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 supportare tutti i processi aziendali.

La data governance si aggiunge pertanto all’ampio glossario relativo all’universo dei dati, nell’ottica di assicurare un corretto indirizzo strategico verso una cultura data-driven. Una missione ambiziosa, che può contare oggi su validissimi alleati, a partire da un parco di tecnologie emergenti come l’IoT, l’intelligenza artificiale e i big data & analytics.

Vediamo pertanto in cosa consiste la data governance, quali sono i vantaggi che comporta la sua adozione e come è possibile implementarla concretamente nelle aziende impegnate nel loro percorso di trasformazione digitale.

Cos’è la data governance

Esistono varie definizioni di data governance, in particolare per quanto concerne i vari punti di vista con cui può essere approcciata. Una delle più diffuse è quella offerta dalla DAMA (Data Management Association), secondo cui la data governance è “la pratica di autorità e controllo (pianificazione, monitoraggio e perfezionamento) nella gestione degli asset dei dati”. In altri termini, la data governance è la disciplina che si occupa di definire i ruoli, i processi e le tecnologie necessarie per gestire e proteggere i dati aziendali, creando di fatto un nesso tra la fase puramente strategica e quella operativa.

Tale definizione ci consente quindi di disambiguare la data governance rispetto al data management, con cui spesso viene confusa o persino usata impropriamente quale sinonimo. Anche se la materia prima su cui interviene, ossia i dati, coincide con l’attività della governance, il data management rappresenta soprattutto le fasi operative, come la stessa DAMA conferma, identificandolo quale “un termine utilizzato per descrivere tutti i processi utilizzati per pianificare, definire, abilitare, creare, acquisire, mantenere, utilizzare, archiviare, recuperare, controllare ed eliminare i dati”.

La data governance si colloca dunque ad un livello strategico superiore rispetto al data management, per garantire un contatto stretto tra le attività relative alla gestione e all’analisi dei dati con gli obiettivi di business aziendali.

Gli obiettivi generali della data governance coincidono infatti con i seguenti aspetti:

  1. Stabilire le regole per l’utilizzo dei dati
  2. Stabilire i ruoli aziendali in merito all’utilizzo dei dati
  3. Stabilire i requisiti di compliance secondo le disposizioni e le normative vigenti
  4. Minimizzare i rischi derivanti dall’utilizzo dei dati
  5. Rendere conformi le esigenze di utilizzo e protezione dei dati
  6. Stabilire i processi di comunicazione interna in merito all’utilizzo dei dati
  7. Monitorare l’andamento dei processi e verificare la coerenza con gli obiettivi di business
  8. Implementare processi in grado di ottimizzare i costi e ridurre il time to market

In termini ancora più generali, l’obiettivo della data governance coincide nel portare in azienda una cultura data-driven del lavoro, effettivamente strutturata, come vedremo, da un apposito framework, per generare vantaggi concreti e creare valore aggiunto a partire dal proprio patrimonio informativo.

Per raggiungere questo obiettivo la data governance deve rivelarsi un atteggiamento continuo, capace di strutturarsi in maniera sistematica nelle dinamiche aziendali, con un adeguato stanziamento di risorse, funzionale all’attività sui dati che si intende intraprendere e gestire nel breve, medio e lungo periodo. Eventuali iniziative episodiche non sarebbero in grado di produrre alcun effetto significativo, vanificando gli sforzi con il rischio di rivelarsi persino controproducenti.

Quali sono i vantaggi della data governance?

La data governance impone una regia della gestione del dato, utile sia nel caso in cui si preveda di implementare da zero la cosiddetta data strategy aziendale, piuttosto che intervenire per razionalizzare una serie di processi non coordinati nelle varie linee di business, che spesso si traducono in divari interni poco sensati nell’ottica di una valorizzazione complessiva.

I vantaggi oggettivi che una corretta data governance può generare in azienda sono davvero molti, anche funzionalmente a quelli che sono in concreto gli obiettivi di business. In termini generici, potremmo sintetizzare i seguenti:

