Vijf aandachtspunten voor master data management
Steeds meer financiële instellingen schakelen over naar datagedreven werken. Het succes hiervan valt of staat met de kwaliteit van data, oftewel master data management (MDM) en het gebruik van een MDM-oplossing.
Financiële dienstverleners maken gebruik van verschillende datawarehouses, datalakes en applicaties om hun relatiedata te beheren. Die data is vaak verspreid opgeslagen binnen de organisatie en binnen verschillende applicaties of databases. Een MDM-applicatie richt zich op het beheer van master data.
Doordat de applicatie middels business rules diverse checks en validaties uitvoert op de data, creëert deze zo één database die in feite één waarheid bevat. Deze gegevens worden vervolgens gecommuniceerd naar de databronnen, de zogeheten Systems of Record. Hiermee wordt door alle stakeholders en systemen consistent gewerkt met de juiste (en dezelfde) data.
Maar hoe implementeer je een master data management-aanpak en bijbehorend systeem? Noah de Groot van ITDS loopt langs een vijftal veelvoorkomende uitdagingen tijdens zo’n traject en deelt implementatietips.
1. Wendbaarheid van het MDM-model
Het MDM-model dat je adopteert in de organisatie kan van grote invloed zijn op het slagen van de implementatie. Het datamodel dient namelijk ‘agile’ te zijn en moet zich kunnen aanpassen aan veranderingen in complexe systemen. Een datamodel dat dit niet kan zal alleen maar zorgen voor meer problemen in de datahuishouding.
Om een wendbaar datamodel te selecteren moeten organisaties een aantal stappen doorlopen: creatie van het datamodel, het definiëren van business rules, het definiëren van datavalidatie-mechanismen en het definiëren van rollen en beheersmaatregelen.
2. De keuze voor de master dataset
Voor de implementatie van MDM is het van belang een goede keuze te maken welke data-elementen te ‘masteren’. Vaak hebben afdelingen verschillende belangen en leidt de keuze voor de standaard set data-elementen tot veel discussie. Een afdeling Schade ziet bijvoorbeeld het e-mailadres van de klant als zeer belangrijk, terwijl de afdelingen Pensioenen graag de naam van de werkgever wil weten.
Een breed gedragen overeenkomst over welke standaard te hanteren is dus van belang. Het maken van een Canonical Data Model (CDM) kan hieraan bijdragen. Een CDM is erop gericht data-entiteiten en hun onderlinge relaties zo eenvoudig mogelijk weer te geven. Zo creëer je in feite een gestandaardiseerd model, dat begrijpelijk en duidelijk is voor iedereen.
3. Een goede data governance
Omdat het implementeren van MDM een complex proces is, is een volwassen data governance-structuur in de organisatie belangrijk. Ook moeten de rollen in deze structuur duidelijk zijn om zo toe te kunnen zien op het beleid, de werkzaamheden en verantwoordelijkheden. Zonder goede data governance is de kans op een succesvolle MDM-implementatie een stuk kleiner.
4. Data-integratie
Het integreren van je data-applicaties naar de MDM-applicatie kan veel tijd en capaciteit kosten. Ook kan het verzetten van data van de ene naar de andere applicatie voor fouten zorgen. Het oplossen hiervan is een tijdrovend proces.
Toch is het van belang om de applicaties te integreren, om de functionaliteit van je MDM-oplossing te waarborgen. Dit werkt twee kanten op, een aanpassing in de ‘master’ data dient ook goed teruggekoppeld te worden naar de ‘slaves’.
5. Verbeteren van de datakwaliteit
Bij een MDM-implementatie is de kwaliteit van de data erg belangrijk. Als je data namelijk vervuild is, wordt de master data dat ook. Op die manier creëer je één waarheid, maar niet de juiste. Een oplossing hiervoor zou kunnen zijn om data stewards aan te wijzen in de organisatie.
Data stewardship waarborgt namelijk de kwaliteit van de data door het de aandacht te geven die het verdient. Betere datakwaliteit zorgt voor een soepelere implementatie van master data management.