Gennem årene har jeg set organisationer investere massivt i datastyringsprogrammer i forventning om, at en ny styringsplatform endelig ville skabe orden i deres datamiljø. Logikken giver mening. Hvis data er svære at finde, definere, have tillid til eller kontrollere, bør en styringsplatform kunne hjælpe. Organisationer implementerer datakataloger, tildeler dataejere, etablerer arbejdsgange for dataforvaltning, opretter forretningsordbøger og udvikler politikker for privatliv, sikkerhed, compliance og anvendelse.

Det er alt sammen vigtige skridt. Men i sig selv er de sjældent tilstrækkelige.

Årsagen er enkel: styring kan ikke lykkes, når den er afkoblet fra den arkitektur, den skal styre.

En forretningsordbog kan definere et begreb, men hvis definitionen ikke er forbundet med de datamodeller, skemaer, tabeller, kolonner og systemer, hvor dataene faktisk findes, er styringen ufuldstændig. Et katalog kan hjælpe brugere med at finde dataaktiver, men hvis disse aktiver ikke er knyttet til virksomhedsdefinitioner og modellerede relationer, skaber søgbarhed ikke nødvendigvis tillid. En politik kan beskrive, hvordan følsomme data skal håndteres, men hvis politikken ikke er forbundet med de strukturer, hvor følsomme data oprettes, transformeres og anvendes, bliver håndhævelsen vanskelig.

Det er derfor, at datastyring og dataarkitektur skal arbejde sammen.

De stærkeste organisationer behandler ikke modellering, metadata, katalogisering, forretningsordbøger og styring som separate aktiviteter. De forbinder dem i et fælles virksomhedsgrundlag for data, som hjælper forretningsmæssige og tekniske teams med at definere, administrere og have tillid til information på tværs af organisationen.

Det styringsgab, som de fleste organisationer skaber

Mange styringsinitiativer begynder med de rette intentioner. Teams opretter forretningsordbøger, dokumenterer ejerskab, definerer politikker og katalogiserer dataaktiver, så medarbejderne kan forstå, hvilke oplysninger der findes, og hvordan de bør anvendes.

Udfordringen opstår, når styring bliver adskilt fra implementeringen.

Et styringsteam kan definere et forretningsbegreb som “forsikringstager”, “skade”, “aktiv” eller “nettoomsætning”. Et dataarkitekturteam kan modellere disse begreber på tværs af applikationer, datalagre, lakehouses og rapporteringsmiljøer. Analyseteams kan oprette dashboards ved hjælp af relaterede felter, mens applikationsteams fortsætter med at foretage ændringer i de operationelle systemer.

Når disse grupper arbejder i adskilte værktøjer, begynder definitionerne at afvige.

Forretningsordbogen siger én ting. Modellen siger noget andet. Databasen afspejler en tredje fortolkning. Rapporter og dashboards kan introducere yderligere antagelser, som aldrig knyttes tilbage til den oprindelige forretningsdefinition.

Det er sådan, organisationer ender med styringsprogrammer, der ser stærke ud på papiret, men har svært ved at fungere i praksis. De har dokumentation, men ikke sammenhæng. De har politikker, men ikke sporbarhed. De har kataloger, men ikke altid den arkitektoniske kontekst, der er nødvendig for at forstå, hvordan data er struktureret, relateret og implementeret.

Styring mislykkes ikke, fordi organisationen mangler indsats. Den mislykkes, fordi styringsøkosystemet er fragmenteret.

Hvorfor datamodeller er afgørende for styring

Datamodeller spiller en afgørende rolle i styringen, fordi de definerer de strukturer og relationer, som styringsprogrammer har brug for at forstå.

En forretningsordbog kan definere, hvad et begreb betyder, men en datamodel viser, hvordan dette begreb er repræsenteret på tværs af systemer. Den forbinder forretningsdefinitioner med entiteter, attributter, relationer, nøgler, regler og fysiske implementeringer. Uden denne forbindelse kan styringsteams vide, hvad et begreb betyder i teorien, men mangle indsigt i, hvordan begrebet er implementeret i praksis.

