Kort overzicht
Data Governance is als concept ontstaan in het begin van de jaren 2000, tijdens het dotcom-tijdperk. Aanvankelijk bleef het concept grotendeels beperkt tot IT-teams en hield het vooral in dat verschillende gegevenspunten werden gecategoriseerd en gecatalogiseerd om processen te stroomlijnen, de herkomst van de gegevens te beheren en de relevantie ervan te waarborgen
De afgelopen paar jaar hebben twee belangrijke veranderingen op technologisch en zakelijk gebied er echter toe geleid dat ‘Master Data Governance’ is opgekomen als een sleutelbegrip dat min of meer dezelfde doelstelling omvat, maar inmiddels een veel bredere reikwijdte heeft gekregen. De twee belangrijkste wijzigingen waren:
Bedrijven schakelden snel over op ERP-systemen en gingen vertrouwen op grote databases waarin essentiële informatie werd vastgelegd en die zowel op micro- als op macroniveau de basis vormden voor zakelijke beslissingen – Zo zijn de meeste zakelijke beslissingen die tegenwoordig worden genomen op het gebied van inkoop, personeelswerving, het inwerken van leveranciers en leveranciersrelaties gebaseerd op analyses en gegevens die uit de ERP-systemen worden afgeleid
In de jaren 1900 zouden maar heel weinig professionals hebben verwacht dat één enkele organisatie verantwoordelijk zou zijn voor productie op zo’n grote schaal. Tegenwoordig is het heel gebruikelijk dat bedrijven meerdere grootschalige productiefaciliteiten exploiteren die verantwoordelijk zijn voor de productie van miljarden aan eindproducten of voor projecten waarvan de omvang gemakkelijk in de miljarden dollars loopt. Kortom, door de consolidatie van bedrijfsactiviteiten en de toenemende schaal van de bedrijfsvoering hebben bedrijven vrijwel geen andere keuze meer dan datagestuurde beslissingen te nemen, waarbij ze vertrouwen op softwareoplossingen en ERP-systemen voor een soepelere bedrijfsvoering.
Master Data Governance (basisprincipes)
Vanwege onvermijdelijke menselijke fouten kan deze afhankelijkheid van ERP-systemen, bedrijfsgegevens en technologie voor bedrijven een tweesnijdend zwaard zijn.
Op den duur kunnen gebrekkige werkwijzen bij het uploaden, bijhouden en verwijderen van gegevens leiden tot „rommelgegevens” in het ERP-systeem, wat bedrijfsprocessen kan lamleggen en kan leiden tot productiestilstand, hoge voorraadkosten, slechte relaties met leveranciers en een totaal gebrek aan inzicht in het gedrag van klanten.
Deze trend heeft de noodzaak onderstreept van een systeem voor „Master Data Governance“, dat een cruciaal onderdeel vormt van Master Data Management en wellicht de belangrijkste hefboom is die bedrijven kunnen inzetten om ervoor te zorgen dat hun Master Data-systemen nauwkeurig, betrouwbaar en up-to-date zijn.
Een masterdatarecord is een centrale, gezaghebbende verzameling gegevens over een belangrijke entiteit binnen een organisatie, zoals een klant, een product, een leverancier of een medewerker.
Het wordt in diverse systemen en processen gebruikt om consistentie en nauwkeurigheid te waarborgen. Stamgegevens omvatten doorgaans essentiële gegevens zoals namen, adressen, identificatienummers en andere belangrijke kenmerken die in de loop van de tijd relatief stabiel blijven en binnen de hele organisatie worden gedeeld.
Master Data Governance (MDG) fungeert als een gestructureerde controlelaag voor de bedrijfsstamgegevens en waarborgt de gegevensintegriteit, standaardisatie en naleving van regelgeving in verschillende domeinen, zoals Materiaal, Klanten, Leveranciers en Financiën.
Het zorgt ervoor dat het aanmaken, bijwerken en deactiveren van stamgegevens op een gecontroleerde en traceerbare manier plaatsvindt, waardoor risico’s in verband met inconsistente of onjuiste gegevens worden beperkt.
Domeinspecifieke modellen
MDG maakt gebruik van domeinspecifieke gegevensmodellen die het volgende definiëren:
Verplichte en optionele velden
Hiërarchische relaties
Veldoverschrijdende afhankelijkheden en lijsten met toegestane waarden
Deze modellen zorgen voor validatie op veldniveau en waarborgen de consistentie tussen de verschillende systemen.
