Hoe databedreven is jouw organisatie?

Holistisch datamanagement en stieren temmen

Niet iedereen loopt warm voor lastige discussies over informatie-entropie, schaduw-IT en technical debt. Martijn Evers wel. Samen met Ronald Damhof richtte Evers, medeoprichter van het Bossche bedrijf i-Refact, een online beweging op die zich sterk maakt voor misschien wel de ultieme baan van de toekomst: de full-scale data-architect. Het is een baan die je moet liggen. ‘Meestal word je als data-architect geboren’, stelt de zelfbenoemde datamissionaris. Met andere woorden: het abstracte denken moet in je genen zitten.

Posters die de discussie losmaken

Evers koestert een verzameling van ruim 25 posters op A0-formaat, waarvan hij er altijd enkele meeneemt naar afspraken. Ze vallen op door originele invalshoeken, sterke associaties, gewaagde analogieën en een veelkleurig palet. Maar het is hem menens. Hij gebruikt de posters om opdrachtgevers in één oogopslag te laten zien waar de pijnpunten in de organisatie zitten en waar gridlocks kunnen ontstaan, en vooral om te illustreren welke grote belangen (‘concerns’) op het spel staan en welke oplossingsrichtingen er zijn als je serieus aan de slag gaat met data, datamanagement en data-architecturen. ‘Door een poster te laten zien of een matrix te tekenen, ontketen je vaak in één keer een levendige discussie.’

Datazwaartekracht: wie verdient groot geld met data?

‘Data is the new oil’, beweren prominente sprekers op congressen, en in één adem noemen ze big data big business. Zulke uitspraken vinden meestal vanzelf hun weg naar de boardroom en gaan al snel een eigen leven leiden, helaas zonder de relevante context. Volgens Evers komen deze oneliners meestal van mensen die weinig of geen kaas hebben gegeten van data-architecturen. Groot geld verdienen met data is tot nu toe weggelegd voor de grootste technologiebedrijven. De rest van de wereld worstelt vooral met de overvloed aan data.

Naar analogie van de zwaartekrachtwet van Newton bestaat er ook zoiets als datazwaartekracht: data heeft de neiging te clusteren en trekt nieuwe applicaties met nieuwe data aan.

Je kunt de datazwaartekracht voor je laten werken, zoals de grote databedrijven laten zien. Maar voor veel organisaties is ze vooral een belemmering, bijvoorbeeld bij de migratie van data tussen de cloud en een lokaal datacenter.

Data als nucleaire optie

‘Data is levensgevaarlijk en kan bedrijven, organisaties, landen en complete maatschappijen te gronde richten’, gooit Evers de knuppel in het hoenderhok. Hij vergelijkt de impact zelfs met de dreiging van kernwapens. ‘Beïnvloeding van landen is een reëel probleem geworden, en er gaan letterlijk bedrijven naar de knoppen door slecht datamanagement.’ Alleen overheidsinstellingen hebben volgens hem een uitweg, omdat ze in principe kunnen terugvallen op publieke middelen, ook als er verkeerde keuzes worden gemaakt over de inrichting van data, datamanagement en data-architecturen.

Escaleer grote IT-problemen veel eerder

Bij grote IT-problemen in overheidsinstellingen zouden betrokkenen veel eerder moeten escaleren naar de politieke leiding, vindt Evers. ‘Nu zitten daar zoveel managementlagen tussen dat verantwoordelijken veel te laat worden geïnformeerd over de risico’s en financiële gevolgen. Substantiële problemen met IT moeten zo hoog mogelijk in de organisatie worden opgelost.’ De top is in zijn ogen ook verantwoordelijk voor de datakwaliteit, en als AI-algoritmes gaan beslissen, nemen de risico’s toe en dus ook die verantwoordelijkheid.

Technical debt

Over technical debt, een begrip uit de softwareontwikkeling, heeft Evers een uitgesproken mening. ‘Technical debt is een feit zodra een ontwikkelaar zelfs maar een blik op zijn toetsenbord werpt.’ Technical debt ontstaat doordat ontwikkelaars bewust of onbewust kiezen voor een op het eerste gezicht voordelige kortetermijnoplossing die op langere termijn extra kosten met zich meebrengt. Elk systeem is volgens hem in feite technical debt, want je had het eigenlijk liever niet willen hebben.