Denne forskel er vigtig, fordi virksomheders datamiljøer er komplekse. Et enkelt forretningsbegreb kan forekomme på tværs af mange applikationer, databaser, rapporteringssystemer og analyseplatforme. Det kan være lagret under forskellige navne, modelleret med forskellige relationer og underlagt forskellige politikker afhængigt af, hvor det forekommer.

Virksomhedsdatamodellering hjælper organisationer med at skabe en fælles plan for denne kompleksitet. Det giver styringsteams mulighed for ikke blot at forstå, hvilke data der findes, men også hvordan de er struktureret, hvordan de relaterer til andre data, og hvordan ændringer kan påvirke efterfølgende systemer.

Det er her, styring bliver operationel.

I stedet for at administrere begreber og politikker adskilt fra den tekniske implementering kan organisationer forbinde betydning direkte med arkitekturen.

[Indsæt billedet "CTO_Club_Governance_image1" her]

Billedtekst: Styringens vigtigste søjler

Datakatalogets og forretningsordbogens rolle

For at styring kan fungere i stor skala, har organisationer brug for både teknisk synlighed og forretningsmæssig betydning.

Det er her, ER/Studios funktioner til datakatalog og forretningsordbog bliver særligt vigtige.

ER/Studios Enterprise-datakatalog leverer et styret, søgbart register over modeller, skemaer, attributter og forretningsbegreber. Det hjælper teams med at finde pålidelige dataaktiver, forstå tekniske metadata og knytte disse aktiver til forretningsdefinitioner. I stedet for at tvinge brugere til at søge gennem adskilte modeller, regneark og dokumentation giver kataloget teams en centraliseret måde at forstå, hvilke data der findes, og hvordan de bør anvendes.

Forretningsordlisten tilføjer den forretningsmæssige kontekst, som tekniske metadata alene ikke kan give. Den gør det muligt for organisationer at definere, administrere og knytte forretningsbegreber til tekniske aktiver, så teams deler et fælles sprog på tværs af domæner. Dette hjælper med at reducere tvetydighed, forbedre samarbejdet mellem forretningen og IT samt sikre, at styringsstandarder understøttes gennem den måde, data modelleres og anvendes på.

Datakataloget og forretningsordlisten hjælper tilsammen med at løse et af de mest vedvarende problemer inden for datastyring: kløften mellem tekniske aktiver og forretningsforståelse.

Et tabelnavn kan fortælle en dataingeniør, hvor oplysningerne er gemt. Et kolonnenavn kan give et fingerpeg om, hvad oplysningerne indeholder. Men datastyring kræver mere end fingerpeg. Det kræver godkendte definitioner, ejerskab, klassifikationer, relationer og politikker, som både forretningsbrugere og tekniske brugere kan forstå.

Ved at forbinde katalogiserede aktiver med styrede forretningsbegreber hjælper ER/Studio organisationer med at omdanne metadata til en fælles betydning.

Hvorfor integration med Purview og Collibra er vigtig

Mange virksomheder bruger allerede Microsoft Purview eller Collibra som centrale komponenter i deres strategi for datastyring. Derfor er integration med disse platforme afgørende.

Udfordringen er, at platforme til datastyring og datamodelleringsplatforme ofte befinder sig i forskellige dele af organisationen. Styringsteams arbejder måske i Purview eller Collibra, mens dataarkitekter arbejder i modelleringsmiljøer. Hvis disse værktøjer ikke holdes synkroniserede, opstår der hurtigt huller i metadataene.

ER/Studio håndterer dette problem gennem indbygget integration med både Microsoft Purview og Collibra, så organisationer kan forbinde dataarkitektur direkte med virksomhedens styringsprogrammer. ER/Studio beskriver dette som en central konkurrencefordel og angiver, at det er den eneste enterprise-datamodelleringsplatform med indbygget integration til Microsoft Purview og Collibra.

Med integration til Microsoft Purview kan organisationer publicere logiske og fysiske datamodeller i Purview, synkronisere datamodeller, knytte Purviews ordlistebegreber til ER/Studio-modeller og forbinde standardiserede definitioner på tværs af databaser, cloudlagring og BI-værktøjer. Dette hjælper med at udvide modellens kontekst til det bredere styringsmiljø, så metadata, definitioner og dataafstamning ikke isoleres i separate platforme.