Voorbeeld: In het domein Materiaalstamgegevens zijn velden zoals Materiaalsoort en Basiseenheid van maat worden gecontroleerd om te voorkomen dat onjuiste gegevens in de achterliggende ERP-systemen terechtkomen.
Handhaving van de gegevenskwaliteit
MDG hanteert technische controles op een aantal belangrijke gebieden:
Volledigheid: Verplichte velden moeten worden ingevuld voordat goedkeuring kan worden verleend.
Consistentie: De veldwaarden zijn in alle systemen hetzelfde.
Nauwkeurigheid: De waarden komen overeen met geverifieerde referentiebronnen of bedrijfsregels.
Workflow en op regels gebaseerde goedkeuringen
Het implementeert gestructureerde workflows die zijn geïntegreerd met regelengines (bijvoorbeeld BRF+) om goedkeuringen te beheren, validaties af te dwingen en wijzigingsverzoeken door te sturen op basis van domein, gegevenstype of bedrijfs hiërarchie.
Dit zorgt ervoor dat de stamgegevens voldoen aan de governancebeleidsregels voordat ze worden doorgegeven aan transactionele of analytische systemen.
Voorkomen van dubbele gegevens
Master Data Governance maakt gebruik van mechanismen voor het opsporen van duplicaten, waaronder fuzzy matching en vergelijkingen van sleutelvelden. Records die vooraf gedefinieerde drempelwaarden voor gelijkenis overschrijden, worden gemarkeerd voor beoordeling door een beheerder, waardoor redundante of tegenstrijdige stamgegevens worden voorkomen.
Systeemintegratie
MDG fungeert als de toonaangevende bron voor ERP-, CRM-, SCM- en BI-systemen via:
Synchrone API's/OData-services voor realtime verspreiding
Asynchrone IDocs/gebeurteniswachtrijen voor replicatie in grote hoeveelheden
Gefederate opzoeking en afstemming in co-existentie- of registratiemodellen
Dit garandeert consistente, hoogwaardige stamgegevens binnen de hele onderneming, waardoor operationele risico’s worden beperkt en de besluitvorming wordt verbeterd.
Elk van deze vakgebieden vereist een dynamische aanpak op het gebied van databeheer. Bovendien beseffen bedrijven steeds meer dat deze beheersystemen een zekere mate van flexibiliteit vereisen, afhankelijk van de sector, de locatie, het product, de afdelingen en het soort leverancier, en dat de bestaande systemen die momenteel op de markt zijn, simpelweg niet aan deze uiteenlopende eisen kunnen voldoen.
Strategieën en tactieken voor masterdatabeheer
Er moet worden opgemerkt dat governancepraktijken niet louter beperkt blijven tot een of ander „hulpmiddel”, „softwarepakket” of „regelboek”; het gaat om een op organisatieniveau verworven inzicht in bedrijfsprocessen, waarvoor draagvlak nodig is bij de teams van IT, Inkoop, Klantensucces en Onderhoud.
De software en technologieën zijn slechts een weerspiegeling van goed doordachte processen en werkstroom, die worden aangestuurd door de juiste medewerkers om de bedrijfsresultaten te maximaliseren. Hieronder volgen enkele tactieken die kunnen worden ingezet.
Gegevensvalidatie
Validatie is van cruciaal belang om te waarborgen dat stamgegevens nauwkeurig, consistent en in overeenstemming met de bedrijfsregels zijn. Het validatieproces controleert de integriteit van de stamgegevens tijdens het aanmaken, wijzigen en goedkeuren ervan, waardoor wordt voorkomen dat er fouten of inconsistenties in het systeem terechtkomen.
1. Regels en definitie van logica
Validatieregels: Dit zijn vooraf gedefinieerde bedrijfsregels of logica die bepalen wat geldige stamgegevens zijn. Een regel kan bijvoorbeeld voorschrijven dat een klant-ID uniek moet zijn, dat een postcode bij het juiste land moet horen, of dat een productcategorie binnen een gedefinieerde reeks geldige waarden moet vallen.
Aangepaste regels: Organisaties kunnen met behulp van tools – zoals de Business Rule Framework (BRF+), om aan hun specifieke behoeften en gegevensvereisten te voldoen.
