Veel organisaties starten hun data-ambities met duidelijke doelen: betere besluitvorming, grip op data, AI-toepassingen, compliance of een hogere datakwaliteit. Vervolgens wordt er snel gehandeld. Er wordt een platform gekozen, een datacatalogus ingericht en eigenaarschap toegewezen.
Waarom data-investeringen beginnen met één vraag die niemand stelt
De boardroom heeft het budget goedgekeurd. De tooling is geselecteerd. De roadmap ligt klaar. Alles staat op groen. Tot iemand tijdens een stuurgroep vraagt: “Wat verstaan we eigenlijk onder een dataproduct?”. De reacties lopen uiteen. Iedereen heeft een antwoord, maar niemand hetzelfde. En precies daar begint het probleem.
Maar vaak wordt één cruciale stap overgeslagen: het creëren van een gedeeld begrip van wat er eigenlijk wordt gemanaged.
Want wat voor Finance een klant is, hoeft voor Sales niet hetzelfde te betekenen. Een dataproduct kan voor het ene team een concreet beheerd object zijn en voor het andere team niet meer dan een buzzword. Toch gaan projecten van start alsof iedereen dezelfde taal spreekt. De gevolgen worden meestal pas later zichtbaar.
Na een jaar staat de datacatalogus online, maar blijft deze grotendeels leeg. Eigenaarschap is formeel geregeld, maar vragen blijven rondgaan. Data lineage is inzichtelijk, maar wordt niet vertrouwd. AI-projecten lopen vast op discussies over definities, kwaliteit en herkomst van data.
Dan ontstaat vaak de vraag: hebben we de verkeerde tools gekozen? Meestal niet.
Het probleem zit zelden in de technologie, maar in de volgorde van werken. Je kunt niet automatiseren wat je niet hebt gedefinieerd. Je kunt niet besturen wat je niet hebt afgesproken. En je kunt niet schalen wat je nooit in kaart hebt gebracht. Daarom ontbreekt in veel organisaties hetzelfde fundament: een metamodel.
Metamodel
Een metamodel is geen theoretisch document, maar de beschrijving van de werkelijkheid die je wilt beheren. Het legt vast welke objecten bestaan binnen je datalandschap – zoals business termen, datasets, dataproducten, attributen en systemen – én hoe deze met elkaar samenhangen.
Juist die relaties maken het verschil. Welke datasets ondersteunen een dataproduct? Welk systeem is de bron? Welke eigenaar is verantwoordelijk wanneer kwaliteit in het geding komt?
Structuur
Zodra deze structuur helder is, vallen methode, processen en tooling veel beter op hun plek. Datakwaliteit wordt meetbaar. Governance wordt uitvoerbaar. Toolkeuzes worden rationeel, omdat technologie wordt ingericht rondom jouw model in plaats van andersom.
De echte waarde van een metamodel wordt zichtbaar wanneer een organisatie groeit. Nieuwe businesslijnen, acquisities en AI-toepassingen zorgen voor toenemende complexiteit. Zonder structuur moeten discussies telkens opnieuw worden gevoerd. Met een metamodel kunnen nieuwe onderdelen worden toegevoegd binnen een bestaand raamwerk.
Bij Axians starten we daarom vrijwel ieder datatraject met dezelfde vraag: “Laat ons je metamodel zien.”
Want voordat je een stad bouwt, teken je eerst de kaart. Die kaart vormt de basis onder alles wat volgt: governance, datakwaliteit, tooling, AI en schaalbaarheid. Organisaties die die stap overslaan, blijven vaak dezelfde discussies voeren. Organisaties die hem wel zetten, creëren een fundament waarop data-investeringen daadwerkelijk waarde opleveren.
De vraag is daarom niet welke tool je als volgende kiest. De vraag is: heb je je kaart al getekend?
Dit artikel is geschreven door Karlijn Groot-Bruinderink, Segment Manager Publieke Sector. Neem gerust contact met haar op.
Plaats een reactie
U moet ingelogd zijn om een reactie te kunnen plaatsen.
Zeer nuttig artikel, maar dan begint het pas. Zonder gemeenschappelijk vocabulaire kunnen data-initiatieven snel vastlopen in misverstanden en inefficiëntie.
