Home

Alcune aziende che ci hanno scelto

Privacy Officer e consulente privacy
Schema CDP secondo la norma ISO/IEC 17024:2012
European Privacy Auditor
Schema di Certificazione ISDP©10003 secondo la norma ISO/IEC 17065:2012
Valutatore Privacy
Secondo la norma UNI 11697:2017
Lead Auditor ISO/IEC 27001:2022
Secondo la norma ISO/IEC 17024:2012
Data Protection Officer
Secondo la norma ISO/IEC 17024:2012
Anti-Bribery Lead Auditor Expert
Secondo la norma ISO/IEC 17024:2012
ICT Security Manager
Secondo la norma UNI 11506:2017
IT Service Management (ITSM)
Secondo l’Ente ITIL Foundation
Ethical Hacker (CEH)
Secondo l’Ente EC-Council
Network Defender (CND)
Secondo l’Ente EC-Council
Computer Hacking Forensics Investigator (CHFI)
Secondo l’Ente EC-Council
Penetration Testing Professional (CPENT)
Secondo l’Ente EC-Council

Qualifiche professionali

Rimani aggiornato sulle notizie dal mondo!

Seleziona gli argomenti di tuo interesse:
GOVERNANCE & AWARENESS
Home / GOVERNANCE & AWARENESS
/
Reference e Master Data
Big Data e Data Science

Obiettivi:

In qualsiasi organizzazione, certi dati sono necessari in tutte le aree, processi e sistemi di business. Se tali dati sono condivisi e tutte le unità di business possono accedere agli stessi elenchi di clienti, codici di località geografiche, elenchi di unità di business, opzioni di consegna, elenchi di parti, codici di centri di costo contabili, codici fiscali governativi e agli altri dati utilizzati per gestire il business, ne trarranno vantaggio l’organizzazione complessiva e i relativi clienti. Le persone che utilizzano i dati, in generale presumono che esista un livello di coerenza in tutta l’organizzazione, finché non vedono dati eterogenei.

Nella maggior parte delle organizzazioni, sistemi e dati evolvono in modo più organico rispetto a quanto vorrebbero i data management professional. Soprattutto nelle grandi organizzazioni, vari progetti e iniziative, fusioni e acquisizioni e altre attività di business si traducono in più sistemi che eseguono sostanzialmente le stesse funzioni, isolati l’uno dall’altro. Queste condizioni portano inevitabilmente a incongruenze nella struttura dei dati e nei valori dei dati tra i sistemi. Questa variabilità aumenta costi e rischi. Entrambi possono essere ridotti attraverso la gestione di Master Data e Reference Data.


Attività svolte dal nostro Team:

Attività di Master Data Management – MDM

  • Definire driver e requisiti di MDM: Ogni organizzazione presenta diversi driver e criticità legati al MDM, influenzati dal numero e dal tipo di sistemi dalla loro età, dai processi di business che supportano e dal modo in cui i dati vengono utilizzati sia per le transazioni sia per gli analytics. I driver spesso includono opportunità per migliorare il servizio clienti e/o l’efficienza operativa, nonché per ridurre i rischi legati alla privacy e alla conformità. Le criticità includono le differenze nel significato e nella struttura dei dati tra i sistemi.
  • Stimare e valutare le origini dati: I dati nelle applicazioni esistenti costituiscono la base delle attività di Master Data Management. È importante capire la struttura e il contenuto di questi dati e dei processi attraverso i quali tali dati vengono raccolti o creati. Un esito delle attività di MDM può essere il miglioramento dei Metadata generati attraverso l’attività di valutazione della qualità dei dati esistenti. Un obiettivo della valutazione è capire quanto completi siano i dati in relazione agli attributi che comprendono i Master Data; questo processo include il chiarimento delle definizioni e della granularità di tali attributi.
  • Definire l’approccio architetturale: L’approccio architetturale al MDM dipende dalla strategia di business, dalle piattaforme delle origini di dati esistenti e dai dati stessi, in particolare la loro lineage e volatilità, e le implicazioni di alta o bassa latenza. L’architettura deve tenere conto dell’utilizzo dei dati e dei modelli di condivisione. Gli strumenti di manutenzione dipendono sia dai requisiti di business sia dalle opzioni dell’architettura; tali strumenti aiutano a definire e allo stesso tempo dipendono dall’approccio alla stewardship e manutenzione.
  • Modellare i Master Data: Il MDM è un processo di integrazione dei dati. Per ottenere risultati coerenti e gestire l’integrazione di nuove origini man mano che un’organizzazione si espande, è necessario definire un modello dei dati all’interno delle aree tematiche. Un modello logico o canonico può essere definito sulle aree tematiche all’interno dell’hub di condivisione dei dati. Ciò consentirebbe di stabilire definizioni a livello aziendale di entità e attributi dell’area tematica.
  • Definire la stewardship e i processi di manutenzione: Le soluzioni tecniche possono fare un notevole lavoro di abbinamento, unione e gestione degli identificativi dei record master. Tuttavia, il processo richiede anche stewardship, non solo per indirizzare i record che sono scartati dal processo, ma anche per rimediare e migliorare i processi che ne causano in primo luogo lo scarto. I progetti di MDM devono tenere conto delle risorse necessarie a supportare la qualità costante dei Master Data. È necessario analizzare i record, fornire feedback ai sistemi di origine e fornire input che possano essere utilizzati per ottimizzare e migliorare gli algoritmi che guidano la soluzione di MDM.
  • Stabilire policy di governance per imporre l’utilizzo dei Master Data: Il lancio iniziale di un’attività di Master Data è impegnativo e richiede molta attenzione; i reali vantaggi giungono quando le persone e i sistemi iniziano a utilizzare i Master Data. Lo sforzo complessivo deve includere una roadmap affinché i sistemi adottino valori e identificatori dei master data come input per i processi.

