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.
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!
Categoria: DATA GOVERNANCE
Data Lineage: come assicurarsi qualità e integrità dei dati
Tracciare i dati attraverso il loro ciclo di vita è un tema di valenza strategica.… Leggi tutto
Cos’è la Data Quality e le metriche di riferimento
La Data Quality è una misura della condizione dei dati basata su fattori quali accuratezza,… Leggi tutto
Data as a Service: cos’è a cosa serve
I modelli a servizi disponibili in cloud consentono di avere nuove opzioni di utilizzo dei… Leggi tutto