Hoe pas je datamanagement praktisch toe met DMBOK?

Datamanagement is belangrijk, dat is voor de meeste organisaties wel helder. Maar met onderwerpen als governance, datakwaliteit, architectuur en security is het niet altijd duidelijk hoe en waar je moet beginnen.

In dit artikel lees je hoe Climber datamanagement in de praktijk aanpakt. Je leest welke vier fases we onderscheiden, wat je per fase regelt en waar je morgen al mee kunt beginnen.

Kort gezegd: begin bij je grootste pijnpunt. Van daaruit redeneer je terug door vier fases, van een veilig fundament tot data-analyse en AI. Geen fase hoeft perfect te zijn voordat je verdergaat.

Dit artikel hoort bij aflevering 11 van De Dataleiders, de podcast van Climber: Datamanagement toepassen begint bij je grootste pijnpunt. Het is deel 2 van het tweeluik over datamanagement. Bas Haarhuis, Adviseur Data & Strategie, spreekt daarin met zijn collega Jordy Wegman, BI Manager bij Climber.

Wil je eerst weten wat datamanagement is? Lees dan deel 1: Hoeveel datamanagement heeft jouw organisatie nodig?

Bekijk de hele aflevering hier.

Wat is DMBOK en is het een stappenplan?

DMBOK is een internationaal handboek voor datamanagement. Het beschrijft welke onderdelen bij professioneel datamanagement horen en biedt per onderdeel kennis, principes en werkwijzen.

DMBOK staat voor Data Management Body of Knowledge. Het is het standaardwerk van DAMA, de internationale beroepsvereniging voor datamanagement. Wie het boek kent, kent waarschijnlijk ook de bekende cirkel. In het midden staat data governance. Daaromheen staan onderdelen als data-architectuur, masterdata en datakwaliteit.

DMBOK is geen lineair stappenplan waarin stap één, twee en drie vastliggen. Dat betekent niet dat je er geen praktisch stappenplan van kunt maken. Dat is juist wat je wilt doen om het framework toepasbaar te maken voor jouw organisatie.

Hoe maak je van DMBOK een werkbaar plan?

Climber gebruikt hiervoor de piramide van Peter Aiken. Die brengt verschillende onderdelen van datamanagement samen in vier fases, van fundament tot analytics en AI.

Fase 1: Veilig fundament

Bronnen in kaart, opslag en autorisaties ingericht, logging en bewaartermijnen conform wetgeving. Focus: veilig en herleidbaar.

Fase 2: Architectuur en kwaliteit

Eigenaarschap belegd, architectuurkeuzes gedeeld, kwaliteitsregels en definities vastgelegd in metadata. Focus: betrouwbare cijfers.

Fase 3: Ontsluiten en rapporteren

Semantische laag, herhaalbare rapportages en gedeelde referentie- en stamdata ontsloten. Focus: bruikbaar voor de business.

Fase 4: Vergelijken en vooruitkijken

Trends en scenario’s naast elkaar, voorspellingen en automatisering op een getoetste datalaag. Focus: vooruitkijken in plaats van terugkijken.

De piramide geeft volgordelijkheid en richting. Je ziet wat er in de basis nodig is om een volgende laag goed te laten werken. Wat de piramide niet zegt, is hoeveel je per fase moet doen.

Moet je elke fase afronden voordat je verdergaat?

Nee. Je doorloopt de fases binnen elk datavolwassenheidsniveau opnieuw. Geen fase hoeft perfect te zijn voordat je naar de volgende gaat.

Kijk je naar de piramide, dan lijkt analytics pas in fase 4 aan de beurt. In de praktijk begint bijna iedereen klein. Je maakt bijvoorbeeld een Excel-export uit een systeem, analyseert de data en maakt een rapport. Daarmee loop je feitelijk al door meerdere fases heen, alleen op kleine schaal.

Groeit je organisatie of wordt de afhankelijkheid van data groter, dan worden ook de eisen aan datamanagement hoger. Rollen worden opgesplitst en je kijkt opnieuw naar de verschillende fases. Eén data-analist met alle petten op wordt later bijvoorbeeld een team met verschillende verantwoordelijkheden.

Datamanagement is daarom geen eenmalige klus. Het is iets wat met je organisatie en ambities meegroeit.

Wat regel je minimaal in fase 1?

Zorg dat data veilig is, goed wordt opgeslagen en correct beschikbaar komt. Anders ontsluit je data waaruit je geen betrouwbare conclusies kunt trekken.

Security betekent onder andere dat niet iedereen zomaar bij alle data kan. Binnen de meeste tools kun je hiervoor rollen en rechten inrichten. Daarnaast moet de data die je ophaalt juist en op tijd worden opgeslagen. Wie de cijfers gebruikt, moet erop kunnen vertrouwen.

Ook datamodellering hoort in fase 1. Dat verbaast soms, omdat je bij modelleren al snel aan analytics denkt. Maar datamanagement gaat ook over je bedrijfsapplicaties. Bouw je zelf tooling, dan ligt het datamodel aan de basis van het ontwerp. Dat bedenk je niet pas achteraf.

Wanneer is je basis goed genoeg? Jordy geeft daarvoor een praktische toets: kun je correct rapporteren en vragen uit de business snel beantwoorden? Dan is je fundament voor die toepassing op orde. Verandert je business of technologie, bijvoorbeeld door een overstap van lokale opslag naar de cloud, dan kijk je opnieuw naar die basis.

Wat gebeurt er in fase 2?