Attività di Reference Data

  • Definire driver e requisiti: I driver principali per il Reference Data Management sono l’efficienza operativa e qualità dei dati superiore. La gestione centralizzata dei Reference Data è più conveniente rispetto al fatto che più unità di business mantengano i propri set di dati; questa, inoltre, riduce il rischio di incoerenza tra i sistemi. I set di Reference Data più importanti devono soddisfare i requisiti di un sistema di Reference Data Management. Una volta messo in atto un tale sistema, è possibile impostare nuovi set di Reference.
  • Valutare le origini dati: La maggior parte dei set di Reference Data standard di settore può essere ottenuta dalle organizzazioni che li creano e li gestiscono. Alcune organizzazioni forniscono tali dati gratuitamente; altre richiedono il pagamento di una commissione. Anche gli intermediari confezionano e vendono Reference Data, spesso con funzionalità a valore aggiunto. In funzione del numero e del tipo di set di Reference Data necessari a un’organizzazione, potrebbe essere preferibile l’acquisto da un fornitore, soprattutto se quest’ultimo garantisce la consegna di aggiornamenti in base a una pianificazione prestabilita ed esegue il controllo di qualità di base sui dati. Molte organizzazioni si affidano anche a Reference Data creati e gestiti internamente. Determinare l’origine dei dati di riferimento locali o interni è spesso più difficile che farlo per i Reference Data standard di settore.
  • Definire l’approccio architetturale: Prima di acquistare o creare uno strumento di gestione dei Reference Data, è fondamentale tenere conto dei requisiti e delle sfide poste dai Reference Data da gestire. Occorre assicurarsi che l’interfaccia per gli aggiornamenti sia semplice e che possa essere configurata per applicare regole di immissione dei dati di base, ad esempio garantire che le relazioni genitore/figlio siano mantenute nei Reference Data che comprendono le gerarchie.
  • Modellare i set di Reference Data: Molte persone vedono i Reference Data come semplici codici e descrizioni. Tuttavia, molti Reference Data sono più complicati. Al fine di consentire un uso a lungo termine e stabilire Metadata precisi, nonché per il processo di manutenzione stesso, è utile creare modelli di set di Reference Data. I modelli aiutano gli utilizzatori dei dati a comprendere le relazioni all’interno del set di Reference Data e possono essere utilizzati per stabilire regole sulla qualità dei dati.
  • Definire la stewardship e i processi di manutenzione: I Reference Data richiedono stewardship per garantire che i valori siano completi e attuali e che le definizioni siano chiare e comprensibili. In alcuni casi, gli steward saranno direttamente responsabili della manutenzione pratica dei Reference Data; in altri casi, potranno facilitare il processo.
  • Stabilire politiche di governance dei Reference Data: Un’organizzazione ottiene valore da un repository di Reference Data gestito a livello centralizzato solo se le persone utilizzano effettivamente i dati di tale repository. A tal fine, è importante attuare policy che disciplinano la qualità e impongono l’uso dei Reference Data da quel repository, sia direttamente attraverso la pubblicazione dallo stesso o indirettamente da un sistema di riferimento popolato con i dati del repository centrale.

Suggeriti per te

Data Governance Data Architecture Data Modeling e Design Data Storage e Operations Data Security Data Integration e Interoperability Document e Content Management Reference e Master Data Data Warehousing e Business Intelligence Metadata Management Data Quality Big Data e Data Science