Che cos’è un Adaptive Data Governance Hub?

Quali caratteristiche deve avere un Data Governance Hub?

Un Data Governance Hub è in grado di regolare le differenti componenti organizzative (ruoli e responsabilità), operative (processi, procedure, workflow), tecnologiche (DQ engine, Data Catalog, Data Integration tool, ecc…) del Data Management.

Gartner (Adaptive Data and Analytics Governance to Achieve Digital Business Success, 21 Luglio 2020, Saul Judah, Remi Gulzar) individua quattro diversi stili di Data Governance in ordine crescente di complessità del business e maturità dell’organizzazione in materia di gestione del patrimonio informativo. Ogni stile si adatta a specifici modelli di organizzazione dei processi decisionali:

• Control: le decisioni vengono prese nel rispetto di regole stabilite centralmente
• Outcomes: il processo decisionale è finalizzato a conseguire risultati bilanciando rischi, obiettivi e impegni indicati da linee guida aziendali
• Agility: i singoli ruoli o le single unità aziendali hanno l’autorità o la delega di operare decisioni con l’obiettivo di creare valore per il business
• Autonomous: Le decisioni sono prese in tempo reale sulla base di logiche, algoritmi, modelli definiti dall’uomo, ma eseguiti dalle macchine.

Questi modelli possono coesistere all’interno della stessa organizzazione, ognuno per finalità specifiche: ad esempio lo stile Control può essere particolarmente conveniente per regolare decisioni nel contesto della compliance a requisiti regolamentari, mentre invece all’estremo opposto lo stile Autonomous si presta ad essere applicato in presenza di decisioni automatizzate da prendere in tempo reale applicando modelli di AI a grandi volumi di informazioni (per esempio generati da tecnologie IoT).

Ma l’elemento centrale è il governo dei dati stessi. Gestire il patrimonio informativo richiede principalmente la capacità di costruire un ambiente in grado di sostenere questi diversi stili: un sostegno strumentale efficace per abilitare l’Adaptive Data Governance. Per riuscirci, nel Data Governance Hub, non devono mancare funzionalità relative a:

• Metadata Management – i modelli di gestione dei metadati (che rappresentano il corredo informativo dei dati) devono avere un altissimo grado di configurabilità e poter variare nel tempo non solo nei contenuti, ma nella struttura e nei profili di accesso; ogni stile deve poter essere rappresentato da metadati che descrivono il relativo assetto organizzativo; più stili devono poter convivere nello stesso modello di metadati; deve esistere un solido sistema di versioning per risalire ad assetti precedenti del modello.
• Connettori – per avere un accesso rapido e integrare, da differenti fonti, da differenti ambienti (on premises, cloud, hybrid) e con differenti livelli di latenza, rapidamente tutte le fonti dati e metadati.
• Profili e Autorizzazioni – per implementare i modelli organizzativi di ciascun stile, anche all’interno dello stesso modello; anche per queste funzionalità deve essere possibile ricostruire la storia dei differenti assetti nel tempo.
• Workflow Management – Un componente essenziale per:
  • configurare i processi di gestione dei dati, integrandoli nativamente con i data asset che elaborano e con i relativi metadati
  • includere e orchestrare task automatici e umani;
  • attivare i motori di elaborazione, controllo, distribuzione;
  • definire e variare nel tempo ruoli e responsabilità all’interno di ogni processo;
  • monitorare i processi e prevedere gli opportuni automatismi di allarme e sollecito.
  • gestire la collaboration tra gli attori del processo.
• Augmented Data Management – Ausili automatici per agevolare le attività più onerose e complesse, quali ad esempio la progettazione dei controlli per la verifica della qualità, l’implementazione delle filiere di data preparation e gli interventi di remediation.
• Performance support and reporting – Per monitorare lo stato dell’arte e l’evoluzione dell’esercizio del framework attraverso opportuni indicatori prestazionali. Funzionalità per implementare modelli, basati sui metadati, in grado di determinare il valore e il ROI delle informazioni, in modo da indirizzare le risorse di data management in modo efficiente ed efficace.

Spesso è proprio l’assenza di un adeguato sostegno strumentale a rappresentare una barriera alla prosecuzione del percorso verso un modello di governo dei data asset in grado di sfruttare il potenziale dei dati e di metterlo al servizio degli obiettivi aziendali.