Giới thiệu

Mô hình Đánh giá Năng lực Quản lý Dữ liệu (Data Management Capability Assessment Model — DCAM®) xác định phạm vi các năng lực cần thiết để thiết lập, tạo điều kiện triển khai và duy trì một hoạt động quản lý dữ liệu (Data Management — DM) ở mức trưởng thành. Mô hình đề cập đến chiến lược, cơ cấu tổ chức, công nghệ và các thực hành vận hành tốt nhất cần thiết để thúc đẩy DM thành công. Mô hình trình bày các nguyên lý của DM dựa trên sự thấu hiểu giá trị kinh doanh kết hợp với thực tế triển khai trong vận hành.

Tổng quan

Quan niệm coi dữ liệu là một nền tảng của hoạt động kinh doanh đã trở thành hiện thực. Hiện nay, dữ liệu được nhìn nhận rộng rãi là một trong những yếu tố đầu vào cốt lõi của toàn bộ các quy trình nghiệp vụ và tổ chức (Business and Organizational Processes). Một tổ chức sử dụng dữ liệu hiệu quả là tổ chức triển khai và quản lý một môi trường kiểm soát dữ liệu (Data Control Environment — DCE). DCE mang lại nhiều lợi ích trực tiếp cho kết quả kinh doanh của tổ chức, bao gồm giảm chi phí vận hành, tự động hóa các quy trình thủ công, hợp nhất các hệ thống dư thừa, giảm thiểu việc đối soát và mở rộng cơ hội kinh doanh. Tổ chức triển khai DCE để bảo đảm sự tin cậy đối với dữ liệu mà mình dựa vào để xử lý nghiệp vụ và ra quyết định. DCE loại bỏ nhu cầu đối soát thủ công hoặc sự phụ thuộc vào các quy trình chuyển đổi dữ liệu (Data Transformation).

Khái niệm DCE bảo đảm dữ liệu được định nghĩa chính xác, được mô tả bằng siêu dữ liệu (Metadata), được thống nhất về ngữ nghĩa và được quản lý trong toàn bộ vòng đời dữ liệu (Data Lifecycle). Tuy nhiên, yếu tố then chốt khi bắt đầu thiết lập DCE là đạt được một cách hiểu chung, không mơ hồ trên toàn tổ chức, cùng với cơ chế quản trị cần thiết để bảo đảm các định nghĩa chính xác. Dữ liệu phải được định nghĩa nhất quán theo đối tượng thực tế mà nó biểu thị, chẳng hạn sản phẩm, khách hàng (Client), khách hàng (Customer), pháp nhân, giao dịch, sự kiện và nhiều đối tượng khác. Mọi quy trình khác đều được xây dựng trên nền tảng này.

Đối lập với DCE là một môi trường dữ liệu phân mảnh. Sự phân mảnh dẫn đến việc phát triển ứng dụng tạo ra những mô hình dữ liệu (Data Model) mang tính tình thế. Sự phân mảnh làm trầm trọng thêm tình trạng cùng một thuật ngữ có nhiều nghĩa khác nhau, cùng một nghĩa lại được diễn đạt bằng nhiều thuật ngữ khác nhau, và các định nghĩa mơ hồ không thể hiện được những sắc thái quan trọng. Với nhiều tổ chức, thách thức này có thể làm tê liệt hoạt động, bởi có hàng nghìn phần tử dữ liệu (Data Element), được cung cấp từ hàng trăm nguồn nội bộ và bên ngoài, tất cả được lưu trong hàng chục cơ sở dữ liệu không kết nối với nhau. Sự phân mảnh này tạo ra thách thức liên tục về ánh xạ, tham chiếu chéo và đối soát thủ công. DCE phụ thuộc vào việc mỗi thuộc tính dữ liệu (Data Attribute) được hiểu, ở cấp độ nguyên tử, như một sự kiện gắn với một ý nghĩa nghiệp vụ cụ thể, bền vững, không trùng lặp hoặc mơ hồ. Quản lý dữ liệu theo ngữ nghĩa là chìa khóa để thống nhất các kho lưu trữ dữ liệu (Data Repository), hài hòa các bảng thuật ngữ nghiệp vụ (Business Glossary) và bảo đảm các từ điển dữ liệu ứng dụng (Data Dictionary) có thể đối chiếu với nhau.

