Wie misst man das Data Governance-Reifegradmodell?

Datenverwaltung Protokolle existieren in einer Organisation nicht und Datenqualität kann nicht garantiert werden. Wenn Daten unstrukturiert sind und Änderungen nicht dokumentiert werden, verschlechtert sich ihre Qualität rapide. Dies bereitet nicht nur Datenteams große Sorgen, sondern behindert auch Geschäftsanwender bei der Innovation mit Unternehmensdaten. Daten von schlechter Qualität und nicht vorhandene Datenmanagement Prozesse können zu ungenauen Datensätzen führen.

Fehlerhafte Daten können katastrophale Folgen haben – von schädlichen Geschäftsentscheidungen bis hin zu potenziellen Datenschutzverletzungen und kostspieligen Compliance-Verstößen. Um diese Probleme zu lösen, müssen Unternehmen Folgendes implementieren: Daten-Governance-Strategie, aber für den Erfolg dieser Strategie ist ein hohes Maß an Datenreife erforderlich. Der beste Weg, dies zu erreichen, ist die Einführung eines Data-Governance-Reifegradmodell.

Reifegrad der Datenverwaltung und ihr Modell

Um einen höheren Reifegrad der Datenverwaltung zu erreichen, müssen Unternehmen das Datenverwaltungsreifemodell einhalten. Es gibt viele Beispiele für dieses Modell. Bevor wir uns jedoch mit den bekanntesten befassen, wollen wir die Terminologie verstehen.

Was genau ist Data-Governance-Reife?

Der Reifegrad der Datenverwaltung beschreibt den Stand, den ein Unternehmen bei der Implementierung und Einführung eines Datenverwaltungsprogramms erreicht hat. Ein unreifes Unternehmen verfügt über viele unorganisierte Daten und nutzt diese nicht zur Förderung des Wachstums. Reifere Unternehmen hingegen sind sich der Bedeutung von Daten als kritisches Geschäftsgut voll bewusst und verwalten sie entsprechend.

Was ist das Data-Governance-Reifegradmodell?

Ein Data-Governance-Reifegradmodell ist ein Tool und eine Methode zur Messung und einfachen Kommunikation des Data-Governance-Programms einer Organisation innerhalb der gesamten Organisation. In reifen Organisationen sind alle Prozesse für die Verwaltung, den Zugriff und die Innovation von Datenbeständen vorhanden. Weniger fortgeschrittene Organisationen können dies mithilfe von Reifegradmodellen erreichen.

Es gibt einige bekannte Reifegradmodelle für Data Governance, darunter Beispiele von IBM, Stanford, Gartner und Oracle. Diese Modelle bieten Unternehmen die Möglichkeit, Daten effektiv zu verwalten, Benutzerzugriff zu gewähren, qualitativ hochwertige Daten sicherzustellen und allen im Unternehmen die Möglichkeit zu geben, von diesen Fortschritten zu profitieren.

Es gibt kein allgemeingültiges Modell für die Datenreife, und selbst wenn man sich für eines entscheidet, muss es an die Organisation angepasst werden. Wenn ein Unternehmen den höchsten Reifegrad der Datenverwaltung erreicht, sind sichtbare Ergebnisse zu sehen. Unternehmensweit werden Daten für Innovationen und Zusammenarbeit genutzt, um bessere Geschäftsentscheidungen zu treffen. Gleichzeitig vermeiden diese Unternehmen hohe Bußgelder wegen Nichteinhaltung von Datenschutzbestimmungen.

Welches Data-Governance-Reifegradmodell sollte verwendet werden?

Obwohl es verschiedene Data-Governance-Reifegradmodelle gibt, müssen Sie bei der Entscheidung für ein Data-Governance-Reifegradmodell viele Faktoren berücksichtigen. Dazu gehören wichtige Geschäftstreiber, das für die Implementierung des Modells erforderliche Budget, vorhandene Datenmanagement- und Governance-Frameworks sowie Ihre Branche.