Grip op de dataketens

In plaats van vast te houden aan oude, vaak achterhaalde technologie zouden organisaties hun tijd en geld moeten steken in het echte werk: het managen van dataketens. Evers bedoelt een duurzame, veilige oplossing voor de verwerking van grote hoeveelheden data voor een groot aantal belanghebbenden, waarin de kwaliteit van processen en de leverbetrouwbaarheid van dataleveringen de hoofdrol spelen. ‘De business zou zich veel meer moeten verdiepen in data en data-organisatie en niet gemakzuchtig denken: de data zit in het datawarehouse of data lake, dus dan zit het wel snor.’ De business is ook eigenaar van de data, niet de IT-afdeling. Als het misgaat, betaalt de business de boetes.

Organisaties zouden grip moeten krijgen op de dataketens, liefst aan het begin en niet pas aan het eind, zoals bij datawarehouses en data lakes vaak het geval is. Dan is de situatie wat datakwaliteit betreft vaak al hopeloos. Ronald Damhof zegt daarover: ‘Een datawarehouse, data lake of welk datafort dan ook is een uiting van technische schuld die gewoon niet eerder in de dataketen is aangepakt.’ Evers valt hem bij: ‘Organiseer data zo dat iedereen in de keten waarde kan halen uit de beschikbare data. Wij richten ons op de organisatorische kant, op de data- en ketenproblemen. De technologische oplossingen zijn daaraan altijd ondergeschikt.’

Ketenentropie

Dataketens hebben enkele vervelende eigenschappen. Ze ontstaan bijna altijd spontaan, want iedereen wil elkaars data hebben en data kopiëren is kinderlijk eenvoudig: een spreadsheet is zo gemaakt. Als een onzichtbaar spinnenweb kruipt de data door de organisatie. De complexiteit neemt alleen maar toe en op een gegeven moment komt alles tot stilstand. Entropie, een begrip uit de thermodynamica, is een maat voor de wanorde in een systeem, en organisaties worstelen er hun hele leven mee zonder het te ruiken of te zien.

Naar analogie van de energielabels A tot en met G voor apparaten en woningen ontwikkelden Evers en de full-scale-gemeenschap daarom een labelsysteem voor informatieproducten met het oog op entropie. ‘Organisaties denken nog te veel in IT-principes en functies. Ze moeten meer oog krijgen voor het bestrijden van chaos en leren denken in scheiding van machten, functies en belangen. Doe je dat niet, dan krijgt de entropie in de keten de overhand. Helaas zien directies en IT vaak niet wat het probleem is, en als het eenmaal duidelijk is, is het vaak te laat.’

Datavalorisatie versus data-organisatie

Een uit het juiste hout gesneden full-scale data-architect fungeert volgens Evers als brug tussen business en IT en is goud waard. Hij of zij bewaakt de balans, bijvoorbeeld tussen datavalorisatie en data-organisatie. ‘Vergelijk het met yin en yang, twee tegengestelde krachten die elkaar in balans houden. In bedrijven en overheidsinstellingen is vaak sprake van grote onbalans. Sommige data zit nog vast in spreadsheets of in verouderde bronsystemen, andere data staat in de cloud en is te benaderen met een coole app.’

Evers gebruikt liever de term datavalorisatie dan het gangbaardere datamonetarisatie, om aan te geven dat je met data veel meer waarden kunt realiseren dan louter geldelijk gewin. ‘Als je met doorwrocht datamanagement risico’s kunt beperken en kunt voldoen aan de compliance-eisen van toezichthouders, creëer je ook waarde, alleen is die niet direct in geld uit te drukken. Ook het voorkomen van dataproblemen vertegenwoordigt een waarde. Een zorgverzekeraar kan niet zomaar commercieel de boer op met zijn cliëntgegevens. Met data fraude opsporen vertegenwoordigt daarentegen wel een grote interne waarde voor die verzekeraar.’