  1. Riduzione generale dei costi, determinata da una maggior visibilità dei processi, sia per quanto riguarda gli aspetti organizzativi che in merito all’efficienza dei singoli progetti, oltre ad una generale centralizzazione degli aspetti gestionali;
  2. Maggior efficienza in termini di Data Quality, grazie ad una corretta implementazione di tutte le fasi legate alla preparazione dei dati, il che consente di porre le basi operative ottimali per i processi di Data Mining, essenziali per estrarre valore dal dato grezzo;
  3. Maggior contributo in termini di supporto decisionale, grazie ad un generale e progressivo incremento della qualità del dato, che si traduce in analisi predittive più aderenti al caso reale;
  4. Maggior efficienza nel monitoraggio dei processi aziendali;
  5. Maggior efficienza nello sfruttare le tecnologie offerte dal cloud, in linea di continuità con le strategie di IT governance;
  6. Maggior capacità di innovazione, relativa ad una corretta implementazione dei dati nei processi e alla possibilità di analizzarli con strumenti sempre più efficienti;
  7. Maggior efficienza comporta dal riutilizzo dei dati in processi plurimi, secondo i principi delle metodologie agili;
  8. Maggior chiarezza nelle regole relative alla modifica dei processi, per facilitare in maniera significativa l’operato del reparto IT;
  9. Maggior flessibilità nel rispondere on demand alle richieste dei clienti, grazie alla possibilità di personalizzare in maniera puntuale l’offerta sulla base di dati oggettivi e specifici per ciascun cliente;
  10. Maggior reattività sul mercato, grazie alla capacità di analizzare in tempo reale qualsiasi variazione di trend in merito ai prodotti;
  11. Miglioramento continuo della comunicazione interna tra le varie linee di business, grazie alla visione comune sui dati relativi a tutti i processi aziendali;
  12. Maggior agilità nei confronti delle variazioni del volume d’affari e della crescita del business, in funzione di scalabilità oggettiva funzionale alla variazione dei carichi di lavoro.

Il nutrito elenco appena presentato costituisce soltanto una parte di tutti i possibili vantaggi che potremmo analizzare nel caso in cui ci soffermassimo ad analizzare ogni singolo processo aziendale. Le opportunità offerte dai dati nell’era del digitale sono enormi, e una rinuncia anche soltanto parziale nella loro implementazione tecnologica ed organizzativa equivale di fatto a non sfruttare un possibile vantaggio competitivo.

Per tradurre le opportunità che un governo efficace dei dati comporta in reali vantaggi per l’azienda, occorre predisporre un framework strutturato per supportare correttamente le iniziative progettuali in ciascuna fase da prevedere.

I framework e gli strumenti della data governance

La visione strategica sul dato parte dalla volontà di valorizzare una risorsa altrimenti destinata a rimanere intangibile e non produrre effetti vantaggiosi per il business aziendale. Partendo da questo semplice concetto, ci si è ben presto resi conto che la data governance non è qualcosa che può essere semplicemente ricondotto alla sua dimensione tecnologica e informatica, tipica del comparto IT. Per rivelarsi realmente rappresentativa, la data governance va intesa come una serie di attività multidisciplinari, da inquadrare in un contesto di business che non può prescindere da aspetti come finalità, tempistiche e soprattutto budget da dedicare alle varie attività previste dall’organizzazione.

Trattandosi di una disciplina molto complessa a livello teorico, è quindi essenziale renderla il più semplice possibile a livello operativo. Per guidare una corretta definizione e applicazione della data governance va predisposto un framework capace di strutturarla e controllarla in maniera omogenea.

In diversi ambiti, come ad esempio quello finanziario, il framework di data governance va opportunamente predisposto per legge, secondo quanto prescritto da moltissime disposizioni, a partire dalla Legge 231/2001. La data governance aziendale non costituisce dunque una semplice per quanto utile best practice, ma un’attività pienamente riconosciuta dal quadro normativo nazionale in materia di trattamento e gestione dei dati.

Un framework di data governance contempla e rende sinergico il contributo di aspetti organizzativi, tecnologici e operativi. Per citare un possibile esempio, facciamo nuovamente ricorso alle disposizioni della DAMA (Data Management Association), che prevede una vera e propria ruota, con nove aree di conoscenza che convergono radialmente verso il centro, costituito dalla governance dei dati che scaturisce dalla sinergia di tutti gli aspetti concorrenti.

Framework di Data Governance della DAMA (Data Management Association)
Framework di Data Governance della DAMA (Data Management Association)

Le nove aree che DAMA predispone per la costituzione di un framework per la data governance sono le seguenti:

  1. Data Architecture Management: corrispondente alla struttura complessiva dei dati e delle risorse che costituiscono l’architettura aziendale;
  2. Data Development (modellazione e progettazione dei dati): relativa a tutti gli aspetti legati all’analisi, alla progettazione, alla costruzione, al testing e alla manutenzione delle fasi operative;
  3. Database Operations Management (archiviazione dei dati e operazioni): in merito alla distribuzione degli storage dei data asset strutturati, ad esempio nei vari sistemi di database;
  4. Data Security Management (sicurezza dei dati): nel rispetto della conformità prevista per garantire privacy e autenticazioni secondo le normative vigenti;
  5. Reference & Master Data Management: comprende tutte le operazioni utili ad acquisire, estrarre, trasformare, spostare, consegnare, replicare, federare e virtualizzare i dati strutturati;
  6. Datawarehouse & Business Intelligence Management: per garantire la gestione dell’analisi descrittiva dei dati per le attività di report utili a supportare i processi decisionali
  7. Document & Content Management: comprende tutte le operazioni utili ad archiviare, proteggere, indicizzare e accedere ai dati non strutturati per garantire integrazione ed interoperabilità con i dati strutturati;
  8. Metadata Management: utilizzo di standard per ridurre la ridondanza e garantire una migliore qualità dei dati e utilizzo di Data Catalogue per la raccolta, categorizzazione, manutenzione, integrazione, controllo, gestione e distribuzione dei metadati;
  9. Data Quality Management: consiste nella definizione, monitoraggio e mantenimento dell’integrità dei dati, oltre che al progressivo miglioramento qualitativo dei dati stessi.

Appare evidente come tale framework costituisca un approccio volutamente generalista ed onnicomprensivo, che deve trovare caso per caso la sua implementazione pratica, secondo le caratteristiche e gli obiettivi di ciascuna azienda. Si tratta di intraprendere una strada evolutiva e di percorrerla passo dopo passo, avendo ben chiaro il punto di arrivo. Tale percorso parte con la definizione degli obiettivi stessi e si sviluppa in questioni estremamente pratiche, come il convincere un consiglio di amministrazione della bontà della data governance e di come sia necessario stanziare adeguate risorse da dedicare alle sue attività nei progetti di bilancio annuali/pluriennali.

Per focalizzare in maniera più concreta in cosa consiste l’attuazione di un framework, possiamo dunque riferirci ad una serie di best practice, anche se, lo ribadiamo, non esistono regole né schemi precostituiti.

Alcune best practice per la data governance

Per formare una cultura data-driven pratica e concreta, capace di entrare per davvero nelle prassi quotidiane delle aziende, è assolutamente indispensabile, come abbiamo in più occasioni evidenziato, valutare in maniera puntuale tutti gli aspetti relativi all’organizzazione dei processi, oltre che dell’intero contesto operativo e funzionale, tipico di ogni singola realtà.

L’adozione di un framework di governo dei dati parte da una serie di linee guida che vanno a tutti gli effetti calate nella parte, a partire dalla definizione dei ruoli di chi, nello specifico, dovrà dare seguito alle azioni previste. L’inquadramento della data governance nel contesto dell’organigramma aziendale rappresenta una condizione sine qua non per garantire la continuità necessaria per ripagare gli sforzi e gli investimenti soprattutto in un’ottica di medio e lungo periodo.

Vediamo pertanto alcune delle best practice che le aziende potrebbero adottare per implementare in maniera efficace una strategia di data governance.

Grandi obiettivi, piccoli passi

Parlare di cultura data-driven comporta necessariamente un cambiamento profondo. Anche se i vantaggi dati dal governare i dati con un approccio strutturato appaiono evidenti anche ad un decisore non esperto, tradurre in pratica una vera politica del cambiamento è qualcosa di tutt’altro che scontato, in quanto occorre partire dalle persone, cambiare la loro mentalità e formarle nella direzione di agire diversamente rispetto a quanto hanno fatto per molti anni. Occorre superare barriere che partono dagli attori protagonisti, coloro che, nei rispettivi ruoli, devono fare si che il framework diventi realtà.

Per agevolare una transizione che comprende in linea di continuità, persone, processi e tecnologie, è necessario partire con un solido business case, in grado di evidenziare i vantaggi di un progetto ambizioso, implementando il cambiamento un passo alla volta, senza forzare, preoccupandosi piuttosto di individuare delle priorità di azione. Sarebbe opportuno cercare di abilitare prima quei processi in grado di dare risultati significativi in tempi brevi, per incoraggiare la continuità e l’impegno generale nei confronti dell’iniziativa di data governance.

Chiarezza nei ruoli

La data governance coinvolge tutte le operazioni aziendali, per cui è indispensabile che tutte le linee di business collaborino alla sua azione. È dunque indispensabile assegnare ruoli e responsabilità per far sì che il programma generale venga supportato in tutte le sue parti, con un referente per ogni attività prevista.