In fase 2 leg je de architectuur, kwaliteitsregels en metadata vast. Je weet hoe je datalandschap eruitziet en wanneer data aan de afgesproken kwaliteit voldoet.

Je begint met een conceptarchitectuur. Die bespreek en toets je. Vervolgens bepaal je hoe je binnen die architectuur de kwaliteit bewaakt. Mag een veld bijvoorbeeld leeg blijven? En staan de juiste waarden erin?

Metadata is data over je data. Denk bijvoorbeeld aan definities en bedrijfsregels. Hoe bereken je tijdigheid? Wat telt als verzuim? Zulke regels leg je centraal vast, bijvoorbeeld in je datawarehouse. De uitleg bied je aan op de plek waar mensen ermee werken, zoals in je BI-tool. Anders kunnen je definities technisch goed zijn vastgelegd, terwijl gebruikers niet weten waar ze staan of wat ze betekenen.

In aflevering 5 van De Dataleiders hoor je meer over definities.

Wanneer splits je rollen? Bijvoorbeeld wanneer het dagelijkse beheer van kwaliteit en definities meer werk vraagt dan één persoon aankan. Een extra rol kost tijd en geld. Weeg daarom af wat het oplevert, zoals lagere kosten, meer omzet of tevredener klanten.

Wat gebeurt er in fase 3?

Fase 3 draait om beheersen en ontsluiten. Data governance vormt de basis, met onder andere masterdata, je datawarehouse, BI en documenten daaromheen.

Governance gaat over de afspraken die je samen maakt en hoe je zorgt dat die worden nageleefd. Welke rollen zijn er? Wie is waarvoor verantwoordelijk? In deel 1 legt Jordy dat uit aan de hand van de vergelijking met een audit.

Een concreet voorbeeld is masterdata over klanten. Je CRM is bijvoorbeeld leidend voor relatiegegevens. Tegelijkertijd laten klanten ook gegevens achter in een klantportaal of leveranciersportaal, zoals een adres, e-mailadres of telefoonnummer.

Bepaal daarom per gegeven welke bron leidend is. Breng gegevens waar nodig samen, bijvoorbeeld in je datawarehouse, en bepaal hoe je tot één betrouwbaar klantbeeld komt. Wijzigt een klant ergens zijn adres, dan wil je dat die wijziging uiteindelijk ook op de juiste plekken in andere systemen terechtkomt.

Bewaak in deze fase ook dat definities en berekeningen overal gelijk blijven. Met twee mensen en een paar dashboards lukt dat vaak nog vanzelf. Groeit het aantal dashboards en gebruikers, dan kan er drift ontstaan: hetzelfde begrip krijgt op verschillende plekken langzaam een andere betekenis. Leg daarom vast hoe je rekent, technisch of via duidelijke werkafspraken.

Hoe begin je met AI binnen de vier fases?

Begin bij het proces, niet bij de AI-tool. Bepaal eerst welk proces je wilt verbeteren en redeneer vervolgens terug door de vier fases.

Fase 4 draait om het gebruik van data, waaronder analyses en AI. Ook hier ben je vaak al klein begonnen. Een eerste Power BI-rapport telt mee, net als een experiment waarbij je een dataset met een AI-tool analyseert.

Wil je een AI-toepassing bouwen, plak dan niet direct een bestaande oplossing op je proces. Neem bijvoorbeeld een orderintake die bestaat uit gegevens uit een systeem, handmatige notities en foto’s. Kijk eerst hoe het proces nu loopt, waar het knelpunt zit en wat je wilt verbeteren. Pas daarna beoordeel je waar AI waarde kan toevoegen.

Vervolgens kijk je terug door de fases. Staat de benodigde data veilig en correct opgeslagen? Kloppen de architectuur, metadata en datakwaliteit? Zijn eigenaarschap en definities geregeld?

Zo werk je vanuit een concreet proces toe naar een AI-oplossing die niet alleen technisch werkt, maar ook betrouwbaar in de organisatie kan worden gebruikt.

Waar begin je morgen?

Datamanagement toepassen begint bij je grootste pijnpunt. Bepaal waar het probleem zit en redeneer van daaruit terug naar het fundament.

Stel eerst de vraag: is dit daadwerkelijk een datamanagementprobleem? Zo ja, bepaal dan in welke fase het probleem zich bevindt.

Zit het bijvoorbeeld in fase 2 of 3? Kijk dan naar je architectuur, definities, governance en kwaliteitsregels. Ga vervolgens terug naar fase 1. Is de opslag goed geregeld? Staat de security op orde? Werken de benodigde integraties voor de toepassing die je wilt realiseren?

Redeneer daarna weer vooruit. Welke onderdelen moet je verbeteren om het oorspronkelijke probleem op te lossen?

Zo maak je van een groot framework als DMBOK een concreet en werkbaar plan.

Kort samengevat

Datamanagement toepassen begint niet bij het volledig invoeren van een framework, maar bij het probleem dat je wilt oplossen. DMBOK geeft je overzicht van het vakgebied en de vier fases helpen om daar een praktische volgorde in aan te brengen.

Je hoeft niet eerst iedere fase volledig af te ronden. Je doorloopt de fases steeds opnieuw, passend bij de volwassenheid en ambities van je organisatie. Weet je niet precies hoe datavolwassen jouw organisatie is? Doe de datavolwassenheidsscan op scan.climber.nl. De uitkomst helpt je bepalen bij welke fase je begint

Bekijk aflevering 11 of luister via Spotify.