Het doel van een Master Data Management-programma is om de belangrijkste data-assets van een organisatie te organiseren, zodat deze efficiënt en creatief kunnen worden gebruikt. De keuze van organisatiestijlen bepaalt hoe de gegevens presteren tijdens een analyse, bij het opbouwen van nieuwe relaties en bij het nemen van beslissingen die de winst vergroten.
Er zijn belangrijke factoren waarmee rekening moet worden gehouden bij het onderzoeken van effectief onderzoek Master Data Management (MDM) -strategieën voor 2020 en daarna. Door de tijd te nemen om de MDM-strategie van het bedrijf te heroverwegen en te herzien, kunnen gegevensverzameling en leveringstijden worden gestroomlijnd en kan het management wijzigingen aanbrengen die voorheen alleen het IT-personeel kon doen.
Prashant Bhatia, de Chief Product Officer van Stibo-systemen verklaarde:
“De rol van Master Data Management (MDM) en de kans die het op de markt biedt, is nog nooit zo belangrijk en strategisch geweest voor het algehele succes van het huidige bedrijf.”
Master Data Management kan niet langer worden beschouwd als een product of een eenvoudig stukje software. MDM is geëvolueerd van een eenvoudig organisatorisch hulpmiddel naar iets dat moet worden beschouwd als een langetermijnproject dat voortdurend moet worden verfijnd en aangepast.
Moderne MDM zorgt ervoor dat klantgegevens altijd schoon, volledig en betrouwbaar zijn. Om een volledig functioneel MDM-programma te maken, gebruiken bedrijven nu meerdere technologieën, waaronder:
- Transformeer en laad (ETL) tools
- Tools voor het matchen van gegevens
- Tools voor gegevenskwaliteit
- Realtime synchronisatietools
Het concurrentievoordeel voor meerdere domeinen
Gartner heeft vastgesteld dat een groot aantal bedrijven overschakelt naar Master Data Management-strategieën met meerdere domeinen. Deze strategieën kunnen helpen om problemen sneller op te lossen, nieuwe relaties te ontdekken en nieuwe groeikansen te ontwikkelen. Multi-domein oplossingen het potentieel hebben om het time-to-market-proces te versnellen, aangezien nieuwe producten op efficiëntere manieren met klanten en leveranciers worden verbonden.
Historisch gezien is de selectie van MDM-strategieën was gericht op specifieke zakelijke vereisten. De meest populaire oplossing was “één” gegevensdomein dat één bedrijfsproces uitvoerde, zoals klantgegevens of productgegevens. Een MDM-oplossing met één domein kan de huidige datagestuurde uitdagingen echter niet meer aan. Gegevens zijn steeds meer onderling verbonden en afhankelijker geworden. Waar de gegevens van een klant ooit een eenvoudige demografische of transactiegeschiedenis zouden bevatten, bevatten ze nu de voorkeuren en koopgedrag van een klant. Andere nuttige domeinen zijn digitale activa, leveranciersgegevens, hiërarchieën en referentiegegevens.
De financiële dienstverlening, de detailhandel en de gezondheidszorg waren de eerste bedrijfstakken die MDM-oplossingen met meerdere domeinen gebruikten, voornamelijk als reactie op nalevingsvereisten, producten, risicobeheer en informatierationalisatie. De zorgsector is bijvoorbeeld begonnen met het implementeren van deze strategieën om het werk van een arts te vereenvoudigen door de identiteitsgegevens van een patiënt te koppelen aan referentiegegevens, waarbij meerdere IT-systemen aan één enkel referentiepunt worden gekoppeld. De financiële sector profiteerde van multi-domein MDM door gegevens over hun bestaande klantinformatie te vergroten. De detailhandel gebruikt het om de klantervaring te verbeteren. Dankzij MDM met meerdere domeinen hebben bedrijven in verpakte consumptiegoederen een holistische kijk op hun activiteiten kunnen ontwikkelen, de inkomsten gestimuleerd en nieuwe normen voor voorraadbeheer vastgesteld. (En MDM met meerdere domeinen wordt minder duur).
MDM en kunstmatige intelligentie
Harshad Keskar voorspelt datameren zullen in de toekomst de meest efficiënte manier worden om data op te slaan, met behulp van AI (kunstmatige intelligentie) en ML (machine learning). En het wordt allemaal gecoördineerd met een MDM. Datameren bevatten grote hoeveelheden onbewerkte, ongestructureerde gegevens, maar de implementatie ervan kan een gecompliceerd proces zijn. Het laden van de gegevens van een legacy-systeem, zonder enige soorttransformatie, in een systeem als Hadoop kan bijvoorbeeld periodiek chaos veroorzaken. Door de juiste strategieën te gebruiken bij het aanleveren en organiseren van de gegevens, kan worden voorkomen dat het datameer verandert in een datamoeras. Kunstmatige intelligentie en machine learning kunnen worden gebruikt om dit probleem op te lossen.
Kunstmatige intelligentie kan ook worden gebruikt om de Gegevensbeheer en metadatabeheeraspecten van MDM. Historisch gezien konden alleen grotere bedrijven succesvolle Data Governance-programma’s opzetten. Ze konden de technologie en de mankracht betalen. AI en ML maken het nu echter mogelijk voor kleinere bedrijven om ook te profiteren van Data Governance.