Progressives Data Governance-Reifegradmodell

Die Ziele der einzelnen Data-Governance-Reifegradmodelle sind identisch, doch weder Gartner noch IBM liefern die nötigen Details zur Bewältigung der Herausforderungen, vor denen Unternehmen stehen. Unternehmen können den Fortschritt ihrer Data-Governance-Programme verfolgen.

Level 1: undefiniert

• Die Bedeutung der Daten nicht kennen;
• Keine Aktion;
• Flow ist reaktiv und oft chaotisch;

Stufe 2: bewusst

• Machen Sie sich die Bedeutung von Daten bewusst.
• Bestehende Datenpraktiken werden verstanden und dokumentiert;
• Stellen Sie eine Liste der Datenquellen bereit.

Stufe 3: definiert

• Es werden Regeln und Richtlinien zur Datenverwaltung definiert.
• Identifizieren Sie Dateneigentümer und Datenverwalter;
• Governance-Komitee eingerichtet;
• Installiertes Datenverzeichnis;

Level 4: implementiert

• Setzen Sie Richtlinien und Durchsetzungsregeln zur Datenverwaltung durch.
• Ausgebildet;
• Daten sammeln und messen;
• Richten Sie Warnmeldungen ein, um von Benutzern gemeldete Probleme mit der Datenqualität zu überwachen.

Stufe 5: Optimierung

• Optimierte Regeln und Richtlinien zur Verbesserung der Effizienz;
• Der neu gestaltete Arbeitsablauf reduziert Redundanz;
• Daten werden von Benutzern markiert, um die Auffindbarkeit zu verbessern.

Das Data-Governance-Reifegradmodell sollte auf die drei Kernbereiche der Data Governance angewendet werden: Datenqualität, Datenzugriffsmanagement und Datenkompetenz. Ziel ist es, das Modell unabhängig auf jede der drei Domänen anzuwenden und die Data-Governance-Problematik schrittweise anzugehen.

Der beste Weg, den aktuellen Stand Ihres Unternehmens zu verstehen und die nächste Stufe zu erreichen, besteht darin, Datennutzer in einem formellen Fragebogen zu befragen. So können Sie nachvollziehen, wo das Unternehmen steht, was die Mitarbeiter wissen und was nicht.

IBM Data Governance-Reifegradmodell

Das IBM Data Governance Maturity Model ist eines der bekanntesten. Es wurde 2007 entwickelt, um Unternehmen dabei zu unterstützen, Fortschritte in elf zentralen Data-Governance-Bereichen zu ermitteln. Dazu gehören Datenbewusstsein und Organisationsstruktur, Datenrichtlinien, Data Governance, Datenqualitätsmanagement, Datenlebenszyklusmanagement, IT-Sicherheit und Datenschutz, Datenarchitektur, Datenklassifizierung, Compliance, Wertschöpfung und Auditing.

Stufe 1: Initial

• Begrenzt auf keine Datenverarbeitung oder -verwaltung;
• Die Datenverwaltung erfolgt ad hoc und reaktiv;
• Keine formellen Verfahren zur Datenverfolgung;
• Verpasste Fristen und Überschreitungen des Projektbudgets;

Um auf Stufe 2 aufzusteigen, sollten Datenteams überprüfen, wie Daten in ihrer Organisation geteilt werden, und einen Plan entwickeln, der Dateneigentümer und andere Interessengruppen einbezieht.

Stufe 2: verwaltet

• Benutzer erkennen den geschäftlichen Wert der Daten;
• Einige Datenprojekte, wie etwa eine Kartendateninfrastruktur, sind in Arbeit.
• Geringe Automatisierung;
• Maßnahmen zur Datenverwaltung wurden vereinbart und stehen zur Nutzung zur Verfügung.
• Datenteams beginnen, sich auf Metadaten zu konzentrieren;

Um Level 3 zu erreichen, müssen regulatorische Maßnahmen weiterentwickelt und dokumentiert werden. Beginnen Sie dazu mit der Erstellung von Modellen, die kritische Infrastrukturen und Anforderungen abbilden.