Việc thống nhất ý nghĩa nghiệp vụ, bao gồm cả quy trình tạo lập và duy trì thuật ngữ, có thể là một nhiệm vụ rất khó khăn. Việc gặp phải sự phản đối từ người dùng nghiệp vụ và công nghệ trong nội bộ không phải là hiếm — đặc biệt khi có nhiều hệ thống hiện hữu liên kết với các ứng dụng nghiệp vụ trọng yếu. Chiến lược đối soát tốt nhất trong môi trường phân mảnh là hài hòa dựa trên ý nghĩa pháp lý, hợp đồng hoặc nghiệp vụ, thay vì cố buộc mọi hệ thống áp dụng cùng một quy ước đặt tên. Hệ thống tên gọi thể hiện cấu trúc dữ liệu; việc tháo gỡ các cấu trúc và mô hình dữ liệu vừa tốn kém vừa không cần thiết. Tốt hơn nên tập trung vào việc định nghĩa chính xác các khái niệm nghiệp vụ, lập tài liệu cho các quy trình chuyển đổi và ghi nhận các mối quan hệ dữ liệu trong thế giới thực. Khi nền tảng này được thiết lập, các hệ thống, bảng thuật ngữ, từ điển, kho lưu trữ hiện có và những thành phần tương tự có thể được tham chiếu chéo tới cùng một ý nghĩa chung.

Dữ liệu xét theo ngữ nghĩa phải được quản lý cùng với metadata xác định ngữ nghĩa đó để bảo đảm tính nhất quán (Consistency) và khả năng đối chiếu trên toàn tổ chức. Ý nghĩa dữ liệu và hoạt động quản lý siêu dữ liệu (Metadata Management) phải được hiểu là cốt lõi của hạ tầng nội dung và là nền tảng cho tự động hóa quy trình, tích hợp ứng dụng và sự thống nhất giữa các quy trình có liên kết. Một số loại metadata phổ biến bao gồm metadata nghiệp vụ, vận hành, kỹ thuật, mô tả, cấu trúc và quản trị hành chính.

Việc triển khai và quản lý DCE được điều chỉnh bởi các chính sách dữ liệu (Policy), tiêu chuẩn (Standard), quy trình (Process) và thủ tục (Procedure). Đây là những cơ chế thiết yếu để thiết lập một sáng kiến quản lý dữ liệu (Data Management Initiative) bền vững và bảo đảm sự tuân thủ DCE trước tính phức tạp của tổ chức. Quản lý ngữ nghĩa là chìa khóa của DM hiệu quả. Ngữ nghĩa được xác lập thông qua việc áp dụng các tiêu chuẩn ngữ nghĩa. Tiêu chuẩn được điều chỉnh bởi chính sách. Chính sách do ban lãnh đạo điều hành thiết lập, được các chủ sở hữu dữ liệu (Data Owner) hỗ trợ và được Kiểm toán Nội bộ thực thi.

Những thách thức khi xây dựng môi trường kiểm soát dữ liệu

Sơ đồ 0.1: Những thách thức của môi trường kiểm soát dữ liệu

1. Môi trường kế thừa (Legacy Environment) — Các môi trường kỹ thuật và vận hành hiện có: ứng dụng, công cụ, vùng thử nghiệm (Sandbox), kho dữ liệu chuyên đề (Data Mart) và kho dữ liệu (Data Warehouse).

   • Các tập dữ liệu rời rạc.
   • Các giao diện độc quyền và liên kết điểm-điểm.
   • Nhiều kho lưu trữ được quản lý độc lập.
   • Định dạng và định nghĩa dữ liệu không nhất quán.

2. Đơn giản hóa (Simplification) — Đối soát các môi trường phức tạp; chuyển từ phức tạp sang đơn giản.

   • Chỉ định các “miền dữ liệu có thẩm quyền”.
   • Định nghĩa các phần tử dữ liệu trọng yếu (Critical Data Elements — CDEs).
   • Lập tài liệu về luồng dữ liệu đầu cuối: quy trình tính lũy kế, các phép tính dẫn xuất, công thức rủi ro và nghiệp vụ.

3. Thống nhất về ngữ nghĩa (Alignment to Meaning) — Dữ liệu được hài hòa và xác định chính xác dựa trên sự chuẩn xác về mặt hợp đồng.

   • Bảng thuật ngữ nghiệp vụ ở cấp thuộc tính / bản thể học khái niệm nghiệp vụ (Business Conceptual Ontology).
   • Định danh duy nhất và cơ chế phân loại linh hoạt.
   • Các quy trình hài hòa và chuyển đổi: tham chiếu chéo và ánh xạ giữa các hệ thống.
   • Kho metadata: quản trị hành chính, cấu trúc và mô tả.

4. Quản lý chất lượng dữ liệu (Manage Data Quality) — Dữ liệu phù hợp với mục đích sử dụng mà không cần đối soát và chuyển đổi.

   • Tiêu chí chất lượng dữ liệu: mọi chiều chất lượng có liên quan.
   • Thiết lập các điểm kiểm soát chất lượng dữ liệu.
   • Đánh giá chất lượng và khắc phục: phân tích hiện trạng.
   • Xác định các quy tắc nghiệp vụ, ngưỡng và mức dung sai.
   • Phân tích nguyên nhân gốc: truy về nguồn.
   • Quản lý chuỗi cung ứng sản xuất dữ liệu.

5. Triển khai kỹ thuật (Technical Implementation) — Tích hợp dữ liệu vào các môi trường vận hành và sản xuất.

   • Nền tảng và bộ công cụ được phê chuẩn.
   • Hạ tầng truyền thông điệp và phân phối.
   • Chuyển từ mô hình dữ liệu ngữ nghĩa sang mô hình logic.
   • Hiện thực hóa từ mô hình logic sang mô hình vật lý.
   • Định danh vị trí và quản lý không gian tên.

Môi trường dữ liệu được kiểm soát (Controlled Data Environment): được quản trị bằng chính sách, được ban lãnh đạo điều hành phê chuẩn, dựa trên tiêu chuẩn, được hài hòa trong toàn bộ vòng đời, có trách nhiệm giải trình rõ ràng và được giám sát thông qua kiểm toán.

Để đạt được một môi trường kiểm soát dữ liệu (Data Control Environment), tổ chức phải vượt qua những thách thức sau:

• Hiểu các môi trường dữ liệu kế thừa hiện có, bao gồm danh mục kiểm kê dữ liệu, các liên kết điểm-điểm, những định nghĩa không nhất quán, v.v.
• Đơn giản hóa, tổ chức và phân loại môi trường rời rạc thành các miền dữ liệu (Data Domain) đã được xác định, với các phần tử dữ liệu (Data Element) được nhận diện rõ ràng và các luồng dữ liệu (Data Flow) được lập tài liệu.
• Gắn các Data Element với một ý nghĩa chung, không mơ hồ trên toàn tổ chức thông qua việc triển khai các biện pháp kiểm soát, chính sách và quản trị.
• Đo lường và theo dõi dữ liệu để bảo đảm chất lượng và tính nhất quán, đồng thời giảm thiểu việc đối soát.
• Đồng bộ công nghệ để bảo đảm các nguyên tắc (Principle) và thực hành tốt nhất đã được thiết lập có thể được triển khai trên toàn bộ hạ tầng công nghệ của tổ chức.

Đây chính là hành trình phải thực hiện để đạt được một Data Control Environment cần thiết nhằm bảo đảm dữ liệu có chất lượng cao nhất được cung cấp cho các quy trình trọng yếu trong toàn tổ chức.

Nhiều tổ chức đã mắc sai lầm khi cố giải quyết bài toán DM bằng cách bắt đầu từ công nghệ. Theo thực hành tốt nhất mà DCAM đề xuất, điểm xuất phát phải là quy trình nghiệp vụ (Business Process) xác định các yêu cầu đối với dữ liệu. Sau đó, quy trình nghiệp vụ và dữ liệu mới có thể được tự động hóa bằng công nghệ.

Các cấp độ vận hành quản lý dữ liệu

Khung DCAM xác định các thành phần (Component) và năng lực (Capability) cần thiết để đạt được một môi trường kiểm soát dữ liệu (Data Control Environment) trong tổ chức. Tuy nhiên, khung không quy định cứng cách thức thực hiện các năng lực tại những cấp độ vận hành khác nhau của tổ chức. Tổ chức cần tùy chỉnh mô hình vận hành (Operating Model) để phù hợp với quy mô, mức độ phức tạp, đặc điểm địa lý và văn hóa của mình.

Sơ đồ 0.2: Các cấp độ vận hành quản lý dữ liệu

Khi sử dụng Khung DCAM để đánh giá năng lực của tổ chức, cách đem lại nhiều thông tin nhất là đánh giá từng cấp độ theo định nghĩa trong mô hình vận hành mục tiêu (Target Operating Model) của DM tại tổ chức.

Các bên liên quan trong quản lý dữ liệu

Ma trận Trách nhiệm Giải trình của các Bên liên quan trong Quản lý Dữ liệu (DM Stakeholder Accountability Matrix) được minh họa dưới đây là một cấu trúc khái niệm (Construct) để xác định các loại bên liên quan (Stakeholder) trong toàn bộ hệ sinh thái dữ liệu (Data Ecosystem), cùng những vai trò ở cấp tổng thể và mối quan hệ giữa các Stakeholder. Hiểu các loại Stakeholder là nền tảng quan trọng để áp dụng Khung DCAM trong mô hình vận hành mục tiêu (Target Operating Model) của DM tại tổ chức. Ma trận cũng xác định đối tượng sử dụng DCAM làm công cụ đánh giá năng lực của tổ chức. Trong ma trận, kiến trúc dữ liệu (Data Architecture) là cầu nối then chốt giữa các Stakeholder thuộc khối nghiệp vụ và khối công nghệ.

Sơ đồ 0.3: Ma trận trách nhiệm giải trình của các bên liên quan trong quản lý dữ liệu

CON NGƯỜI / QUY TRÌNH ↔ DỮ LIỆU ↔ CÔNG NGHỆ

Chuyên môn nghiệp vụ và yêu cầu dữ liệu ↔ Quản lý dữ liệu ↔ Quản lý công nghệ.

Hai miền trong ma trận: Phần tử nghiệp vụ (Business Element) và Phần tử dữ liệu (Data Element).

Những vấn đề mới nổi

Thực hành quản lý dữ liệu (Data Management — DM) tiếp tục phát triển. Những công nghệ và vấn đề mới được đưa vào tổ chức, có tác động đến dữ liệu hoặc DM, tạo ra các yêu cầu bổ sung cho sáng kiến DM. Mặc dù Giám đốc Dữ liệu (Chief Data Officer — CDO) có thể không trực tiếp chịu trách nhiệm giải trình về việc triển khai các công nghệ này hoặc giải quyết những vấn đề đó, họ vẫn phải tích cực tham gia định hướng tổ chức.

Sứ mệnh của chúng tôi là tiếp tục phát triển DCAM để khung luôn cập nhật và hỗ trợ các chuyên gia DM thực hiện thành công vai trò của mình trong tổ chức. Dựa trên phản hồi của các thành viên, hai chủ đề — sự phát triển của học máy (Machine Learning — ML) và trí tuệ nhân tạo (Artificial Intelligence — AI) trong phân tích (Analytics), cùng vấn đề đạo đức dữ liệu (Data Ethics) — đã trở thành những yếu tố quan trọng cần xem xét khi ra quyết định về DM. Nhóm công tác thành viên hỗ trợ phiên bản DCAM mới bao gồm các chuyên gia chủ chốt về những chủ đề này (Subject Matter Expert). Với đóng góp của họ, chúng tôi đã đưa những nội dung cần xem xét này vào các năng lực thành phần (Sub-capability) hiện có của DCAM và bổ sung các năng lực cùng Sub-capability mới khi cần thiết.