Trends en uitdagingen in data management

26 november 2017
Trends en uitdagingen in data management

Nu steeds meer bedrijven transformeren tot digitale organisaties en ze moeten voldoen aan de naderende AVG-wetgeving per mei 2018, staan data privacy en data management behoorlijk hoog op de agenda. Organisaties staan voor de uitdaging om meer en vaak complexe data te beheren, integreren en real-time om te zetten in waardevolle informatie om de dienstverlening verder te optimaliseren en nieuwe businessmodellen te ontwikkelen. De vraag hierbij is hoe lang de traditionele manier van werken, waarbij IT nog steeds verantwoordelijk is voor het grootste deel van het data management proces, nog houdbaar blijft.

De volgende drie trends zijn zichtbaar als het gaat om data management.

De opkomst van self-service – Als bedrijven wendbaar willen zijn, moeten ze hun gegevens op een snelle en gebruikersvriendelijke manier kunnen combineren en analyseren. Er was al een evolutie van self-service als het gaat om rapportages, waarbij de business zelf de dashboards, rapporten en data visualisaties kan maken. Tegenwoordig breiden de self-service mogelijkheden zich steeds meer uit door gebruik te maken van data management en data kwaliteitsfunctionaliteit door de business zelf. Men wil heel snel informatie uit uiteenlopende databronnen kunnen halen, inclusief data lakes en social media kanalen, zonder daarvoor op de IT-afdeling terug te hoeven vallen.

De noodzaak voor ‘edge computing’ – Organisaties willen in staat zijn om steeds sneller, betere beslissingen te kunnen nemen, gebruikmakend van interne en/of externe bronnen. De introductie van nieuwe businessmodellen door het gebruik van IoT zorgt tevens voor een nieuw type brongegevens: sensor data. Door de hoeveelheid van deze continue stroom aan data en vaak beperkte bandbreedte wordt voor het verwerken van deze fast data, inclusief het real-time toepassen van geavanceerde analytics, ‘edge computing’ noodzakelijk: streaming analytics zo dicht mogelijk bij de sensor zelf, zonder dat er moet worden gewacht totdat de data naar een centrale gegevensopslag zijn verstuurd. Zo kunnen bijvoorbeeld de prestaties van een bepaalde windturbine real-time worden vergeleken met de prestaties van de andere windturbines in een windmolenpark.

Data management met automatische suggesties – Bij moderne tooling voor data management wordt gebruikgemaakt van analytics om de gebruiker optimaal te ondersteunen bij het gebruik van de data. Het systeem kan suggesties doen voor het combineren van verschillende gegevensbronnen of eindgebruikers helpen bij het interpreteren van gegevens. Het is ook niet langer ondenkbaar dat data management tooling vergelijkingen met andere externe bronnen maken om bijvoorbeeld voorstellen voor de standaardisatie van kolommen te doen.

Uitdagingen in data management

Naast de trends in data management, brengt het beheer van steeds meer data ook een aantal uitdagingen met zich mee.  

Balans tussen flexibiliteit en controle – Zo is het in de eerste plaats lastig het juiste evenwicht te realiseren tussen flexibiliteit en controle. Als de balans te ver doorslaat naar de controlekant, wordt de IT-afdeling een 'schaduwconstructie'. De business voert dan eigen systemen in om minder afhankelijk te zijn van de IT-afdeling en om sneller de inzichten te krijgen waar ze hun beslissingen op kunnen baseren. Daar staat tegenover dat organisaties bij een volledig self-service systeem het risico lopen dat ze niet kunnen profiteren van eerder verkregen inzichten. Wanneer de business relevante inzichten in een dataset ontdekt, is IT verantwoordelijk voor het automatiseren van het proces en het bouwen van de benodigde controle- en beheermechanismen.

Proactief data governance – Commerciële afdelingen en IT zouden nauw met elkaar moeten samenwerken om optimale resultaten voor de organisatie te realiseren. Dit is in de praktijk echter niet eenvoudig. De meeste managers benadrukken het belang van data als een belangrijke asset, maar vaak vindt dit denken nog niet zijn weg door de hele organisatie. Veel initiatieven op het gebied van data management worden nog steeds ingegeven door regelgeving. Er zijn maar weinig bedrijven die proactief data governance bovenaan de agenda zetten. Vaak zien we dat Master Data Management-projecten uitsluitend door IT worden aangestuurd. Het is dan ook niet verwonderlijk dat business gebruikers vaak niet tevreden zijn met het eindresultaat en dat nog steeds veel projecten mislukken.

De juiste oplossing – Een derde uitdaging is om de juiste data management oplossing te selecteren en te gebruiken, dat wil zeggen een oplossing die net zo geschikt is voor IT als voor verschillende typen gebruikers in de business. Vaak zijn de tools die vandaag de dag nodig zijn om data voor te bereiden voor analyse- en rapportagedoeleinden niet dezelfde als de tools die normaal gesproken door IT worden gebruikt in de operationele context van een datawarehouse. Om deze uitdaging het hoofd te bieden zouden bedrijven een strategisch plan moeten hebben voor het verzamelen, organiseren en gebruik van data. Een plan dat aansluit bij de manier waarop het bedrijf waarde haalt uit data.

Voor mij is het vanzelfsprekend dat bedrijven die vinden dat ze hun ‘data als een asset’ beschouwen, dan ook het managen ervan serieus moeten nemen. Een goede data strategie en data architectuur is hiervoor onontbeerlijk. Hierdoor krijgt een organisatie beter grip op het gebruik van de data en worden aspecten als datakwaliteit en data governance ingebed in de organisatie. Mogelijk is dit zelfs noodzakelijk voordat een organisatie gaat investeren in een big data-project, zonder de ‘eigen’ data op orde te hebben. Wat is immers het nut van inzichten die je uit big data haalt als je die niet kunt koppelen aan kwalitatieve klantgegevens binnen de organisatie zelf?