با گذشت بیش از یک دهه از انقلاب داده ، نتایج به خوبی بیانگر این واقعیت است که سازمان ها و شرکت های با عملکرد بالا ، سازمان های داده محور هستند . مطالعات انجام شده توسط مکنزی ، گارتنر ، MIT و سایر مراکز معتبر تحقیقاتی و پژوهشی  نشان می دهد سازمان هایی که دارای استراتژی داده می باشند و برنامه های مدیریت داده را با استناد به آن هدایت می نمایند دارای بازده سرمایه گذاری بالاتر(ROI) ، عملکرد بهتر نسبت به رقبا ، بهره وری بیش تر ، استفاده بهتر از دارایی ها و نرخ بازگشت بهتر دارایی ها (ROA) می باشند . با این که ظاهر کار به نظر ساده می آید ولی بسیاری از سازمان ها برای ایجاد و پیاده سازی یک استراتژی داده مقاومت می نمایند . یکی از دلایل اصلی رویکرد مقاومتی فوق ، عدم وجود شناخت کافی در خصوص نقش و جایگاه استراتژی داده در مدیریت موفق داده می باشد . متاسفانه در بسیاری از رشته های دانشگاهی مرتبط و در مقاطع مختلف تحصیلی  تفکر استراتژیک داده به دانشجویان آموزش داده نمی شود . در اکثر برنامه های درسی دانشجویان  بر نحوه انجام کار فنی و حرفه ای تمرکز می گردد، اما هیچکدام به دانشجویان نمی آموزند که چگونه به طور استراتژیک در مورد داده ها فکر کنند .درک این موضوع که چرا یک سازمان کاری را انجام می دهد به مراتب مهم تر است از این است که بدانیم چگونه آن کار را انجام می دهد. اگر سازمانی نتواند یک چشم انداز مشترک را به اشتراک بگذارد ، کارکنان آن سازمان قادر به تعامل با یکدیگر جهت نیل به یک خروجی مشترک نخواهند بود . زمانی که این موضوع اتفاق می افتد ، سازمان ها بدون وقفه صرفا به  مصرف کننده منابعی تبدیل می شوند که خروجی ارزشمندی را برای آنها به دنبال نخواهد داشت و صرفا درگیر روزمره گی عملیاتی بدون وجود یک چشم انداز روشن و برنامه ای جهت حرکت به سمت آن خواهند شد.
در بخش اول به اصول کلیدی مدیریت داده  و در بخش دوم به چالش های مدیریت داده اشاره گردید. در این بخش با چارچوب ها و به روش های موجود برای مدیریت داده آشنا خواهیم شد. 

الزامات استفاده خوب از داده  
برای استفاده خوب از داده به سه عنصر مهم نیاز خواهیم داشت که هر یک در عین مهم بودن به تنهایی کافی نمی باشند و ضرورت وجودی هریک ،  اضافه کردن قابلیتی بر بستر قبلی است تا در نهایت لقمه ای ارزشمند برای مصرف و ایجاد ارزش در سازمان به وجود آید .

•  سواد داده (Data Literacy) ، توانایی خواندن ، ایجاد و ارتباط با داده به عنوان اطلاعات تعریف می گردد . سواد داده به دانش ، مهارت ها و توانمندی ها (KSAs)  افرادی اطلاق می گردد  که قادر به شناسایی ، جمع آوری ، تحلیل ، تفسیر ، ارایه و حفاظت از دارایی های داده سازمانی می باشند . زمانی که مفاهیم فوق در سطح سازمانی بکار گرفته شوند ، یک سازمان باسواد داده ایجاد می گردد . در مقابل استفاده از شیوه های قبیله ای ، سازمان ها می توانند به خودآگاهی بیشتری در خصوص یافتن روش های بهتر و ترغیب کارکنان به کسب سواد داده به منظور حمایت از روش های استفاده از زنجیره تامین داده دست یابند .
• زنجیره تامین داده (Data Supply Chain) ، شامل مجموعه ای از فرآیندهای مستند شده  تکرارپذیر یکسان برای افزودن ارزش به داده به موازات حرکت در طول مراحل مختلف پردازش و در مسیر رسیدن به تصمیم گیرندگان است . صرفا سازمان هایی با سواد داده از فرآیندهای تامین داده استاندارد استفاده می نمایند تا بتوانند به نتایج بهتر ، قابل اعتمادتر و پیشبینیانه تر نسبت به گروه های کاری و یا رویه های مبتنی بر پروژه دست یابند . دلیل این کار ساده است . گروه های کاری   زمانی که به اهداف خود دست یافتند ،  دارای انگیزه  لازم  برای بهبود متدها و محصولات داده خود نمی باشند. دارایی های داده سازمانی زمانی بهبود می یابند که لجستیک زنجیره تامین داده ها  طراحی و پیاده سازی شده باشد . پس از تحقق این کار ، سازمان ها از عدم انحراف خود  به جزء از طریق فرآیندهای رسمی تغییر ، مطئمن می شوند.
• دارایی های داده استاندارد (Standard Data Assets) : همانگونه که به یک زبان استاندارد برای هر ارتباط معنی دار نیاز است ، سازمان ها  در صورتی که قصد استخراج ارزش از داده را داشته باشند ، به دارایی های داده استاندارد نیاز دارند  این بدان معنی است که سازمان ها می بایست به سازمان های داده محور تبدیل شوند . به عنوان نمونه ، مستند سازی دارایی داده با استفاده از دیکشنری های داده و یا سایر روش مشابه از جمله اقدامات مطلوب در این زمینه می باشد . 

برای سازمان هایی که به دنبال موفقیت در محیط جهانی شبکه ای شده می باشند ، دارایی های داده به منزله مواد خامی می باشند که می بایست  از آنها جهت حمایت از تصمیم گیری مبتنی بر شواهد استفاده گردد . با ترکیب سه عنصر فوق ، یک سازمان قادر به افزایش مقدار محصولات داده قابل پیش بینی و بهبود کارایی و اثربخشی خود با سرعت مطلوب نسبت به رقبا می باشد . در شکل 1 ، نحوه استفاده از مزایای کامل دارایی های داده در یک سازمان با هدف ایجاد یک لقمه بهتر داده نشان داده شده است .
رشد نمایی داده ، استفاده اندک از استانداردهای داده و سطح پایین سواد داده  بدان معنی است که سازمان ها کار مهمی را پیش رو دارند . سازمان ها می بایست بر روی مواردی سرمایه گذاری نمایند تا عملیات داده را به صورت منظم ، استاندارد شده و قابل پیش بینی انجام دهند . زمانی این کار محقق می گردد که سازمان ها دارای برنامه ای منسجم در قالب یک استراتژی داده مدون برای غلبه بر سردرگمی ، اختلال و ناکارآمدی  و حرکت به  سمت کارآمدی بیش تر باشند .


 تلاش در مسیر مدیریت استراتژیک داده بدون بکارگیری استانداردها ، چارچوب ها و به روش ها به سرانجام مطلوب نخواهد رسید و مثل این است که بخواهیم چرخ را مجددا اختراع نمائیم .  با آشنایی و استفاده  صحیح  و ساختارمند از استانداردها  ، چارچوب ها  ، مدل ها و  به روش های شناخته شده موجود که امتحان خود را به دفعات پس داده اند ، می توان با اطمینان در مسیر نقشه راه مدیریت داده با قدرت و صلابت گام برداشت .

چارچوب ها ، مدل ها و  به روش های ارزیابی و مدیریت داده 
 مدیریت داده شامل مجموعه ای از عملیات وابسته به یکدیگر است که هر یک دارای اهداف ، فعالیت ها و مسئولیت های مختص به خود می باشند . کارشناسان حرفه ای داده می بایست پاسخگوی چالش های ذاتی استخراج ارزش از داده و ایجاد توازن بین اهداف عملیاتی و نیازهای استراتژیک ، الزامات فنی و کسب و کار ، ریسک و نیازهای انطباق باشند . استفاده از یک چارچوب به ما در شناخت جامع مدیریت داده و ارتباط بین اجزاء آن کمک می کند . عملکرد هر بخش به بخش دیگری بستگی دارد ، لذا در صورتی که یک سازمان قصد دارد که از بطن داده ارزشی را استخراج کند ، می بایست  افراد مسئول برای جنبه های مختلف مدیریت داده قادر به تعامل و همکاری با یکدیگر باشند .
چارچوپ ها در سطوح مختلف مفهومی پیاده سازی می شوند و طیف وسیعی از دیدگاه های متفاوت برای مدیریت داده را پوشش می دهند . به کمک دیدگاه های مختلف و بینش ارایه شده توسط هر یک ، می توان مسائل مرتبط با مدیریت داده را از زوایای متفاوتی نظیر شفاف سازی استراتژی ، ایجاد نقشه راه ، سازماندهی تیم های کاری و همسوئی عملیات ، بررسی کرد .
تاکنون چارچوب ها ، مدل ها و به روش های  مختلفی به منظور ارزیابی و مدیریت داده  ارایه شده است . در شکل 2 ، به  چهار نمونه متداول اشاره شده است .



با توجه به جایگاه DMBOK  ، در ادامه  ضمن معرفی اولیه آن ، با برخی از مفاهیم کلیدی و اولیه آن آشنا می شویم .

چارچوب DMBOK 
چارچوب DAMA DMBOK ( برگرفته شده از  Data Management Body of Knowledge  ) یک نمونه موفق در زمینه مدیریت داده است که نسخه اول آن در سال 2009 و نسخه دوم ( نهایی شده ) آن در سال 2017 توسط DAMA ( برگرفته شده از   Data Management Association International ) ارایه شده است . ایده ها و مفاهیم ارایه شده توسط DMBOK می تواند به صورت کاملا متفاوت و با توجه به عوامل کلیدی مختلفی نظیر حوزه صنعت کسب و کار ، محدوده داده ها ، فرهنگ سازمانی ، سطح بلوغ ، استراتژی ، چشم انداز و چالش هایی که یک سازمان می تواند با آنها درگیر باشد ،  بکار گرفته شود.
چارچوب DMBOK ( شامل چرخ DAMA ، نمودارهای زمینه و شش ضلعی ) ، حوزه های دانش مدیریت داده تعریف شده توسط DAMA را تشریح می نماید .چارچوب DMBOK با وارد شدن به جزئیات هر حوزه دانش ، تصویری کامل از محدوده کلی  مدیریت داده را ترسیم می کند . در چارچوب DMBOK  از اشکال و دیاگرام های خاصی برای تشریح بصری هر حوزه مدیریت داده استفاده می گردد . با مشاهده و تفکر در هر یک از تصاویر و نمودارهای ارایه شده ، می توان با محدوده ، عملکرد و وظایف هر حوزه آشنا گردید ( ایجاد یک تصویر دقیق از هر حوزه در ذهن مخاطب و قبل از درگیر شدن در جزئیات )  . سه  تصویر بصری چارچوب مدیریت داده DMBOK عبارتند از  : چرخ DAMA  ،  شش ضلعی عوامل محیطی و  دیاگرام زمینه حوزه دانش  . در ادامه بطور مختصر با هر یک بیشتر آشنا می شویم .

چرخ DAMA : حوزه های دانش مدیریت داده را مشخص می کند . این حوزه ها در نسخه شماره یک ، ده عدد و در نسخه شماره دو 11 عدد می باشند . حاکمیت داده (Data Governance) در مرکز فعالیت های مدیریت داده قرار داده شده است ، چراکه  حاکمیت داده برای برقراری ثبات بین اجزاء و ایجاد تعادل بین توابع لازم می باشد . دیگر حوزه های دانش در اطراف چرخ قرار داده شده اند  که به نوعی بیانگر تمام بخش های ضروری یک عملیات مدیریت داده بالغ می باشد . پیاده سازی هر حوزه دانش  با توجه به نوع نیاز هر سازمان می تواند در مقاطع زمانی مختلف و بر اساس الویت های مشخص ، انجام شود . در شکل 3 چرخ DAMA  نشان داده شده است .


شش ضلعی عوامل محیطی  : بیانگر ارتباط بین افراد ، فرآیندها و فناوری ها می باشد که  پس از مطالعه و آشنایی با کلیات هر حوزه دانش از سه بعد اشاره شده  ، می توان از دیاگرام زمینه  DMBOK   جهت آشنایی تکمیلی استفاده کرد . در شش ضلعی فوق ، اهداف و اصول در وسط  قرار گرفته اند  تا از این طریق مهمترین نکات و توصیه های لازم به افراد در خصوص نحوه اجرای فعالیت ها و استفاده موثر از ابزارها برای مدیریت موفق داده ها ارایه گردد .
 



دیاگرام زمینه حوزه دانش  : اطلاعات هر حوزه دانش شامل جزئیات مرتبط با افراد ، فرآیندها و فناوری ها را تشریح می نماید. این نوع دیاگرام با الهام از مفهوم دیاگرام های SIPOC مدیریت محصول ایجاد شده اند ( تامین کننده ، ورودی ها ، فرآیندها ، خروجی ها و مصرف کننده ها )   .در دیاگرام های زمینه ، فعالیت ها در مرکز قرار داده شده اند . چراکه باعث تولید خروجی هایی می شوند که نیاز ذینفعان را تامین می کند. دیاگرام های زمینه با تعاریف و اهداف حوزه دانش آغاز می گردند . در ادامه ، فعالیت هایی قرار داده شده اند که  به چهار گروه عمده برنامه ریزی (P ) ، پیاده سازی (D ) ، عملیات (O ) و کنترل (C) تقسیم می گردند . در سمت چپ نمودار ( ورودی ها به فعالیت ها ) ، ورودی ها و تامین کنندگان قرار دارند . در سمت خروجی فعالیت ها، عناصر قابل عرضه و مصرف کنندگان مشخص می گردند . مشارکت کنندگان در بخش پایین فعالیت ها نشان داده شده اند . در قسمت پایین دیاگرام ، ابزارها ، تکنیک ها و معیارهائی قرار دارند که بر روی جنبه هایی از حوزه دانش  تاثیرگذار می باشند . در شکل 5 ، ساختار یک دیاگرام زمینه حوزه دانش  نشان داده شده است .

•  تعریف : در این بخش به شکل خلاصه حوزه دانش تعریف می گردد .
• اهداف : در این بخش اهداف حوزه دانش و اصول مقدماتی که راهنمای عملکرد در هر حوزه دانش است ، تشریح می گردد .
• فعالیت ها : در این بخش فعالیت های مورد نیاز برای تامین اهداف حوزه دانش تعریف می گردند که می توانند شامل  مجموعه ای از فعالیت  ها ، زیرفعالیت ها و  مراحل باشند . فعالیت ها به چهار گروه برنامه ریزی ، پیاده سازی ، عملیات و کنترل تقسیم می شوند . فعالیت های برنامه ریزی ، مجموعه ای از فعالیت های استراتژیک و تاکتیکی برای تامین اهداف مدیریت داده می باشند . فعالیت های برنامه ریزی به صورت تکراری انجام خواهند شد . فعالیت های پیاده سازی حول و حوش چرخه توسعه سیستم (SDLC ) سازماندهی می شوند و شامل مواردی نظیر تجزیه و تحلیل ، طراحی ، ایجاد ، تست ، آماده سازی و استقرار می باشد . فعالیت های کنترلی ، این اطمینان را ایجاد خواهند کرد که کیفیت داده ، امنیت ، قابلیت اطمینان و امنیت سیستم ها به طور مستمر و در زمان دستیابی و استفاده از داده رعایت می شود . فعالیت های عملیاتی ، شامل استفاده ، نگهداری و بهبود و توسعه سیستم ها و فرآیند در زمان دستیابی و استفاده از داده می باشد .
• ورودی ها : چیزهای ملموسی می باشند که هر حوزه دانش به آنها نیاز دارد تا بتواند فعالیت های خود را شروع کند . تعداد زیادی از فعالیت ها نیازمند ورودی های مشابهی می باشند . به عنوان نمونه بسیاری از حوزه های دانش نیازمند آگاهی از استراتژی سازمانی به عنوان ورودی می باشند .
• اقلام قابل تحویل : خروجی های فعالیت های تعریف شده درون حوزه دانش می باشند . موارد ملموسی که هر تابع مسئول تولید آن می باشد . اقلام ارایه شده ممکن است نهایی شده باشند و یا ممکن است از آنها به عنوان ورودی سایر فعالیت ها استفاده گردد .
• نقش ها و مسئولیت ها : نحوه مشارکت افراد و تیم ها درون حوزه دانش را تشریح می کند . نقش ها به صورت مفهومی و با تمرکز بر روی گروهی از نقش های مورد نیاز در اکثر سازمان ها  تعریف می گردند . نقش ها برای افراد در تیم ها مشخص می گردد . از چارچوب SFIA ( برگرفته شده از Skills Framework for the Information Age ) می توان جهت همسویی عناوین نقش ها استفاده کرد .
• تامین کنندگان: افراد مسئول برای ارایه و یا تحقق دستیابی به ورودی های برای فعالیت ها می باشند .
• مصرف کنندگان : افرادی هستند که مستقیما" از مزایای خروجی های ایجاد شده توسط فعالیت های مدیریت داده بهره مند می شوند .
• مشارکت کنندگان : افرادی هستند که مسئولیت انجام، مدیریت و تایید فعالیت ها در حوزه دانش را برعهده دارند.
• ابزارها : برنامه ها و سایر فناوری های مورد نیاز جهت تحقق اهداف حوزه دانش می باشند .
• روش ها : متدها و رویه های استفاده شده برای انجام فعالیت ها و تولید خروجی درون یک حوزه دانش می باشند . کنواسیون های مشترک ، به روش های توصیه شده ، استانداردها و پروتکل ها و ... نمونه هایی در این زمینه می باشند .
• معیارها : استانداردهایی برای اندازه گیری یا ارزیابی عملکرد ، پیشرفت ، کیفیت ، اثربخشی و سایر موارد مشابه و مرتبط می باشند . در این بخش ، موارد قابل سنجش متناسب با حوزه دانش شناسایی می گردند .

با وجود این که چرخ DAMA ، نشان دهنده مجموعه ای از حوزه های دانشی سطح بالا است  و شش ضلعی عوامل محیطی اجزاء ساختار حوزه دانشی و همچنین دیاگرام زمینه ، جزئیات هر حوزه دانشی را بیان می کند ، هیچیک از اجزاء موجود چارچوب DMBOK ، ارتباط بین حوزه های دانشی مختلف را نشان نمی دهد . در DMBOK2 با ارایه راه حل های منطقی سعی شده است که به ارتباطات بین هر یک از حوزه های دانشی و تقدم و تاخر هر یک اشاره گردد.

 خلاصه
وجود یک تفکر استراتژیک داده در پس برنامه مدیریت داده  در یک سازمان بسیار حیاتی است . تفکری که شالوده آن می بایست  به خوبی با استراتژی سازمانی و استراتژی فناوری اطلاعات همسو گردد تا بتوان با استناد به یک روش ساختارمند  ،  ایجاد ارزش در سازمان را نهادینه کرد.توجه به اصول مدیریت داده ، چالش های مدیریت داده با توجه به رفتار و ماهیت ذاتی داده و همچنین استفاده از چارچوب ها ، مدل ها و به روش های شناخته شده می تواند مسیر مدیریت داده در یک سازمان را هموار نماید . در طی سه مطلب به بررسی اصول مدیریت داده ، چالش های پیش رو برای مدیریت داده و همچنین چارچوب ها و مدل های مدیریت داده اشاره گردید . با توجه به جایگاه ویژه چارچوب DMBOK و تغییرات قابل توجه آن در نسخه دوم ، به طور مختصر به برخی از ویژگی های چارچوب فوق نیز اشاره گردید . وجود ساختارسازمانی مناسب به همراه کارکنان با دانش ، ماهر و توانمند ، فرآیندهای قوی و بالغ ، فناوری هایی که به درستی انتخاب و بکار گرفته شده اند   ، فرهنگ سازمانی مناسب ، وجود زیرساخت های لازم جهت تغییرات ضروری و از همه مهمتر تعهد و الزام  رهبری سازمان به منظور حمایت از یک برنامه جامع و فراگیر مدیریت داده از جمله عوامل حیاتی اجرای موفقیت آمیز یک برنامه مدیریت داده در یک سازمان می باشند .

منابع  :

Peter Aiken , Data Strategy and the Enterprise Data Executive ,Technics Publications , April 2 2017
Bernard Marr,Data Strategy: How to Profit from a World of Big Data, Analytics and the Internet of Things, Kogan Page , April 28 2017
Prashanth Southekal ,Data for Business Performance: The Goal-Question-Metric (GQM) Model to Transform Business Data into an Enterprise Asset,Technics Publications, February 15, 2017
Dama International , DAMA-DMBOK: Data Management Body of Knowledge (2nd Edition),Technics Publications; Second edition, Technics Publications , July 5 2017