Het belang van een metamodel wordt niet voor niets onderstreept in data management frameworks, zoals DAMA-DMBOK. Legt de basis voor consistentie en herhaalbaarheid, allemaal waar, alleen ... in de huidige legacy overheidsorganisaties is het ontwikkelen en implementeren van een metamodel tijdrovend en complex, want je hebt niet alleen technische expertise nodig, maar ook de culturele mindset. Als we dat niet op orde krijgen biedt juist een metamodel niet alleen stabiliteit, maar vooral ook inflexibiliteit als het niet regelmatig wordt geüpdatet om nieuwe business behoeften te weerspiegelen. Voorlopig kent nog geen overheid integrale Data Governance.
Een metamodel vereist natuurlijk continu onderhoud en bijwerking om relevant te blijven, wat op zich al vraagt om dedicated middelen en voortdurende betrokkenheid van alle stakeholders wat nu gewoon nog niet aan de orde is. De meeste organisaties weten niet waar ze zelf beginnen en eindigen en 'wie erover gaat'. Wat voor dataproduct zouden ze willen? Wie is de Data Eigenaar, de Data Leverancier of de Data Consument? Wat hierbij kan helpen is een meta-meta aanpak. Zo biedt www.iSHARE.eu een uniform Trust&Governance framework voor het delen van data op een veilige en gecontroleerde manier. In de context van datamarkten voor dataproducten kan iSHARE dus laagdrempelig het vertrouwen tussen data-aanbieders en -gebruikers vergroten met haar duidelijke regels en protocollen voor toegang en gebruik. Hier kan bijvoorbeeld verwezen worden naar Federatief Data Stelsel data voor Gov2Gov verkeer, maar ook naar derden voor Gov2Business en B2G data verkeer. Wat weer strak aansluit bij de GO FAIR-principes van het https://www.lifes.institute/ met haar generieke toolkits, wat weer bijdraagt aan de finetuning op het gebied van toegankelijkheid en herbruikbaarheid, doordat data vindbaar en toegankelijk blijft onder duidelijke voorwaarden. Technisch kun je dat vrij eenvoudig aan mekaar plakken als we strategisch aandacht hebben voor contextuele interoperabiliteit. www.NGSI-LD.org biedt een heel raamwerk voor de semantische interoperabiliteit van contextuele gegevens. Dit is cruciaal voor datamarkten waar verschillende soorten data uit diverse bronnen moeten worden geïntegreerd en geanalyseerd. De benodigde gevalideerde modellen groeien gestaag door op www.smartdatamodels.org dus door gebruik te maken van NGSI-LD kunnen organisaties zorgen dat data op een uniforme en begrijpelijke manier gepresenteerd wordt, wat de interoperabiliteit bevordert en helpt bij het realiseren van de FAIR-principes. Zo kun je het Grote Probleem (aaaagh waar te beginnen?) ophakken in kleine stapjes en 'grow as you go' de eigen positie in een brede data ecosysteem definieren. Dankzij NGSI-LD kun je alle geleerde elementen meteen meeprogrammeren en integraal delen. www.FIWARE.org/catalogue biedt hier een heel reeks open-source componenten voor die kunnen worden gebruikt voor het bouwen van slimme oplossingen. In datamarkten kunnen deze componenten bijdragen aan de ontwikkeling van innovatieve data-gedreven diensten en applicaties. FIWARE ondersteunt standaardisatie, wat essentieel is voor het operationaliseren van de GO FAIR-principes, door ervoor te zorgen dat data-infrastructuren voldoen aan open standaarden. Dus ja, DAMA-DMBOK en veel huiswerk, maar ook vooral aanhaken bij de allang bewezen werkwijzen van https://internationaldataspaces.org/
Door het gebruik van iSHARE, NGSI-LD en FIWARE kunnen datamarkten robuuste data governance structuren opzetten die voldoen aan de FAIR-principes. Wat de benodigde standaardisatie en interoperabiliteit vergemakkelijkt voor de ontwikkeling van nieuwe data diensten, waardoor innovatie binnen datamarkten voor dataproducten wordt versneld. Duidelijke afspraken en semantische interoperabiliteit bevorderen bovendien het vertrouwen tussen verschillende stakeholders, wat essentieel is voor de acceptatie en groei van datamarkten. Hoe dan ook moeten we de Digitale TRANSformatie doorleven van een content gebaseerde stovepipe realiteit naar een data context gebaseerde data ecosysteem realiteit. Dat redt je niet alleen met het oppimpen van je ouwe data. Het gaat uiteindelijk om cross-domein kunnen samenwerken.