Что такое Data Governance и зачем его внедрять

29 октября прошел вебинар от компании DIS Group, посвященный теме Data Governance (DG). Спикеры и эксперты в области управления данными рассказали о том, что собой представляет Data Governance, показали реальный кейс заказчика, обсудили преимущества управления данными для разных потребителей, представили модели оценки информационных активов и поделились статистикой, демонстрирующей рост и значимость управления данными в различных отраслях.

Что такое Data Governance

Первым спикером вебинара стал Олег Гиацинтов, технический директор DIS Group. По его мнению, Data Governance – это направление, предназначенное для эффективного управления данными, которое позволяет точно и своевременно предоставлять достоверные и качественные данные бизнес—пользователям. «Понятие Data Governance часто интерпретируется разными людьми и организациями по-разному. Одни понимают под этим термином описательную часть, другие – различные процессы, единого мнения нет. Даже такие авторитетные источники, как DMBOK (DataManagement Body of Knowledge), не всегда дают полный ответ на этот вопрос», – отметил Олег.Основная цель DG – обеспечить, чтобы данные, используемые в организации, были актуальными, точными и соответствовали реальности. Это позволяет принимать обоснованные решения и улучшать бизнес—процессы.

Зачем вообще заниматься Data Governance?

Ответ Олега Гиацинтова: «Понятно, что в любой организации, в любой компании данными и так занимаются. Вы же не принимаете решения на основании какого-то субъективного мнения. Вы смотрите в отчет, наборы данных или дашборды. На самом деле это уже и есть принятие решений на основе данных. Просто они могут быть маленькими, а могут быть очень крупными решениями. И чем больше таких запросов на данные от бизнес—пользователей, тем быстрее и более качественно нужно предоставлять данные. Ведькаждый раз, когда пользователь получает свои данные, он должен быть уверен, что это именно то, что он просил, а не то, что ему могли предоставить ИТ—службы или сервисы по работе с данными. Чем больше запросов, тем меньше у вас на это времени, а ресурсы у нас, как известно, конечны”.

Стереотипы о Data Governance

1. Data Governance – хорошая поисковая машина

Важно понимать, кто будет заниматься работой с данными, и как это будет происходить. Поисковая машина должна работать автоматически, и необходимо определить, кто будет ежедневно актуализировать эту модель.

2. Полное описание актива данных

Спикер указал на возможность дублирования документации при описании метаданных. Следуетизбегать двойной работы и понимать, где и как описывать данные.

3. Понимание местоположения данных для использования

Знание местоположения данных не всегда гарантирует точность для построения новых отчетов. Нужно понимать, как данные будут использоваться и каким образом будут предоставляться пользователям.

4. Прозрачность алгоритмов формирования данных

Прозрачность алгоритмов важна, но не для всех. Например, финансовые директоры редко проверяют прозрачность формирования показателей. Надопредоставлять достоверную информацию, на которую можно полагаться.

Что действительно важно

Должно быть полное описание активов, мы должны точно знать, где находятся наши данные, но не это самое главное. По мнению Олега Гиацинтова, главным, исходя из опыта предыдущих проектов, являются

возможность своевременной доставки достоверных данных до потребителя,

снижение затрат на анализ и изучение источников данных при обработке запросов на данные,

скорость получения качественных данных по запросу.

Преимущества управления данными для разных потребителей

Внедрение DG нужно уметь правильно обосновать. Спикер выделил несколько преимуществ внедрения данного продукта для ключевых участников процесса:.

• для топ-менеджеров – одинаковое понимание значений ключевых показателей бизнеса всеми подразделениями, точная, своевременная и удобная отчетность;

• для аналитиков – возможность оперативно собирать или получать исходные данные для анализа, работать с данными высокого качества или эффективно устранять проблемы качества данных; продвинутые формы анализа(факторный, причинно—следственный и т. п.);

• для ИТ – возможность оценить готовность компании к внедрению цифрового решения,получать методологическую, экспертную или другую поддержку по ходу проектирования и внедрения ИТ—решений, оптимизация затрат на ИТ за счет оптимальной организации потоков и хранения данных.