2. Validatie tijdens het invoeren van gegevens
Wanneer gebruikers stamgegevensrecords aanmaken of bijwerken (bijvoorbeeld klant-, materiaal- of leveranciersgegevens), toetst het systeem de gegevens aan de vooraf gedefinieerde validatieregels.
Realtime validatie: Terwijl de gegevens worden ingevoerd, voeren softwareprogramma’s in realtime validaties uit om problemen op te sporen, zoals ontbrekende verplichte velden, onjuiste gegevensformaten of inconsistenties (bijvoorbeeld onjuiste landcodes of ongeldige telefoonnummers).
Foutmeldingen: Als een validatieregel wordt overtreden, genereert het systeem een foutmelding of waarschuwing om de gebruiker hiervan op de hoogte te stellen. De gebruiker MOET de gegevens corrigeren alvorens verder te gaan.
Goedkeuringsprocessen
Vrijwel alle Master Data Management-platforms en -oplossingen beschikken over een ingebouwde „goedkeuringsmatrix“ met een variërende mate van flexibiliteit. Dit zorgt ervoor dat geen enkele medewerker in zijn eentje de beslissing neemt om een masterdatarecord te „bewerken“ of „aan te maken“, waardoor fouten tot een minimum worden beperkt en wordt gewaarborgd dat de juiste belanghebbenden inzicht hebben in het juiste bedrijfsproces.
Bijvoorbeeld, Stel dat een organisatie eist dat leveranciersstamgegevens worden gecontroleerd aan de hand van een nalevingsdatabase om er zeker van te zijn dat de leverancier niet op een zwarte lijst staat of onderworpen is aan juridische sancties.
Wanneer een nieuw leveranciersrecord wordt aangemaakt of een bestaand record wordt gewijzigd, stuurt de goedkeuringsworkflow het record automatisch door naar de compliance-functionaris ter goedkeuring. De medewerker controleert of de leverancier aan alle nalevingscriteria voldoet voordat het dossier in het systeem wordt opgenomen.
Vanwege de inherente complexiteit van hedendaagse organisaties zijn bij de meeste goedkeuringsworkflows meerdere besluitvormers met verschillende toegangsniveaus betrokken; dit moet eenvoudig configureerbaar zijn in de data governance-systemen
Beheer van de gegevenslevenscyclus
Beheer van de levenscyclus van gegevens (DLM) in Beheer van stamgegevens verwijst naar de processen en beleidsregels waarmee de volledige levenscyclus van stamgegevens uit haar schepping en gebruik naar zijn archivering of verwijdering. DLM zorgt ervoor dat gegevens gedurende hun gehele levenscyclus nauwkeurig, veilig en in overeenstemming met de regelgeving zijn, terwijl de risico’s van gegevensveroudering, redundantie of misbruik tot een minimum worden beperkt.
Belangrijke fasen van DLM:
Schepping: De gegevens worden in het systeem ingevoerd, waarbij ze op de juiste wijze worden gecontroleerd en goedgekeurd.
Gebruik: De gegevens worden actief gebruikt door verschillende afdelingen of applicaties, waardoor consistentie en integratie tussen de systemen wordt gewaarborgd.
Onderhoud: Er worden regelmatig updates en correcties aan de gegevens doorgevoerd om ervoor te zorgen dat deze accuraat blijven en aansluiten bij de bedrijfsbehoeften.
Archivering: Gegevens die niet langer actief worden gebruikt, maar die om nalevings- of historische redenen moeten worden bewaard, worden in een archief opgeslagen.
Verwijdering: Gegevens worden uit het systeem verwijderd zodra ze niet langer nodig zijn of nadat een vastgestelde bewaartermijn is verstreken.
Voorbeeld
In een Leveranciersstamgegevens proces:
Schepping: Er wordt een nieuwe leverancier aangemeld, en zijn gegevens (bijv. contactgegevens, betalingsvoorwaarden) worden in het systeem ingevoerd, gecontroleerd en goedgekeurd door de afdelingen Inkoop en Financiën.
Gebruik: De leveranciersgegevens worden in verschillende systemen gebruikt voor inkoop, facturering en betalingen.
Onderhoud: Als het adres van de leverancier verandert, worden de gegevens bijgewerkt na een validatie- en goedkeuringsprocedure.
Archivering: Als het leveranciersrecord niet langer actief wordt gebruikt, maar om historische of wettelijke redenen moet worden bewaard, wordt het gearchiveerd.