Stufe 3: definiert

• Die Datenrichtlinie ist klar definiert;
• Eine Reihe von Datenverwaltern wurde identifiziert und ernannt;
• Es werden einige Datenverwaltungstechniken verwendet.
• Datenintegration Pläne werden entwickelt;
• Benutzer teilen und verstehen Datenverwaltungsprozesse;
• Stammdatenverwaltung ist alltäglich;
• Es werden Maßnahmen zur Risikobewertung der Datenqualität eingesetzt.

Organisationen gelangen auf Stufe 4, wenn sie weiterhin Datenrichtlinien und Governance-Prozesse festlegen und implementieren.

Ebene 4: Quantitatives Management

• Die Datenrichtlinie ist klar definiert;
• Es sind Maßnahmen zur Datenverwaltung auf Unternehmensebene vorhanden.
• Klare Datenqualitätsziele vorhanden;
• Datenmodelle sind leicht verfügbar;
• Grundsätze der Datenverwaltung bestimmen alle Datenprojekte.
• Das Leistungsmanagement ist aktiv und im Gange;

Um ein Höchstmaß an Datenreife zu erreichen, müssen Sie sich auf die Generierung von KPIs und anderen Leistungskennzahlen konzentrieren. Dazu ist ein klarer und präziser Plan für die Implementierung des Datenmodells erforderlich.

Stufe 5: Optimierung

• Senkung der Datenverwaltungskosten;
• Automatisierung ist weit verbreitet;
• Unternehmensweite Einführung klarer und umfassender Grundsätze für das Datenmanagement;
• Datenverwaltung ist Teil der Unternehmenskultur;
• Die Berechnung und Verfolgung des ROI von Datenprojekten ist gängige Praxis.

Eine ausgereifte Organisation ist sich der Bedeutung von Daten als kritisches Geschäftsgut voll bewusst und verwaltet sie entsprechend.

Gartner Data Governance Reifegradmodell

Ein weiteres weithin anerkanntes Modell ist das Gartner Data Governance Maturity Model. Seit 2008 ermöglicht das Gartner-Modell Unternehmen, fünf Hauptziele zu erreichen:

• Unternehmensweite Datenintegration;
• Einheitlicher Inhalt;
• Integration von Stammdatendomänen;
• Reibungslose Informationskanäle;
• Metadatenverwaltung;

Level 0: undefiniert

• Keine Datenverwaltung, kein Dateneigentum und keine Datenverantwortung;
• Kein Prozess oder keine Struktur für den Informationsaustausch;
• Keine Standardisierung oder Metadatenverwaltung;
• Die Archivierung und der Dokumentenaustausch erfolgen größtenteils per E-Mail.
• Keine Vereinheitlichung, Datenfragmentierung;
• Wichtige Geschäftsentscheidungen werden auf der Grundlage unzureichender Informationen getroffen.

Aktionspunkte: Datenteams und Planer müssen wichtige Führungskräfte über die Bedeutung der Datenverwaltung aufklären und sich auf die möglichen Auswirkungen von Verstößen gegen Compliance-Vorschriften konzentrieren.

Ebene 1: Bewusstsein

• Das Fehlen von Dateneigentümern ist offensichtlich;
• Unternehmensleiter geben zu, dass es an Unterstützung für Enterprise Information Management (EIM) mangelt.
• Der Wert von Daten wird immer offensichtlicher.
• Ein gewisses Maß an Bewusstsein für Datenqualitätsprobleme;
• Die Menschen erkennen die Notwendigkeit standardisierter Datenrichtlinien und -prozesse.
• Achten Sie auf redundante Berichte und ineffiziente BI-Prozesse.
• Die Risiken, die entstehen, wenn man kein EIM hat, werden immer offensichtlicher.

