Avere a disposizione un buon sistema di data management automatizzato offre notevoli vantaggi che vanno dall’ottimizzazione delle tempistiche di lavoro, passando attraverso uno snello tracciamento dei dati e ricostruzione della loro storia, sino alla facilità di reperimento e una condivisione sicura degli stessi.

Ma quali sono gli elementi essenziali per creare un sistema di Data management efficiente ed efficace?

 

1. Potenziare la data quality

Sono diversi gli standard che definiscono le dimensioni relativa alla qualità dei dati, da quelli proposti da DAMA (global data management community) sino all’ ISO-25012. Questi propongono, tra le altre, metriche quali l’accuratezza, la tempestività, la coerenza, la completezza e l’univocità. Ma come misurare se la nostra data quality risponde a questi standard? Diventa necessario un approccio automatizzato ovvero integrato tra i vari step in cui vengono coinvolti i dati (dalla data entry in poi) e deve essere prevista una seria attività di audit relativa alle varie operazioni. Ecco che entra in gioco la data lineage ovvero la tecnica che consente di identificare e rappresentare il ciclo di vita del dato. A tal proposito vi rimandiamo al nostro articolo “Data Lineage: come assicurarsi qualità e integrità dei dati” nel quale potrete trovare ulteriori approfondimenti sul tema.

 

2. Mappare e razionalizzare

Una buona policy è quella di mappare le fonti da cui provengono i dati all’interno di un unico repository. Prevedere, inoltre, una migliore integrazione tra le piattaforme da cui si ha accesso agli stessi consente di diminuire la necessità di risorse altamente specializzate che abbiano conoscenze di ETL e stored procedure.

 

3. Fare data due diligence…senza dimenticare l’analisi di impatto!

L’IT si servirà di questa attività per fornire indicazioni operative all’azienda. La due diligence rivolta ai dati è ormai fondamentale. Investigare i processi che coinvolgono i dati e la gestione dei flussi informativi consente di mantenere il controllo dei vari processi. Non solo, grazie a un’analisi di impatto automatizzata potrete semplificare e rendere tempestivi gli interventi in caso di errore (o perdite di dati) e aumentare la trasparenza della decisione presa.

 

4. Catalogare i dati

La catalogazione consente un miglior sfruttamento di tutte le fonti dei dati. L’ordine, inoltre, è un buon co-worker nel caso di necessità di interventi o reperimento di informazioni.
Questo suggerimento assieme al 3 costituiscono il nucleo fondamentale per  aiutarvi ad essere compliant a tutta la normativa privacy che tanto ha preoccupato negli ultimi anni!

 

5. Riorganizzare le risorse e promuovere una data science mindset

Ne avevamo già parlato nell’articolo “6 passi per iniziare un processo di big data analysis” e ve lo riproponiamo anche tra i suggerimenti per un data management efficiente ed efficace. La data literacy è tanto importante quanto saper leggere e scrivere! E’ uno dei passi imprescindibili nel consolidamento di una cultura orientata ai dati in quanto consente ai vari stakeholder di comprendere in che contesto si trovano oltre a cosa stanno leggendo. Molte aziende pensano ancora che si tratti di policy che si fanno solo ad alti livelli o che servano virtuosismi tecnici. In verità sono procedure che dovrebbero essere implementate sin da subito, calibrate sul tipo di società e dovrebbero rientrare a pieno titolo nel know how.

 

6. Creare una solida strategia

Se una strategia di data governance fosse un asset sarebbe un’immobilizzazione immateriale. Andrebbero, quindi, sin da subito quantificati il costo e le risorse ad essa dedicata, nonché i vari step da affrontare, cercando di combinare le varie figure provenienti da IT e business: un mondo che sempre più è destinato ad incontrarsi.

A good start is half the battle! Buon lavoro!

 

New call-to-action

Approfondimenti da BNext:

Data Preparation: cos’è e come si esegue la preparazione dei dati

Data Preparation, una disciplina che si occupa di preparare i dati all’utilizzo che si intende effettuare in ambito aziendale. Vediamo cos’è

Cos’è la Data Governance e come implementarla efficacemente

I dati costituiscono la materia prima dell’azienda digitale. Implementarli e gestirli in maniera strategicamente efficiente si rivela fondamentale per successo di un business, ai fini di estrarre il maggior valore possibile in termini di informazioni utili a...

Erwin: dalla data governance alla data democratization

Democratizzazione del dato. Ne abbiamo parlato sotto tante declinazioni. Sicuramente una è quella legata alla Data Governance. Lo strumento leader per fare ciò è Erwin che permette di progettare e creare un’esperienza di organizzazione dati a livello aziendale.

Data Governance: governare processi e responsabilità sui dati. Un use case in ambito finance.

Secondo Gartner erwin by Quest è la soluzione di Data Governance leader di mercato. Ecco i vantaggi in un use case in ambito finance

Le tecnologie di data virtualization e di metadata management

Le tecnologie di data virtualization e di metadata management sono fondamentali per una data governance efficace in azienda. Ecco perché

La virtualizzazione dei dati per una efficace data lineage

La data virtualization come tecnologia di integrazione dati. Cos’è e perché è efficace per la data lineage

La data lineage nella Data Governance aziendale

Data lineage: l’origine dei dati, dove e come si spostano nel tempo. Consente di “mappare” tutto il ciclo di vita del dato.

erwin: l’acquisizione di Quest Software

Nel mondo IT molte sono le joint venture, è il caso di Quest, società software e servizi IT. erwin: l’acquisizione di Quest a dicembre 2020

Data Governance: superare i colli di bottiglia con erwin

La #DataGovernance è qualcosa di più della mera gestione del rischio: la conformità rispetto alle regolamentazioni in merito a queste tematiche è un valore aggiunto, ma la sua applicazione è spesso difficile a causa di una serie di colli di bottiglia che la frenano: data lineage assenti, qualità dei dati non certificata, contesto aziendale non pronto. Con erwin però puoi superarli!

Modern Data Modeling

Il valore dei dati e il modo in cui vengono utilizzati all’interno delle aziende è cambiato nel corso degli anni, anche il Data Modeling è cambiato di conseguenza e diventa anche funzionale alla Data Governance. Quindi qual è il giusto approccio alla modellazione dei dati?