Verwijdering: Nadat een leverancier gedurende een bepaalde periode (bijvoorbeeld 7 jaar) inactief is geweest, worden zijn gegevens uit het systeem verwijderd, in overeenstemming met het bewaarbeleid en de nalevingsvoorschriften.
DLM zorgt ervoor dat gegevens gedurende hun gehele levenscyclus efficiënt en consistent worden beheerd, in overeenstemming met wettelijke en regelgevende vereisten.
Praktische toepassingen van datagovernancesystemen
Materialen en MRO-reserveonderdelen
Voorbeeld: Betere beschikbaarheid van reserveonderdelen en minder stilstand in de productie
Probleem zonder MDG: Een productiebedrijf is voor het onderhoud van zijn machines afhankelijk van een grote voorraad materialen en reserveonderdelen. Zonder goed beheer van de materiaalstamgegevens kampt het bedrijf echter met dubbele records, inconsistente onderdeelnummers en onvolledige beschrijvingen, wat leidt tot vertragingen bij het opsporen en bestellen van cruciale onderdelen. Als gevolg hiervan kunnen machines langere tijd buiten bedrijf blijven, wat leidt tot operationele verstoringen en verlies van productietijd.
MDG-voordeel: Dankzij de regels voor Master Data Governance voor materialen en MRO-reserveonderdelen kan het bedrijf ervoor zorgen dat elk onderdeel één gestandaardiseerd record heeft met nauwkeurige beschrijvingen, onderdeelnummers en leveranciersgegevens. Regels voor gegevenskwaliteit zorgen voor consistentie in alle systemen, waardoor het eenvoudiger wordt om de voorraad bij te houden, het nabestellen te automatiseren en de aankoop van overtollige onderdelen te voorkomen.
Praktisch voordeel: De organisatie kan snel de juiste onderdelen identificeren en aanschaffen, waardoor stilstandtijd tot een minimum wordt beperkt en de beschikbaarheid van de machines wordt geoptimaliseerd. Daarnaast wordt het voorraadbeheer verbeterd door overtollige voorraad te verminderen, wat leidt tot kostenbesparingen en een efficiëntere bedrijfsvoering.
Klantenstamgegevens
Voorbeeld: een gepersonaliseerde klantervaring en naleving van regelgeving in de detailhandel
Probleem zonder MDG: Een grote winkelketen kampt met dubbele of verouderde klantgegevens. Klanten wijzigen regelmatig hun contactgegevens, of er worden meerdere accounts aangemaakt voor dezelfde persoon (bijvoorbeeld vanwege verschillende schrijfwijzen van de naam of typefouten). Dit leidt tot een slechte klantervaring, omdat verkopers geen toegang hebben tot volledige of nauwkeurige klantgeschiedenissen. Bovendien kunnen juridische en marketingteams de naleving van wetgeving inzake gegevensbescherming, zoals de AVG, niet garanderen omdat de gegevens inconsistent zijn.
MDG-voordeel: Door Master Data Governance toe te passen op klantstamgegevens kan de detailhandelaar regels voor gegevensvalidatie afdwingen (bijvoorbeeld door ervoor te zorgen dat er per persoon slechts één klantaccount bestaat), gestandaardiseerde formaten voor contactgegevens (zoals telefoonnummers en adressen) hanteren en processen voor gegevensbeheer opzetten om verouderde records periodiek op te schonen.
Praktisch voordeel: De retailer verbetert de personalisatie voor klanten, aangezien de verkoopteams nu beschikken over één uniform overzicht van de aankoopgeschiedenis, voorkeuren en interacties van elke klant. Hierdoor kunnen ze aanbevelingen en aanbiedingen doen die beter op de klant zijn afgestemd. Bovendien waarborgt de retailer de naleving van de privacywetgeving door nauwkeurige en actuele klantgegevens bij te houden, waardoor juridische risico’s worden beperkt en boetes wegens niet-naleving worden voorkomen.
Leveranciersstamgegevens
Voorbeeld: Gestroomlijnde onboarding van leveranciers en risicobeheer bij inkoop
Probleem zonder MDG: Een wereldwijd opererend farmaceutisch bedrijf werkt met duizenden leveranciers in verschillende regio’s. Zonder een degelijk proces voor masterdatabeheer van leveranciersgegevens zijn de leveranciersgegevens echter versnipperd over meerdere systemen, waardoor het moeilijk is om de prestaties van leveranciers, certificeringen en de naleving van regelgeving bij te houden. Dit leidt tot vertragingen bij het inwerken van nieuwe leveranciers en tot een hoger risico op samenwerking met leveranciers die niet aan de voorschriften voldoen of slecht presteren.
