Het belang van data is vele malen groter geworden naarmate we 2022 binnenstappen, met de nadruk op actief databeheer en datagovernance. Bovendien zijn we dankzij de introductie van nieuwe technologie en tools nu in staat om arbeidsintensieve data- en privacyoperaties te automatiseren. Hieronder staan vijf trends op het gebied van gegevensbeheer die organisaties kunnen toepassen op basis van digitale transformatie, gegevensprivacywetten en het genereren van inkomsten met gegevens.
1. Datakwaliteit uitgebreid naar klantreizen en levering van inzichten
VOLG ONZE LIVE DATA MANAGEMENT FUNDAMENTALS CURSUS
Doe online mee aan deze vierdaagse workshop over de DMBoK, CDMP-voorbereiding en kerngegevensconcepten.
In 2022 wordt het belang van data voor het genereren van waarde goed erkend, terwijl de vraag naar kwalitatieve data toeneemt. Veel bedrijven leven echter nog steeds met gegevenssilo's over hun functies heen, waardoor ze meer productagnostisch zijn in plaats van domeingericht. Als gevolg hiervan is het moeilijk om kritieke gegevens tussen divisies te gebruiken om zinvolle inzichten te genereren, zoals marketing en persoonlijke ervaringen.
Bedrijven realiseren zich ook de verschuiving in de prioriteiten voor gegevenskwaliteit naar operaties en een betere dienstverlening aan klanten. Maar dit kan gebeuren wanneer gegevens nauwkeurig worden samengesteld; dus data-acquisitiebeheer is een topprioriteit vanaf 2021 die zal worden voortgezet. Gegevens ondergaan echter tijdens hun reis transformatie door mensen en processen samen met systemen, en een gebrek aan consistentie kan van invloed zijn op de dienstverlening aan klanten.
Het harmoniseren van de regels voor gegevenskwaliteit voor alle producten en kanalen zorgt voor consistentie bij het vinden van de juiste gegevens en het gebruik ervan voor operationele uitmuntendheid. Een tool voor het beheer van gegevenskwaliteitsregels is een noodzakelijke vaardigheid die bedrijven moeten verwerven. Dergelijke tools kunnen worden geleverd met profilering en workflowbeheermogelijkheden die kunnen worden gebruikt voor batch- en realtime gegevens. Het harmoniseren van generieke regels voor datakwaliteit kan echter worden toegepast op masterdata- en referentiedatabeheeroplossingen, terwijl gespecialiseerde, op context gebaseerde regels nog steeds toegang tot een datakwaliteit-tool en -vaardigheden vereisen.
Bovendien zal voor veel bedrijven de focus in 2022 liggen op het herstellen van slechte gegevens en het oplossen van gegevensinvoer en IT-problemen bij het beheren van applicatiegegevens van klanten. Dit wordt ook beïnvloed door gegevensbeschermingsbeleid over de hele wereld dat de nadruk legt op het handhaven van nauwkeurige gegevens van betrokkenen voor integriteit.
Gartner voorspelt dat bedrijven zullen uitgeven $ 4.5 biljoen dit jaar op digitale transformatie, een stijging van 5.5% ten opzichte van 2021. Naarmate de focus verschuift naar het mogelijk maken van digitale reizen en het beter bedienen van mensen binnen korte onderhoudstijden, moeten de onderliggende gegevens kwalitatief zijn. Aspecten zoals realtime kwaliteitsanalyse, automatische correctie voor gegevensherstel en intelligente automatisering voor standaardisatie van gegevens, voor integratie en voor levering met behulp van ELT in magazijnen of meren zullen een prioriteit zijn. Webservices en API-integratie voor realtime kwaliteitsbeheer en het leveren van gegevens aan verbruikende applicaties zullen een cruciale vraag zijn in Data Quality-tools.