Het logische datamodel als schakel

Is data een asset, een verplichting of een strategisch voordeel? Hoe je het ook bekijkt, het belang van goed datamanagement neemt alleen maar toe. ‘Ik zie veel bedrijven worstelen met de keuzes. Veel initiatieven zijn ofwel technologiegedreven, ofwel zo pragmatisch dat moeilijk te beoordelen is of ze toekomstvast en herbruikbaar zijn. Vaker ontbreekt een doordachte data-architectuur helemaal.’ Er zijn veel manieren om data goed te organiseren, maar het logische datamodel verdient volgens Evers een speciale plek. Enerzijds is het een cruciale schakel tussen de abstracte, betekenisgedreven organisatie van data en data governance. Anderzijds verbindt het met de concrete implementatie in een datamanagementsysteem. Zonder die schakel ontbreekt vaak de grip op de implementatie.

De stier bij de horens pakken: kwaliteit versus flexibiliteit

Naar aanleiding van het datakwadrantenmodel van Ronald Damhof bedacht Evers de ‘data bull’. Data-architecten moeten vaak schipperen tussen twee tegengestelde belangen: kwaliteit en flexibiliteit. ‘Je kunt deze twee begrippen zien als de twee hoorns van een woeste stier die je wilt temmen.’ Kwaliteit staat voor een systematische manier van denken en ontwikkelen: consistentie, verifieerbaarheid, validiteit, integriteit, conformiteit, relevantie, transparantie en controleerbaarheid van de data. Flexibiliteit staat voor een opportunistische manier van denken en ontwikkelen: wendbaarheid, variëteit, toegankelijkheid, responsiviteit en beschikbaarheid van de data.

Met man en macht op één hoorn drukken, of met gelijke kracht op beide, zal waarschijnlijk geen effect hebben. Beide hoorns loslaten is fataal. ‘Je zult je krachten behoedzaam moeten verdelen door op de ene hoorn druk uit te oefenen en tegelijk de andere goed in de gaten te houden.’ Vertaald naar data: kies je maximaal voor flexibiliteit, dan moet je toch een minimumniveau van kwaliteit handhaven, en omgekeerd.

De twee hoorns van de datastier

Twee manieren van denken die in balans moeten blijven.

Vier kwadranten

Door op de verticale as de opportunistische en de systematische manier van ontwikkelen te zetten en op de horizontale as de push- en pullfactoren, ontstaat een matrix met vier kwadranten.

• Kwadrant I staat voor sterk gestandaardiseerde processen en systemen die data innemen en beheren. De voorspelbaarheid en herhaalbaarheid zijn hier groot. De harde feiten staan centraal.
• Kwadrant II draait om de kwalitatieve informatiecontexten en de waarheden.
• Kwadrant III staat in het teken van het binnenhalen van laag gestandaardiseerde en beperkt beheerde data, zoals eenmalige ad-hocdata of persoonlijke dataverzamelingen. Schaduw-IT krijgt hier alle ruimte en de governance is zeer beperkt.
• Kwadrant IV biedt ruim baan aan onderzoek, innovatie, prototyping en ontwerpen.

Verder lezen

• Datakwaliteit
• Blog: Gezocht: data-architecten met een holistische visie
• Blog: De 12 grootste pijnpunten bij Business Intelligence en analytics
• Blog: 6 redenen om geen data lake aan te leggen

Bronnen

• Wupper, H. (2012). Architectuur voor de digitale wereld. Nijmegen.
• Evers, M. (2018). Full-scale Data Architects Posterbook, versie 0.2. i-Refact, Den Bosch.

Over de auteur

Daan van Beek

Daan is medeoprichter van Diamond Decisions en leidt de verdere groei. Hij helpt organisaties strategie te vertalen naar de dagelijkse praktijk met een mensgerichte benadering van datagedreven werken, en leert in elke sector waarin hij werkt iets nieuws.

Over Diamond Decisions

Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI’s, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat BI en AI geen IT-project blijven, maar elke dag waarde opleveren.