Кейс реального заказчика

Спикер привел пример реального заказчика, который демонстрирует эффективность внедрения Data Governance. Заказчик попросил доработать витрину по сделочным данным, включающую 16 атрибутов. Время на реализацию этой задачи составляло один месяц. Для выполнения были привлечены два аналитика данных: один работал в системе хранилища данных, другой – в системе Data Governance.

Первый аналитик данных потратил полторы недели на выполнение задачи. Это включало поиск и извлечение данных из различных источников, их анализ и подготовку к созданию отчета. Второй аналитик, который работал в системе Data Governance, справился за 43 минуты.

Со слов презентующего, такие параметры, как оценка, поиск источников данных, извлечение данных, релевантность и происхождение данных, занимают несколько рабочих дней, а иногда и недель. Те же самые параметры в системе Data Governance занимают от одного до нескольких часов.

Оценка информационных активов

Следующий выступающий, Алексей Нейман, исполнительный директор Ассоциации больших данных, затронул несколько ключевым тем, связанных с Data Governance и управлением данными. Наиболее интересной, на наш взгляд,оказалась оценка информационных активов. За основу были взяты модели архитектуры Gartner, которые, по заявлению Алексея, отражают цели применения Data Governance. Основные моделинаправлены на улучшение управления информацией, финансовые – на увеличение экономических выгод, связанных с информацией.

Основные модели:

• Intrinsic Value Information (внутренняя ценность информации) – внутреннее качество data-актива. Модель включает в себя такие параметры, как валидность, полнота, редкость и жизненный цикл данных. Она помогает понять, насколько данные полны, точны, уникальны, соответствуют требованиям качества и могут быть использованы для принятия стратегических решений;

• Business Value of Information (бизнес-ценность) –полезность информационного актива с точки зрения его фактического применения в бизнесе. Она включает в себя релевантность данных для различных бизнес—процессов и их качество.Такая модель помогает определить, насколько данные важны для конкретных бизнес—процессов, и как они влияют на общую эффективность компании;

• Performance Value of Information (ценность с точки зрения эффективности) – модель оценивает эффективность данных на основе A/B-тестирования и включает в себя сравнение KPI (ключевых показателей эффективности) до и после внедрения данных или улучшения их качества, тем самым позволяет оценить, насколько данные способствуют улучшению бизнес—процессов и достижению целей компании.

Финансовые модели:

• Cost Value of Information (ценность с точки зрения затрат) – модель оценивает стоимость данных с точки зрения затрат на их сбор, хранение и обработку. Включает в себя долю затрат на сбор данных, стоимость потерянного дохода в случае утраты данных и стоимость их обслуживания. Модель помогает понять, сколько ресурсов компания вкладывает в управление данными, и как это влияет на ее финансовые результаты;

• Market Value of Information (рыночная ценность) –рыночная ценность данных, включая их потенциальную стоимость при продаже или лицензировании. Применяется при оценке востребованности данных на рынке и выгодыпри их продаже или лицензировании;

• Economic Value of Information (экономическаяценность) – модель оценивает экономическую ценность данных на основе разницы доходов до и после их использования. Включает в себя стоимость обслуживания данных и стоимость их применения. Экономическая ценность позволяетоценить, насколько данные способствуют увеличению доходов компании, и как они влияют на ее финансовые результаты.

Статистика

Заключительным спикером вебинара стал Александр Кулик, директор практики цифрового консалтинга DIS Group. Он поделился статистикой компании, на основе которой был сделан вывод, что с 2018 г. управление данными выросло по всем направлениям: бизнес-ценность, инструменты, процессы, архитектура, компетенции. Результаты оценки зрелости управления данными показали, что наиболее передовыми отраслями стали финансы и телеком – те, у кого всегда было много данных для анализа, имеют высокий показатель зрелости и проработанную архитектуру. Также был проведен анализ состояния данных в государственных учреждениях. «С точки зрения ресурсов и бюджетов, у коммерческих организаций, которые давно занимаются этим и понимают ценность данных, есть соответствующие рычаги, а вот в госуправлении их пока нет», – прокомментировал спикер.

Следите за нашими новостями в Телеграм-канале Connect

Что такое Data Governance и зачем его внедрять