Analytics en data Science personeel besteedt 50% van hun inspanningen aan gegevensvoorbereiding. Het analyseren van de kwaliteit van data en het bruikbaar maken voor Data Science-modellering is een belangrijk onderdeel van de datavoorbereiding. Nauwkeurige gegevens zijn een cruciale behoefte om haalbare inzichten te verkrijgen uit kunstmatige-intelligentiemodellen. Hoe nauwkeurig zijn de gegevens in de echte wereld om een bruikbare uitkomst te geven? Dit is een kritieke dimensie van gegevenskwaliteit die prioriteit kan krijgen.
Verder wordt de voorspellende efficiëntie van AI-modellen bepaald door diversiteit, schaal en kwaliteit van invoergegevens. Dekking en beschikbaarheid van gegevens zullen belangrijke dimensies zijn die de kwaliteit van inzichten kunnen garanderen die door Data Science-personeel worden gegenereerd.
2. Domeingerichte gegevenscatalogus
Gecentraliseerde dataplatforms maken het complexer om actief databeheer te cascaderen en voordelen te leveren aan het bedrijf en de data-eigenaren. Omdat legacy dataplatforms waren gebaseerd op de beschikbaarheid van speciale vaardigheden en het ontwerpen van dataproducten op basis van just-in-time-vereisten, resulteerde dit in niet-flexibiliteit bij het beheren van gegevens die verband houden met specifieke domeinen zoals klantenservice of marketing. Naarmate nieuwe gegevensproducten zich ontwikkelen, wordt het noodzakelijk dat de dekking van gegevens die aan bepaalde domeinen zijn gekoppeld, in een snel tempo wordt beheerd. Dit zou ten goede komen aan de ontwikkeling van nieuwe producten, nieuwe modellen en rapporten, en geïntegreerde weergaven met wendbaarheid.
Als fundamenteel principe maakt het logisch groeperen van gegevens in domeinen en datasets het gemakkelijk om gegevens te definiëren en actief te beheren. Het catalogiseren van gegevens met behulp van een sterk Metadata Management-bedrijfsmodel dat de zakelijke datastewards omvat, zal een prioriteit zijn in 2022. Het verwerven van een datacatalogus kan alleen een manier ondersteunen om metadata en definities vast te leggen, terwijl de juiste activering van datastewards, eigenaren van gegevens en platforms zullen nodig zijn om catalogisering en observatie met deze tools te stimuleren. Het is mogelijk om een overkoepelend raamwerk zoals BIAN voor bankieren te gebruiken, dat kan helpen bij het logisch classificeren van gegevens.
3. Datafabric en datademocratisering
Er is een groeiende uitdaging om gegevens beter te beheren, aangezien deze in variëteit en volume toenemen, en er wordt geschat dat elke dag 7.5 septiljoen gigabyte aan gegevens wordt gegenereerd. Bovendien worden in organisaties silo's gecreëerd door meerdere datameren of datawarehouses zonder de juiste richtlijnen, wat uiteindelijk een uitdaging zal zijn bij het beheren van deze datagroei. Om wendbaarheid te bereiken, kunnen we het datalandschap vereenvoudigen door gebruik te maken van een semantische stof, in de volksmond datafabric genoemd, op basis van een sterk Metadata Management-besturingsmodel. Dit kan gegevens verder interoperabel maken tussen divisies en functies en tegelijkertijd een concurrentievoordeel opleveren. Data Fabric vereenvoudigt Data Management, over cloud en on-premise databronnen, ook al worden data beheerd als domeinen.
Daarnaast, democratisering van gegevens kan een krachtig hulpmiddel zijn om gegevens gemakkelijk over domeinen heen te beheren en gegevens zowel beschikbaar als interoperabel te maken. Door zakelijke gebruikers in staat te stellen relevante gegevens te verzamelen en te gebruiken voor hun onmiddellijke rapportage of het genereren van inzichten, kan de doorlooptijd bij het traditioneel verkrijgen of sourcen van gegevens aanzienlijk worden verkort. Een ander voordeel van datademocratisering is dat dataconsumenten worden beoordeeld op nieuwe verkregen data en wijzigingen in data.