MDG-voordeel: Dankzij het beheer van leveranciersstamgegevens kan het bedrijf een gecentraliseerde database opzetten waarin leveranciersgegevens op een consistente manier worden bijgehouden. Beheerregels zorgen ervoor dat er validatiecontroles worden uitgevoerd op belangrijke gegevens, zoals belastingnummers, certificeringen en contractvoorwaarden. Door de automatisering van workflows wordt gewaarborgd dat nieuwe leveranciers een gestandaardiseerd en aan de voorschriften voldoend onboardingproces doorlopen voordat ze aan de goedgekeurde lijst worden toegevoegd.
Praktisch voordeel: Door gebruik te maken van nauwkeurige en gevalideerde leveranciersgegevens kan het bedrijf het inwerken van nieuwe leveranciers aanzienlijk versnellen, terwijl tegelijkertijd wordt gewaarborgd dat alleen leveranciers die aan de voorschriften voldoen en van hoge kwaliteit zijn, worden goedgekeurd. Dit vermindert inkooprisico’s, verbetert de relaties met leveranciers en waarborgt de naleving van branchevoorschriften (bijvoorbeeld FDA- of ISO-certificeringen). Bovendien kan het bedrijf de prestatie-indicatoren van leveranciers in de loop van de tijd volgen, wat leidt tot betere strategische inkoopbeslissingen en kostenbesparingen.
Wie kan ondersteuning bieden met MDG Solutions?
De onbetwiste marktleider op het gebied van Master Data Governance is veruit SAP MDG. Om bedrijven in staat te stellen hun ERP-gegevens beter te beheren, bracht SAP rond de jaren 2000 SAP MDG op de markt voor het opzetten van een governancekader.
Sindsdien zijn er verschillende leveranciers van software voor het beheer van stamgegevens hebben zich op deze markt begeven met krachtige alternatieven. Oracle, Microsoft, IBM en Stibo Systems hebben elk robuuste data governance-pakketten op de markt gebracht, die een scala aan functies bieden, zoals workflowautomatisering, controles op de gegevenskwaliteit, op rollen gebaseerde toegang en integratiemogelijkheden om de implementatie van governance te stroomlijnen en op te schalen.
Zoals we echter al eerder hebben vermeld, kunnen governancepraktijken verschillen naargelang de sector, het soort stamgegevens, het interne beleid, de hiërarchieën binnen de organisatie, enzovoort.
Op basis van onze ervaringen tot nu toe als specialist in oplossingen voor masterdatabeheer hebben we geconstateerd dat de meeste van deze softwarepakketten niet specifiek voor dit doel zijn ontwikkeld, dat de implementatie ervan duur en arbeidsintensief kan zijn en dat de uitvoering er over het algemeen erg veel tijd in beslag neemt.
Omdat we deze leemte hebben geconstateerd, hebben we bij Verdantis ons eigen geavanceerde product voor masterdatabeheer ontwikkeld (Integrity©) die rekening houdt met branchespecifieke gebruikssituaties, en die eenvoudig kan worden geïntegreerd met de meeste ERP-systemen (waaronder SAP MDG) en maakt gebruik van speciaal getrainde machine learning-modellen om de naleving van datagovernance toegankelijker te maken.
Conclusie
Master Data Governance is niet langer een backoffice-functie, maar een essentiële factor voor operationele veerkracht, naleving van regelgeving en digitale transformatie. Naarmate organisaties steeds meer overschakelen op datagestuurde besluitvorming, wordt het vermogen om schone, consistente en goed beheerde stamgegevens te onderhouden een strategische onderscheidende factor.
Wat we nu nodig hebben, zijn governance-oplossingen die verder gaan dan statische kaders: instrumenten die flexibel en intelligent zijn en zijn afgestemd op de specifieke behoeften van moderne ondernemingen.
Bedrijven die vandaag investeren in de juiste aanpak op het gebied van corporate governance, zullen morgen beter in staat zijn om op te schalen, in te spelen op marktveranderingen en in alle bedrijfsonderdelen een blijvende efficiëntie te realiseren.
