Modellazione dati, una necessità da governare

Finalmente il focus è tornato sui DATI!

Oggi le aziende riconoscono nel proprio patrimonio informativo un asset fondamentale per la propria prosperità. Negli ultimi anni le normative hanno sicuramente contribuito a riportare l’attenzione sui dati, ma questo non deve essere l’unico fattore determinante per la conoscenza e il riconoscimento del loro valore.
Si parla molto di Data Governance, ma che cos’è? È una strategia articolata che coordina un insieme di programmi per migliorare il governo dei dati aziendali.
Una parte fondamentale della Data governance è la modellazione dei dati, che serve non solo come reverse engineering, ma anche ad avere una documentazione il più completa possibile delle basi dati. Modellare una base dati significa recuperare la conoscenza dei dati gestiti, ma soprattutto individuare i legami di integrità referenziale spesso gestiti applicativamente.

In particolare, il recupero della conoscenza dei legami di integrità referenziale è un passo propedeutico a quello che è il vero punto dolente di una buona Data Governance, ossia la DATA QUALITY. Ma come si fa a misurare la qualità di un modello dati? Come si condividono regole di modellazione e obiettivi da raggiungere?

David Shenk nel suo libro “Data Smog” scrive :«I dati una volta erano pochi ed erano preziosi come le pepite d’oro, oggi sono tantissimi e spesso valgono meno delle patate». Nulla di più vero. Cosa ce ne facciamo di tanti dati se non riusciamo a dar loro un valore, se non riusciamo a catalogarli o ancor meglio ad utilizzarli per generare nuovo business?

Per ben cominciare, si possono stabilire degli obiettivi da mantenere nel tempo, iniziare a documentare i dati attraverso i modelli dati, seguendo delle linee guida aziendali, arricchire i modelli di quante più informazioni utili a vari livelli (ad esempio, normative GDPR o necessità interne all’azienda). Verificare la qualità dei modelli prodotti, attraverso degli indicatori (KPI, KQI, etc.) definiti aziendalmente in base all’obiettivo da raggiungere (ad esempio, completezza documentazione, congruenza modelli, etc.). Occorre definire un piano di qualità e creare dei cruscotti per rendere disponibili e consultabili a tutte le figure interessate, gli indicatori che hanno portato il modello dati ad un determinato LIVELLO DI QUALITÀ.

Ovviamente per mettere in atto questa strategia, oltre a ridefinire dei processi, occorre assegnare dei ruoli, delle responsabilità, serve quindi, definire una struttura organizzativa che supporti i processi di data governance.

Alla fine, questo processo permetterà di:
• Identificare, tracciare e pubblicare il ciclo di vita dei dati
• Portare i gruppi di progetto a riutilizzare e integrare i dati (efficienza).
• Garantire standard di qualità nel tempo.
• Ottimizzare ciò che si ha e contemporaneamente creare nuovo business.

Non mi resta che augurarvi una buona modellazione a tutti!