A seconda della tipologia e della dimensione aziendale è possibile prevedere vari ruoli. Di per sé le figure fondamentali sono sostanzialmente tre, cui possono aggiungersene molte altre:

  • Comitato direttivo: generalmente composto da dirigenti di livello elevato, C-Level o reponsabili delle singole linee di business. Sono di fatto coloro che stabiliscono le linee generali a livello strategico, da cui deriva la governance, in primis attraverso l’indirizzo d’azione per le figure aziendali coinvolte nelle azioni di governo dei dati;
  • Titolari dei dati: sono i soggetti responsabili nel garantire che i dati relativi ad ogni linea di business vengano governati utilizzato in maniera propria i sistemi designati. Tra le loro responsabilità rientrano le attività dirette ad assicurare un adeguato livello di qualità dei dati, entrando nel merito delle tecnologie da utilizzare per svolgere in maniera efficace i processi previsti. Sono figure ponte tra il comitato direttivo e tutti gli operativi ai vari livelli aziendali;
  • Data Steward: sono i soggetti responsabili della gestione quotidiana dei dati, quali figure tecniche esperte a livello operativo. Tra i loro compiti rientra infatti il problem solving di tutti gli aspetti che potrebbero compromettere la qualità dei dati e, più in generale, la crisi del programma di data governance adottato.

Investire sulla comunicazione interna

Una volta definiti i ruoli, assegnandoli alle persone ritenute più adatta per supportare il cambiamento verso una cultura effettivamente data-driven, è fondamentale agevolare la comunicazione interna, affinché i vari stakeholder non si isolino nei processi loro assegnati, ma abbiano una visione tangibile del disegno complessivo. A tale scopo sarebbe importante valutare almeno una figura capace di coordinare i processi di comunicazione interna per assicurare una maggior efficienza operativa di tutti i soggetti coinvolti.

Rendere misurabili i progressi

Per esprimere in maniera tangibile i vantaggi ottenuti grazie data alla governance è indispensabile adottare criteri di misurazione che sappiano esprimere il valore derivante dalle attività eseguite sui dati in funzione di tutti i processi coinvolti. È pertanto opportuno definire sin dal day zero delle metriche efficaci per monitorare gli andamenti, cercando di assegnare sempre un valore alla situazione di partenza, registrando ogni progresso anche in funzione di eventuali checkpoint o traguardi intermedi che si ritiene importante raggiungere lungo il percorso intrapreso.

Competenze, pazienza e lungimiranza

La data governance può migliorare e rendere progressivamente tutti i processi aziendali grazie ad un utilizzo più efficiente dei dati a disposizione. Si tratta di una strategia di miglioramento continuo, capace di rivelare progressivamente i risultati e gli oggettivi benefici delle azioni intraprese. È dunque indispensabile garantire ai team aziendali figure capaci e competenti nelle loro rispettive mansioni, considerando anche l’elevato livello di innovazione previsto dalle operazioni di gestione dei dati, in particolare per quanto concerne gli aspetti legati agli analytics.

Una volta definiti i ruoli, i responsabili della data governance devono agire in maniera rigorosa e paziente nel rispetto dei programmi approvati dai vertici aziendali. Chi si occupa quotidianamente di transizione tecnologica, piuttosto che di altri aspetti legati alla trasformazione digitale delle aziende, sa benissimo che il lavoro sui processi richiede costanza e pazienza, senza attendersi miracoli rispetto a quanto concretamente pianificato da figure esperte e qualificate nei loro rispettivi ambiti. Facilonerie, arrivismi o eccessiva fretta nel bruciare le tappe non producono nulla di buono, anzi, aumentano le probabilità di errore, con il rischio di conseguenti capitomboli rispetto alla linea intrapresa lungo la tabella di marcia.

ARGOMENTI CORRELATI
Categoria: ANALYTICS
Rete di imprese Eyes4Innovation - Immagine che raffigura una rete stilizzata. Concept rete di imprese che rappresenta la rete E4I creata da BNova e Valuematic

Nasce Eyes4Innovation, la rete human centered design a supporto della trasformazione digitale

Fare rete di impresa significa offrire una corsia preferenziale ai propri clienti per accedere ad un ampio spettro di competenze,… Leggi tutto

Data Visualization Esempi di grafici per la visualizzazione dei dati

Data Visualization: cos’è, a cosa serve e perché è importante

Vediamo in cosa consiste la data visualization, in particolare in riferimento alla comunicazione nell’ambito dei Big Data & Analytics Leggi tutto

volo lufthansa decollo

Decisioni più rapide e più efficienti in Lufthansa grazie a Tableau

Nell'era della digital transformation strumenti di aiuto per semplificare la transizione sono fondamentali. Lufthansa per dare concretezza e velocità al… Leggi tutto