Med integration til Collibra kan ER/Studio synkronisere metadata og skemadefinitioner til Collibra-datakataloget, knytte ER/Studio-entiteter til Collibra-forretningsbegreber, understøtte styringsarbejdsgange og give forretningsbrugere og tekniske brugere kontekst på modelniveau. Dette hjælper med at reducere tvetydighed ved at forbinde styrede begreber direkte med de modeller og strukturer, der implementerer dem.

Disse integrationer er vigtige, fordi de reducerer det manuelle arbejde, som ofte får styringsprogrammer til at sakke bagud. Når teams er afhængige af eksporter, regneark eller periodiske manuelle opdateringer, bliver metadata hurtigt forældede. Efterhånden som systemerne udvikler sig, afspejler styringsdokumentationen ikke længere det, der faktisk er implementeret.

Indbygget integration hjælper med at lukke dette hul.

En styringsarbejdsgang i praksis

For at se, hvorfor det er vigtigt at forbinde arkitektur og styring, kan du overveje et almindeligt scenarie.

En organisation inden for finansielle tjenester lancerer en ny applikation til kundeonboarding. Før udviklingen begynder, opretter dataarkitekturteamet en logisk virksomhedsdatamodel i ER/Studio, som definerer de centrale forretningskoncepter, applikationen skal bruge, herunder Kunde, Konto, Produkt og Risikoprofil. I stedet for at lade hvert projektteam fortolke disse koncepter uafhængigt etablerer modellen et fælles semantisk grundlag, der kan genbruges på tværs af applikationer, analyser, datastyring og AI-initiativer.

Efterhånden som den logiske model videreudvikles, standardiserer ER/Studios virksomhedsdataordbog navngivningskonventioner, genanvendelige domæner og godkendte datadefinitioner. Dette hjælper med at sikre, at de samme forretningskoncepter repræsenteres konsekvent på tværs af projekter i stedet for at blive oprettet igen med lidt forskellige navne eller betydninger.

Styringsteamet bygger derefter videre på dette arbejde ved hjælp af ER/Studios forretningsordliste. Forretningsbegreber knyttes direkte til entiteterne og attributterne i virksomhedsmodellen, så forretningsbrugere, dataforvaltere og arkitekter kan arbejde ud fra de samme godkendte definitioner. I stedet for at vedligeholde separat dokumentation forbliver styringsaktiverne forbundet med den arkitektur, de beskriver.

Når den logiske model er godkendt, genererer arkitekterne de fysiske modeller, der understøtter implementeringen, samtidig med at sporbarheden tilbage til virksomhedsdefinitionerne bevares. Disse modeller sammen med deres tilknyttede metadata og ordlistebegreber kan findes gennem ER/Studios datakatalog, hvilket giver både tekniske brugere og forretningsbrugere et styret overblik over virksomhedens information.

Da mange organisationer allerede er afhængige af virksomhedens styringsplatforme, udvider ER/Studio denne arbejdsgang ud over sit eget miljø. Modelmetadata, ordlistebegreber og tekniske definitioner kan synkroniseres med Microsoft Purview og Collibra, så styringsteams kan fortsætte med at arbejde i de platforme, de allerede bruger, samtidig med at de forbliver afstemt med den underliggende virksomhedsarkitektur.

Flere måneder senere ændrer et nyt lovgivningsmæssigt krav den måde, kunders risikoklassifikationer skal registreres på.

I stedet for manuelt at gennemgå dokumentation på tværs af flere systemer opdaterer dataarkitekten virksomhedsmodellen i ER/Studio og bruger konsekvensanalyse til at identificere de efterfølgende applikationer, databaser, rapporter og styrede aktiver, der påvirkes af ændringen. De reviderede forretningsdefinitioner forbliver forbundet via forretningsordlisten, mens synkroniserede metadata sikrer, at Microsoft Purview og Collibra fortsat afspejler den opdaterede arkitektur.