Aktionselement: Das Datenteam muss eine EIM-Strategie entwickeln, die mit der vorhandenen Unternehmensarchitektur und den strategischen Geschäftszielen übereinstimmt.

Stufe 2: Reaktivität

• Organisationen verstehen den Wert von Unternehmensdaten.
• Daten werden nun abteilungs-, projekt- und systemübergreifend ausgetauscht.
• Der Datenqualitätsprozess ist reaktiv;
• Richtlinie vorhanden, aber geringe Akzeptanz;
• Dateninformations- und Aufbewahrungsbewertungsprozess in Entwicklung;

Aktionspunkte: Wichtige Führungskräfte müssen die ersten Schritte erleichtern und die Einführung fördern. Gleichzeitig muss ein umfassendes Wertversprechen vorgelegt werden.

Stufe 3: aktiv

• Datenmanager und -eigentümer sind identifiziert und aktiv;
• Zusammenarbeit gilt als zentraler Unternehmensprozess.
• Rollen und Governance-Modelle bestätigt;
• Unternehmensweite Einhaltung von Governance-Vereinbarungen;
• Datenverwaltung ist ein integraler Bestandteil der Entwicklung und Bereitstellung jedes Projekts.
• Reduzierung des Betriebsrisikos;

Aktionspunkte: Erstellen und präsentieren Sie den Geschäftspartnern und der Geschäftsleitung eine EIM-Strategie und identifizieren Sie EIM-Möglichkeiten auf Abteilungsebene.

Ebene 4: Verwaltung

• Unternehmensweiter Konsens darüber, dass Daten von entscheidender Bedeutung sind;
• Die Datenrichtlinie ist entwickelt, eingeführt und gut verstanden;
• Einrichtung eines Gremiums zur Datenverwaltung;
• Die Datenmetriken sind gut definiert und leicht zugänglich;

Aktionspunkt: IT-Management-Aufgaben müssen inventarisiert werden, um sicherzustellen, dass sie den EIM-Richtlinien entsprechen. Es sollte eine Scorecard zur Bewertung des Datenmanagementprozesses geben.

Stufe 5: wirksam

• Die Nutzung von Daten und Managementinformationen wird als Wettbewerbsvorteil angesehen.
• Hat ein Service Level Agreement (SLA);
• Das Erreichen von Produktivitätszielen und die Reduzierung von Risiken sind zwei Ziele, die mit einer EIM-Strategie verbunden sind.
• Das für EIM verantwortliche Team ist erfahren und aktiv;
• Kernziele von EIM erreicht;

Aktionselement: Stellen Sie sicher, dass Schritte unternommen werden, um sicherzustellen, dass die EIM-Kontrollen und Qualitätsstandards im Falle eines Führungswechsels fortbestehen.

Wenn ein Unternehmen den höchsten Reifegrad der Datenverwaltung erreicht, sind sichtbare Ergebnisse zu sehen.

Daten sind der wichtigste Treiber für modernes Unternehmenswachstum. Sie unterstützen nicht nur wichtige Geschäftsentscheidungen, sondern ermöglichen auch die Zusammenarbeit und damit unternehmensweite Innovationen.

Abschluss

Vielen Dank für das Lesen unseres Artikels. Wir hoffen, er hilft Ihnen, das Data-Governance-Reifegradmodell besser zu verstehen. Wenn Sie mehr über Data Governance erfahren möchten, besuchen Sie bitte: Gudu SQLFlow für weitere Informationen.

Als einer der die besten Datenherkunftstools Gudu SQLFlow ist heute auf dem Markt erhältlich und kann nicht nur SQL-Skriptdateien analysieren, Datenherkunft, und führen Sie eine visuelle Anzeige durch, ermöglichen Sie Benutzern aber auch, die Datenherkunft im CSV-Format bereitzustellen und eine visuelle Anzeige durchzuführen. (Veröffentlicht von Ryan am 23. Juni 2022)