| Popis: |
Er is steeds meer data beschikbaar binnen organisaties en daarmee wordt data een steeds belangrijkere asset voor organisaties met grote (potentiële) waarde. Duidelijk geformuleerde (data)processen zijn een fundamenteel onderdeel van een succesvolle Data Governance (DG) implementatie. Waar ‘governance’ een verwijzing is naar beslissingen die moeten worden gemaakt en waar deze belegd zijn voor effectief Data Management, is ‘management’ het implementeren van deze beslissingen. Organisaties hebben behoefte aan hulpmiddelen om DG te implementeren/ optimaliseren. Het is daarvoor belangrijk om te weten waar men staat (nulmeting) of te benchmarken.Er is in de literatuur een gebrek geconstateerd aan bestaande wetenschappelijk onderbouwde organisatie volwassenheidsmodellen van DG en aan wetenschappelijke kennis op het gebied van de DG subdomeinen ‘Data Management’ en ‘Processen’. Door een gebrek aan inzicht in het volwassenheidsniveau van een organisatie met betrekking tot de subdomeinen kan de (potentiële) waarde van de beschikbare data in de praktijk niet optimaal worden benut.Vanuit literatuuronderzoek is het Data Governance Data Process & Management Maturity Model (DGDPMMM) ontwikkeld. Middels emperisch onderzoek is het model gevalideerd in de praktijk door het uitvoeren van semi-gestrucuteerde interviews bij 3 experts of het gebied van DG.Uit de resultaten blijkt dat het DGDPMMM een in de praktijk gevalideerd, wetenschappelijk onderbouwd meetinstrument is om de organisatievolwassenheid van de DG subdomeinen ‘Data Management´ en ‘Prosessen’ te meten. De meeste kwalificaties zijn relevant bevonden en daar waar dat niet het geval was, gaat het om mogelijk branche- en kernactiviteit afhankelijke kwalificaties die niet bij de case-organisatie aansloten of werd de kwalificatie mogelijk onvoldoende begrepen. Daarnaast zijn de technische kwalificaties voor standaardisatie mogelijk achterhaald door de opkomst van Big Data en Data Science. |