I stedet for at behandle arkitektur og datastyring som separate aktiviteter holder denne arbejdsgang virksomhedsmodeller, metadata, forretningsdefinitioner og datastyringsplatforme synkroniseret gennem hele dataets livscyklus. Resultatet er et datastyringsprogram, der udvikler sig sammen med virksomheden i stedet for konstant at forsøge at indhente den.

Forbindelse mellem datastyring og hele dataets livscyklus

En komplet løsning til virksomhedsdata kræver mere end katalogisering af det, der allerede findes. Det kræver også datastyring, mens data designes, ændres, implementeres og anvendes.

Det er her, kombinationen af ER/Studios modelleringsfunktioner, datakataloget, forretningsordlisten og integrationerne med datastyringsplatforme bliver særligt værdifuld.

Dataarkitekter kan definere logiske og fysiske modeller, der afspejler forretningsbetydning og teknisk implementering. Datastyringsteams kan forbinde forretningsbegreber, dataansvarsområder, klassifikationer og politikker med disse modeller. Katalogbrugere kan finde aktiver med både teknisk og forretningsmæssig kontekst. Purview- og Collibra-brugere kan få adgang til synkroniserede metadata og ordlisteoplysninger i de datastyringsplatforme, de allerede bruger.

Denne sammenhængende livscyklus hjælper organisationer med at bevæge sig fra reaktiv til proaktiv datastyring.

I stedet for at opdage datastyringsproblemer, efter at systemerne allerede er implementeret, kan teams håndtere dem under designfasen. Følsomme data kan identificeres tidligere. Forretningsbegreber kan forbindes med modellerede aktiver før implementeringen. Navngivningsstandarder og modelleringskonventioner kan håndhæves konsekvent. Ændringer kan vurderes med hensyn til deres efterfølgende påvirkning, før de skaber problemer i rapporter, datapipelines eller datastyringsarbejdsgange.

Det er vigtigt, fordi datastyring ikke er en engangsøvelse i dokumentation. Det er en løbende disciplin, der skal udvikle sig, efterhånden som virksomheden ændrer sig.

Når datastyring forbindes med dataarkitektur, får organisationer et tydeligere billede af, hvordan definitioner, modeller, metadata, politikker og systemer ændrer sig over tid.

Hvorfor dette er vigtigt for AI-parathed

Fremkomsten af AI har gjort forholdet mellem arkitektur og datastyring endnu vigtigere.

AI-systemer er afhængige af kontekst. De har brug for definitioner, metadata, relationer, dataoprindelse, ejerskab, klassifikationer og forretningsregler for at generere pålidelige og forklarlige resultater. Når datastyring og arkitektur er adskilt, overtager AI-systemer de samme uoverensstemmelser, som længe har frustreret analytikere, dataansvarlige og virksomhedsledere.

Hvis et forretningsbegreb er defineret i en ordliste, men ikke forbundet med de fysiske data, der repræsenterer det, ved et AI-system muligvis ikke, hvilken tabel eller kolonne der skal bruges. Hvis flere systemer implementerer det samme begreb forskelligt, kan AI give modstridende svar. Hvis metadataene er forældede, kan AI basere sit svar på forældet kontekst.

Derfor er AI-parathed ikke kun en udfordring inden for datavidenskab eller infrastruktur. Det er også en udfordring inden for datastyring og arkitektur.

Organisationer, der forbinder virksomhedsdatamodeller, forretningsordlister, datakataloger og datastyringsplatforme, er bedre rustet til at give AI-systemer en pålidelig kontekst. De kan definere forretningsbetydningen én gang, forbinde den med den tekniske implementering, synkronisere den med datastyringsværktøjer og genbruge den på tværs af analyse-, rapporterings- og AI-initiativer.

Det er det fundament, som pålidelig AI kræver.

Hvad succesfulde organisationer gør anderledes

Succesfulde organisationer erkender, at datastyring ikke blot handler om kontrol. Det handler om at skabe tillid til data.

De erkender også, at tillid afhænger af sammenhæng. Forretningsbrugere har brug for definitioner, de kan stole på. Dataarkitekter har brug for modeller, der afspejler disse definitioner. Datastyringsteams har brug for politikker, der er forbundet med reelle aktiver. Analytikere har brug for kataloger, der viser både tekniske metadata og forretningsmæssig kontekst. AI-systemer har brug for maskinlæsbar betydning, der er konsistent på tværs af virksomheden.

