Het beste van DAMA, DMM en praktijkervaring verpakt in een handig Framework.

Een praktisch handvat voor Data Management

Datagedreven werken, het gebruik van artificial intelligence (AI) en machine learning, datalabs of toenemende dataficatie door bijvoorbeeld sensor-technologie. Het zijn zomaar wat voorbeelden die één gemeenschappelijke deler hebben: data.

Betrouwbare en beschikbare data niet vanzelfsprekend

Wat opvalt in al deze ontwikkelingen is dat de beschikbaarheid en betrouwbaarheid van gegevens vaak als vanzelfsprekend wordt beschouwd of iets dat automatisch er vanzelf wel is of komt. Het is immers veel leuker en spannender om de focus te leggen op nieuwe algoritmes, coole tech of innovatieve ideeën. En die data hadden we toch al ergens…? Maar de praktijk is weerbarstig: data organiseert zich niet vanzelf, zelfs als de belangen heel hoog zijn zoals in de Covid-19 crisis blijkt. Crisissituaties zijn vaak een moment of truth voor data management: het is hét moment waarop direct, betrouwbare data op een verantwoorde manier breed beschikbaar moet kunnen worden gesteld. En dan blijkt nog wel eens dat die stevige datapositie toch niet zo stevig is. In het bedrijfsleven zijn de uitdagingen niet anders: een migratie naar een nieuw HR-pakket of het verplaatsen van de IT-infrastructuur naar de cloud lossen niet vanzelf knelpunten met bijvoorbeeld datakwaliteit of het koppelen van datasets op.

Bestaande referentiekaders niet altijd even werkbaar

Gelukkig zien steeds meer organisaties in dat het nodig is data expliciet te managen. Hiertoe wordt vaak teruggegrepen op bekende referentiekaders: de DAMA Data Management Body of Knowledge (DMBOK) of het Data Management Maturity Model (DMM). Nuttige raamwerken die we zelf ook gebruiken en die helpen om inzicht te krijgen in het vakgebied. Maar als je er echt mee aan de slag gaat, blijkt dat deze raamwerken ook hun tekortkomingen kennen. Zo is de indeling soms onlogisch, bestaat er overlap tussen de activiteiten van verschillende ‘knowledge areas’ en zitten er inconsistenties in. Ook misten we soms de vertaling naar de concrete praktijk, een betere afstemming op aanpalende vakgebieden als enterprise architectuur en IT-operations en specifiekere invulling van het aspect gegevensbescherming in lijn met de AVG.

Dit alles is niet zo’n groot probleem als je goed weet waar je mee bezig bent of als de scope van een data management-vraagstuk niet al te groot is. Maar de praktijk is soms heel anders. De vraag naar data management-consultants die ‘5 jaar ervaring met Snowflake, R en data engineering’ moeten hebben. Organisaties die het goed scoren op een data management maturity-scan belangrijker vinden dan concrete verbeteringen. Of een data management implementatieplan waarbij ieder hoofdstuk een taartpunt uit DMBOK is….

Verbeterd raamwerk als kapstok

Getriggerd door vragen van onze klanten en gedreven door onze eigen praktijkervaringen, hebben we een meer werkbaar Data Management Framework ontwikkeld. Ontdaan van een aantal tekortkomingen, aangevuld met ervaringen uit de praktijk en de specifieke Nederlandse context en overzichtelijk weergegeven op 1 A4 (of eigenlijk A0… ;-).

Het raamwerk kent twee assen. Aansluitend bij DMM of DMBOK zijn op de horizontale as de verschillende disciplines en aspecten van data management zichtbaar, zij het dat de eerder genoemde tekortkomingen zoveel mogelijk zijn weggewerkt.

De verticale as is bedoeld om een onderscheid te maken naar de verschillende data omgevingen die er binnen een organisatie vrijwel altijd zijn.

Naast een operationele transactionele omgeving die de primaire processen ondersteunt, is er vaak ook sprake van een aparte analytische omgeving. Zoals een ‘data lake’, data platform of datawarehouse-omgeving. Of het gaat om losse datalabs en alles wat zich natuurlijk verder op de individuele werkplek afspeelt (de Excel-bouwwerken, Acces-databases, SAS-tooltjes etc.). Los van de vraag of een dergelijke versnippering van dataomgevingen wenselijk is, is dit doorgaans de realiteit. In al deze omgevingen leeft data die in beginsel gemanaged moet worden. Door die omgevingen expliciet in kaart te brengen, kan vervolgens per omgeving bekeken worden in hoeverre data management aanwezig is dan wel ingericht of verbeterd moet worden. Hoe weten we welke gegevens in ieder van die omgevingen aanwezig is (Data-administratie), welke spelregels hebben we voor Data-autorisatie in ieder van die omgevingen, hoe beheersen we het gebruik van dezelfde data in verschillende omgevingen (data logistieke architectuur en horizontale lineage) etc. Naast vraagstukken die over omgevingen heen spelen, kan het raamwerk natuurlijk ook gebruikt worden om de inrichting van data management voor één omgeving te beheersen.

Op meerdere manieren te gebruiken

Met het raamwerk wordt vooral overzicht en samenhang gegeven. Om van daaruit verdieping aan te brengen op verschillende onderdelen. Hiervoor verwijzen we graag door naar allerhande bestaande kennis & literatuur. Zo bezien kan ons raamwerk fungeren als een ‘entry point’ naar de eerder genoemde raamwerken.

Het raamwerk kan op meerdere manieren worden gebruikt. Als checklist, door per aspect te kijken of eraan gedacht is of voor het beschrijven van de huidige of gewenste inrichting. Hoe is iets georganiseerd, waar is daar documentatie van te vinden, wie is daarvoor verantwoordelijk? Maar ook om een basale volwassenheidsmeting uit te voeren, bijvoorbeeld door stakeholders ieder aspect te laten scoren of als hulpmiddel bij het prioriteren van verbeteringen.

Eenmaal ingevuld ontstaan allerlei interessante inzichten. Zoals overlap in inrichting tussen data omgevingen; gaten in de inrichting wanneer blijkt dat bepaalde aspecten helemaal niet zijn ingevuld of inconsistenties. Of bijvoorbeeld wanneer er weliswaar datamodellen worden gemaakt maar deze helemaal niet worden gebruikt in ontwikkeling.

Op deze manier vormt het raamwerk een praktisch handvat bij het vormgeven van data management in een organisatie.

Download 

Het Framework is direct te downloaden. Doe er je voordeel mee en laat ons weten wat je ervan vindt!