4. Gegevensprivacy en hoofdweergaven van voorkeuren voor toestemming van klanten
In 2022 zullen er nieuwe wetten inzake gegevensprivacy worden aangenomen, zoals de Personal Data Protection Bill (PDPB) die in India wordt verwacht, samen met verdere richtlijnen van brancheorganisaties zoals de European Data Protection Board over overdracht en concepten van de-identificatie en anonimisering. Inmiddels zijn veel organisaties een programma voor gegevensbescherming gestart door een privacybeleid aan klanten te publiceren. Het uitgeven van een privacybeleid op een gemakkelijk te begrijpen medium aan klanten is een heldere weergave van de privacyprincipes binnen de organisatie aan klanten. Dit biedt klanten zekerheid over hoe persoonlijke gegevens worden verwerkt en als activa worden beschermd. Voordat u echter een privacybeleid publiceert, is het verstandig om de p
doeleinden en verwerkingsactiviteiten in verband met persoonsgegevens in alle bedrijfsdomeinen door middel van een privacy-effectbeoordeling.
De organisaties die een functie voor gegevensbescherming starten, zullen zich richten op het verwerven van de vereiste capaciteiten, zoals het identificeren van gegevens om te classificeren voor privacy. Ze zullen zich ook richten op het definiëren en versleutelen van privacydomeinen als prioriteitsdomeinen. Datakantoren kunnen grafieken gaan gebruiken om voorkeuren te ontwikkelen voor het verwerken van persoonlijke gegevens van klanten voor doeleinden zoals marketing of analyse. Hoewel Master Data Management-oplossingen de kaders voor toestemming en klantvoorkeuren kunnen uitbreiden, kunnen grafische databases natuurlijk vragen beantwoorden als: "Via welk kanaal worden de meeste toestemmingen door klanten verstrekt?" of "Welke klanten en hun relaties hebben ingestemd met marketing?" Verder kunnen enkelvoudige weergaven van voorkeuren voor producten, klanten en hun huishoudens via voorkeurskanalen eenvoudig te analyseren zijn.
Een data discovery-oplossing of -catalogus helpt bij het classificeren van gegevens over verschillende systemen, terwijl privacy-engineering kan helpen bij het opschonen van gegevens via een op controle gebaseerde benadering op basis van klantvoorkeuren voor doeleinden zoals personalisatie. Privacyautomatisering is een belangrijke factor die kan helpen bij het beheer van privacyrisico's door middel van ontwerp, terwijl de controles met gegevenseigenaren worden gevolgd tot een afsluiting met een workflow. Dit vereenvoudigt het communicatiebeheer en de verwarring over eigendom van privacyrisico's.
5. Waarderealisatie vanuit Data Management en Data Governance
Een veelvoorkomend obstakel voor een datakantoor is dat deze divisies eigenaar zijn van de metrische gegevens die de waarde van governance-activiteiten bewaken. Hoewel er gemeenschappelijke bedrijfsvoordelen zijn, zoals lagere operationele kosten en risico's, zijn er voordelen die rechtstreeks wegen op de waardeketens van de divisies, zoals de effectiviteit van de klantenservice.
1. Elke governance-enabler moet een meetwaarde hebben die is gekoppeld aan meting, zoals persoonsuren die zijn besteed aan metadatabeheer of het aantal zakelijke termen dat in de woordenlijst is opgenomen.
2. De datastewards kunnen vervolgens, binnen elke bedrijfsdivisie, informatie verzamelen over operationele en datawaardeketens.
3. De datastewards en de divisies ontdekken de succesfactoren en meetwaarden die worden gebruikt om het commerciële succes van de divisie te meten, zoals time-to-service, effectiviteit van de klantenservice, cross-sell-ratio en nog veel meer.
4. Vervolgens is het aan te raden om een spoor vast te stellen tussen de governance-enablers en de waardeketen van de divisie.
5. De ondernemer kan deze metrics onderschrijven en regelmatig laten monitoren, zoals het vergroten van de integriteit van data.
De genoemde aanpak creëert bewustzijn in het bedrijf waar je zou willen dat governance binnensijpelt. Het raamwerk, zoals ik al eerder zei, moet duidelijk de traceerbaarheid tussen Data Governance-enablers, technologie en procesimpact omvatten, gevolgd door zakelijke impact en waarde.