Disse organisationer beder ikke datastyringsteams om at vedligeholde én sandhedsversion, mens arkitekturteammene vedligeholder en anden. De skaber et integreret økosystem, hvor modeller, ordlister, kataloger, metadata og datastyringsplatforme understøtter hinanden.

ER/Studio understøtter denne tilgang ved at kombinere virksomhedsdatamodellering, et datakatalog, en forretningsordliste, rollebaserede adgangskontroller, automatiseret dokumentation, håndhævelse af standarder samt indbyggede integrationer med Microsoft Purview og Collibra. Det giver organisationer en mere komplet måde at forbinde forretningsbetydning, teknisk design og udførelse af datastyring på med udgangspunkt i ét dataarkitekturgrundlag.

Resultatet er ikke blot bedre dokumentation. Det er en stærkere driftsmodel for virksomhedsdata.

[Indsæt "CTO_Club_Governance_image2"-billede her]

Billedtekst: Hvorfor datastyring i virksomheder mislykkes

Opbygning af et komplet virksomhedsdatafundament

Moderne datamiljøer er for komplekse til adskilt datastyring.

Organisationer administrerer operationelle databaser, cloudplatforme, datavarehuse, lakehouses, analyseværktøjer, BI-systemer, datastyringskataloger og AI-applikationer. Hvert miljø introducerer sine egne metadata, sin egen terminologi, sine egne strukturer og sine egne politikker. Uden en integreret tilgang kan selv velmenende datastyringsprogrammer blive endnu en silo.

Et komplet virksomhedsdatafundament samler disse dele.

Datamodeller definerer struktur og relationer. Forretningsordbogen definerer den godkendte forretningsmæssige betydning. Datakataloget gør styrede aktiver søgbare. Integrationer med Microsoft Purview og Collibra udvider denne kontekst til arbejdsgange for datastyring i virksomheden. Rollebaserede adgangskontroller og standarder bidrager til at sikre, at de rigtige personer kan administrere de rigtige aktiver på den rigtige måde.

Når disse funktioner arbejder sammen, får organisationer mulighed for at styre data fra design til anvendelse.

De kan forstå, hvad data betyder, hvor de findes, hvordan de er struktureret, hvem der ejer dem, hvordan de er klassificeret, hvordan de ændrer sig, og hvordan de forbinder sig til nedstrømssystemer. Dette niveau af synlighed er afgørende for compliance, modernisering, analyse og AI.

Det er også det, der gør det muligt for datastyring at blive en forretningsmæssig drivkraft i stedet for en dokumentationsbyrde.

Fremtidens datastyring er forbundet

Den næste generation af datastyring vil ikke blive defineret af selvstændige kataloger, adskilte forretningsordbøger eller isolerede politikregistre. Den vil blive defineret af, hvor effektivt organisationer forbinder datastyring med arkitekturen for deres data.

Datastyring uden arkitektur mangler implementeringskontekst. Arkitektur uden datastyring mangler tillid, ansvarlighed og kontrol. Datakataloger uden forretningsordbøger kan vise, hvad der findes, men ikke altid, hvad det betyder. Forretningsordbøger uden modelintegration kan definere termer, men ikke altid forbinde dem med virkelige systemer.

De stærkeste organisationer samler disse discipliner.

Derfor er ER/Studio's kombination af datamodellering på virksomhedsniveau, datakatalog, forretningsordbog og native integrationer med Microsoft Purview og Collibra vigtig. Den hjælper organisationer med at skabe en styret dataarkitektur, hvor forretningsmæssig betydning, metadata, modeller, politikker og implementering forbliver afstemt.

Efterhånden som datamiljøer bliver mere distribuerede, og AI bliver dybere integreret i beslutningstagningen, vil denne afstemning kun blive vigtigere.

De organisationer, der får succes, vil ikke være dem med flest datastyringsartefakter. De vil være dem, der forbinder datastyring med den måde, data faktisk designes, administreres og anvendes på.

Få mere at vide om ER/Studio.

Betroet af: