg.
“Data governance is het kind van de rekening” horen we vaak. Het is iets dat erbij wordt gedaan, naast het reguliere werk. Zonder prioriteit. Zonder structuur. En dus: zonder resultaat.
Sterker nog: mensen hebben vaak helemaal geen idee dat ze verantwoordelijk zouden moeten zijn. De directeur van de afdeling Inkoop denkt echt niet dat datakwaliteit van leveranciersgegevens zijn probleem is. “Dat is toch IT?”
Zo doe je het wél
Organiseer expliciete governance met heldere rollen en verantwoordelijkheden.
Kijk naar hoe dit bij Finance en HR is geregeld. Bij Finance is het glashelder: er is een CFO die eindverantwoordelijk is, er zijn controllers, er zijn afdelingsmanagers die budgetverantwoordelijkheid hebben, en er is een financiële administratie die iedereen moet gebruiken. Niemand twijfelt over wie waarvoor verantwoordelijk is.
Voor data management moet dit net zo helder zijn. Werk met het Three Lines Model:
Eerste lijn: De business en IT zijn verantwoordelijk voor data in hun processen. Gegevensverantwoordelijken, data stewards, gegevensmanagers – zij zorgen ervoor dat data in hun domein op orde is. Dit is geen bijbaan, dit zijn serieuze rollen met mandaat en tijd.
Tweede lijn: Het CDO Office stelt kaders, ontwikkelt beleid, monitort naleving en biedt ondersteuning. Hier zitten de data architecten, de beleidsadviseurs, de experts die de organisatie helpen.
Derde lijn: Interne audit voert onafhankelijke controles uit op de effectiviteit van data governance.
En boven dit alles: de directie die eindverantwoordelijk is en toezicht houdt.
Maar dit alleen opschrijven is niet genoeg. Dit moet formeel worden vastgelegd. In functiebeschrijvingen. In mandaatbeslissingen. In begrotingen. Met echte namen en echte gezichten. Pas dan is iemand echt verantwoordelijk.
En vergeet niet: Non-invasive Data Governance werkt het beste. Mensen veranderen niet van rol, ze krijgen formele erkenning voor wat ze al informeel doen. De focus ligt op ondersteuning, niet op controle. Gebruik bestaande processen en structuren. Accountability is de kern.
Fout 5. "We gaan DAMA implementeren" - De Framework-First Valkuil
De fout
“We hebben besloten DAMA DMBoK te implementeren. We beginnen met hoofdstuk 1: Data Governance. Vervolgens pakken we Data Quality aan, dan Data Architecture…” Voor elk DAMA-spaakwiel wordt een project gestart.
Stop. Daar. Meteen.
Wat gaat er mis
Dit is wat wij de instrumentele benadering noemen. En het werkt niet. Als het al lukt om stappen te zetten, gaat het moeizaam, met weinig energie en amper blije gezichten.
Het patroon is altijd hetzelfde: eerst wordt bedacht wat er aan data management nodig is, welk beleid daarvoor moet worden afgesproken en hoe activiteiten moeten worden ingericht. Hiervoor wordt gretig teruggegrepen op raamwerken of referentiekaders. Dan wordt gekeken waar dit kan worden toegepast (een oplossing op zoek naar een probleem) in de hoop dat daarmee de effectiviteit van primaire bedrijfsactiviteiten kan worden verbeterd.
De afzonderlijke stappen zijn in beginsel prima. Alleen de volgorde moet 180 graden gedraaid worden.
De consequentie
Gebrek aan betrokkenheid. Abstracte initiatieven zonder concrete businessimpact. Onduidelijk nut en noodzaak. Stakeholders die niet snappen waarom dit belangrijk is. Geen concrete businesscase. En uiteindelijk: initiatieven die verzanden.
“Hoe vaak heb jij DAMA DMBoK geïmplementeerd?” – deze vraag is symptomatisch voor organisaties die top-down proberen te verbeteren. Het antwoord? Vrijwel nooit succesvol.
Want DAMA DMBoK is geen implementatieplan. Het is een referentiekader. Een kapstok. Een overzicht van het vakgebied. Maar geen aanpak om van A naar B te komen in jouw specifieke organisatie met jouw specifieke context.
Zo doe je het wél
Begin bij primaire bedrijfsactiviteiten. Kies er één – niet meteen alles. Bepaal welke gegevensverwerking daar plaatsvindt en welke concrete (dus niet vaag of abstract) knelpunten of kansen zich voordoen.
Bijvoorbeeld: het inkoopproces loopt niet goed omdat masterdata van leveranciers dubbel voorkomt. Of: de vergunningverlening stagneert omdat verschillende afdelingen andere definities hanteren voor “volledig aanvraagdossier”. Of: compliance met AVG is niet geborgd omdat niemand overzicht heeft welke persoonsgegevens waar worden verwerkt.
Stel vervolgens vast welke data management-activiteiten nodig zijn om díe specifieke knelpunten aan te pakken. Richt specifiek daar je ontwerp van data management op in. En schaal van daaruit op naar andere gegevensverwerkingen.
We onderscheiden drie typen use-cases.
Operational Excellence: Een bestaand proces verbeteren door knelpunten in gegevensverwerking op te lossen. Voordeel: effecten zijn goed te meten en je vindt makkelijk een business eigenaar.
Kansen benutten: Nieuwe mogelijkheden realiseren met analytics, AI of andere innovaties. Vereist vaak eenduidige definities, kwaliteitsregels en data-integratie.
Compliance: Voldoen aan wet- en regelgeving. Vaak het minst sexy, maar afhankelijk van de context (denk: dreigende boetes, toeslagenaffaire-achtige schandalen) kan dit enorm prioriteit hebben.
Het resultaat? Veel meer focus, betrokkenheid van stakeholders en directere waardecreatie. Use-cases zijn behapbaar (weken tot enkele maanden) en schaalbaar (meerdere naast elkaar mogelijk).
De kunst is om bij het ontwerpen van verbeteringen breder te kijken dan alleen de betreffende use-case. Wat werkt voor deze casus maar zou ook kunnen werken voor andere, vergelijkbare use-cases? Dit vereist een vorm van governance: leren, schalen, borgen.
En ja, dan gebruik je uiteindelijk wel concepten uit DAMA of andere frameworks. Maar pas nadat je hebt bepaald wat je organisatie nodig heeft. Context is king.
Herken je deze fouten?
Als je jezelf herkent in twee of meer van deze situaties, ben je niet alleen. We zien deze patronen bij bijna iedere organisatie die data management wil professionaliseren.
Maar het goede nieuws is: deze fouten zijn te voorkomen. Deltiq heeft inmiddels bij tientallen organisaties – van ministeries tot beursgenoteerde ondernemingen – geholpen om data management wél goed in te richten.
Niet door DAMA te implementeren. Niet door nog een tool aan te schaffen. Niet door data stewards te benoemen en te hopen dat het vanzelf goed komt.
Maar door te beginnen bij concrete businessvraagstukken. Door te werken aan draagvlak en begrip. Door data management te organiseren als bedrijfsfunctie met heldere verantwoordelijkheden. En door dit stap voor stap op te bouwen, passend bij jouw organisatiecontext.
Veelgestelde vragen over data management
Data management is het professioneel organiseren van alle randvoorwaarden rond data. Het zorgt ervoor dat organisaties data veilig, betrouwbaar en doelgericht kunnen gebruiken. Overheidsinstellingen zijn door goed data management in staat zich te verantwoorden over het vastleggen en delen van data over burgers. Goed data management geeft grip op kwaliteit, betekenis en beschikbaarheid van gegevens.
Data management is de overkoepelende term voor alle activiteiten rond het beheren van data. Data governance is één discipline binnen data management, gericht op toezicht, besluitvorming en het bewaken dat de data management-strategie wordt uitgevoerd. Governance zorgt voor de kaders, prioriteert en stuurt op de uitvoering binnen de overige disciplines van de data management.
Zonder data management worstelen organisaties met problemen zoals slechte vindbaarheid, wisselende kwaliteit en onduidelijke definities. Dit kost veel tijd aan zoeken en opschonen. Data management lost dit structureel op en maakt datagedreven werken mogelijk.
De datastrategie beschrijft hoe je data wilt inzetten om bedrijfsdoelen te bereiken – dit is een business-verantwoordelijkheid. De data management-strategie beschrijft vervolgens wat je qua data management moet regelen om die datastrategie mogelijk te maken. Datastrategie = wat wil je bereiken met data. Data management-strategie = hoe maak je dat mogelijk.
Ja, absoluut. Data management zonder datastrategie is als bouwen zonder bouwtekening: je bent wel bezig, maar niemand weet of je het juiste bouwt. Begin met helderheid over je bedrijfsdoelen en hoe data daaraan bijdraagt. Pas dan kun je bepalen welk aspecten van data management je nodig hebt.
Ook kleinere organisaties profiteren van gestructureerd data management, al zal de aanpak eenvoudiger zijn. Het gaat niet om de omvang maar om het strategisch belang van data voor je organisatie – en dus om je datastrategie. Kleine organisaties met een ambitieuze datastrategie hebben data management net zo hard nodig.
Klaar om grip te krijgen op je data?
Ontdek waar jouw organisatie nu staat en welke stap het meeste oplevert. Met onze Masterplan-aanpak helpen we organisaties om datastrategie, governance en kwaliteit concreet te vertalen naar resultaat.
Plan een vrijblijvend gesprek en krijg binnen twee weken een helder startpunt en routekaart voor structureel data management.