Metadatabeheer
Het gebruik van kwaliteit metadata binnen een MDM-programma is een noodzaak, maar het kan ingewikkeld zijn om te installeren. Dit komt doordat tool-specifieke metagegevens normaal gesproken verschillende en vaak eigen standaarden gebruiken. Het resultaat is incompatibiliteitsproblemen en dramatische vertragingen, aangezien de gegevens van het ene formaat naar het andere worden vertaald. Dit soort vertraging kan een verwoestend effect hebben op de tijdlijnen van de projectoplevering.
Een bedrijf genaamd Octopai heeft echter een redelijke oplossing. Octopai biedt een cross-platform met geautomatiseerde en gecentraliseerde oplossingen voor metadatabeheer. Het stelt data- en analyseteams in staat om gedeelde metadata te onderzoeken en te ontdekken.
Octopai scant metadata en verzamelt automatisch gegevens uit de ETL, rapportagetools en databases. De metadata wordt opgeslagen en verwerkt in een centrale repository, terwijl een slimme engine honderden crawlers gebruikt om alle metadata te doorzoeken en vervolgens snel de resultaten presenteert.
Octopai is ontworpen om bedrijfsinformatie te verzamelen en om gegevensbeheer en gegevenscatalogus af te handelen. Volgens de CEO / mede-oprichter van Octopai, Amnon Drori:
“Metadatabeheer kan worden gebruikt om de kwaliteit te verbeteren en duplicatie bij bronsystemen te minimaliseren. Deze systemen en processen kunnen een organisatie helpen bij het stroomlijnen van de ontdekking en documentatie van gegevens met betrekking tot de gegevens in andere systemen, zoals definities van klanten, producten of andere interessante onderwerpen. “
MDM integreren met de workflow
Veel bedrijven hebben te maken met complexe vraagstukken in de toeleveringsketen die nu ‘bijna realtime synchronisatie’ van hun partners en contractanten vereisen. Beide “stroomopwaarts“Proces (het openen van een account / klantintroductie) en het” downstream “-proces (waaronder het oplossen van problemen met de gegevenskwaliteit, gegevensbeheer en gegevensgeneratie) aanzienlijk verbeteren nadat ze zijn geïntegreerd met MDM-software. De integratie van Master Data Management-software met workflowtechnologieën en een engine voor bedrijfsregels kan de klantervaring aanzienlijk verbeteren.
Dit zijn enkele van de verwachtingen die klanten nu hebben:
- Nauwkeurigheid: Het leveren van het verkeerde product of de verkeerde maat kan een klant permanent vervreemden. Er zijn maar weinig problemen die schadelijker zijn dan het leveren van het verkeerde artikel aan een klant. (Dit is een gebied waar datakwaliteit en MDM elkaar kruisen. MDM kan de nauwkeurigheid van data zeker verbeteren).
- Consistentie: Hoewel adverteren nuttig is, houden klanten van consistentie, vooral bij het plaatsen van een bestelling. Dit is gedeeltelijk zodat ze het proces snel en efficiënt kunnen doorlopen, maar consistentie ondersteunt ook een gevoel van vertrouwen. Alles wat het proces verstoort of vertraagt, zoals advertenties, trucs of algemene verwarring, irriteert de klant en ontmoedigt toekomstige aankopen. Het verbeteren van de datakwaliteit verbetert de consistentie.
- Bedrijfsintelligentie: Wanneer klantgegevens onvolledig of gebrekkig zijn, kunnen belangrijke trends worden gemist. Het op voorraad houden van de verkeerde kledingstijl of het stopzetten van een favoriete productlijn zal zeker een negatieve invloed hebben op de winst. MDM verbetert Datakwaliteit, dus dit mag niet gebeuren.
- Privacy: Klanten zijn terecht bezorgd over de verzameling en verkoop van hun persoonlijke gegevens. Als gevolg hiervan zijn op sommige gebieden privacywetten van kracht, variërend van de Algemene Verordening Gegevensbescherming (AVG) van de Europese Unie tot de California Consumer Privacy Act (CCPA).
MDM en gegevensbeveiliging
Hoewel de beveiliging van achtergrondgegevens van klanten zeker een punt van zorg is, geldt dat ook voor de andere vertrouwelijke informatie van het bedrijf. Beveiliging wordt een probleem na een MDM-integratie proces, aangezien de gegevens toegankelijk worden voor een verscheidenheid aan personeelsleden in het hele bedrijf, inclusief verkopers met laptops en smartphones.
De IT-infrastructuur van een moderne organisatie omvat nu het traditionele netwerk: desktops, laptops van werknemers, opslagplatforms, verschillende soorten besturingssoftware en cloudopslag.
Modern cybersecurity-problemen zijn uitdagender dan ooit tevoren. Om het doel van naadloze end-to-end gegevensbeveiliging te bereiken, moeten de MDM-applicaties voldoen aan het regelgevings- en beveiligingsbeleid van het bedrijf. Bepalen wie in de organisatie toegang heeft tot gegevens of deze kan wijzigen, is een goede eerste stap.
Afbeelding gebruikt onder licentie van Shutterstock.com
