Quản trị dữ liệu doanh nghiệp được thực hiện như thế nào?

Vì vậy, quản trị dữ liệu không thể được triển khai như một dự án công nghệ riêng lẻ. Nó cần kết hợp con người, quy trình và công nghệ: doanh nghiệp xác định chủ sở hữu dữ liệu, chuẩn hóa định nghĩa, thiết lập quy tắc chất lượng và bảo mật, quản lý metadata và nguồn gốc dữ liệu, sau đó đo lường việc tuân thủ để liên tục điều chỉnh.

Quản trị dữ liệu doanh nghiệp là gì?

Quản trị dữ liệu doanh nghiệp, thường được gọi là enterprise data governance, là khuôn khổ xác định ai có quyền quyết định điều gì đối với dữ liệu, theo nguyên tắc nào và chịu trách nhiệm về kết quả ra sao.

Điểm cốt lõi nằm ở quyền hạn và trách nhiệm. Một hệ thống có thể chứa hàng triệu bản ghi và sử dụng nhiều nền tảng dữ liệu hiện đại nhưng vẫn chưa được quản trị tốt nếu không xác định được ai chịu trách nhiệm khi hai phòng ban hiểu một chỉ tiêu theo hai cách khác nhau, dữ liệu bị thiếu, quyền truy cập quá rộng hoặc nguồn gốc của một con số không thể truy vết.

Quản trị dữ liệu thường bao phủ các vấn đề liên quan trực tiếp đến khả năng sử dụng dữ liệu:

·         Định nghĩa và ý nghĩa của dữ liệu

·         Quyền sở hữu và trách nhiệm

·         Tiêu chuẩn chất lượng

·         Metadata và nguồn gốc dữ liệu

·         Quyền truy cập và bảo mật

·         Vòng đời lưu giữ và xử lý

·         Quy tắc chia sẻ và sử dụng

·         Cơ chế giám sát, xử lý vi phạm và cải tiến

Các khuôn khổ chuyên môn như DAMA-DMBOK xem data governance là một chức năng điều phối quan trọng trong quản lý dữ liệu. Trong khi đó, các tiêu chuẩn như ISO 8000 cung cấp nền tảng liên quan đến chất lượng dữ liệu, còn ISO/IEC 27001 hỗ trợ doanh nghiệp thiết lập hệ thống quản lý an toàn thông tin. Những khung này giải quyết các lớp vấn đề khác nhau nhưng đều cho thấy dữ liệu cần được kiểm soát bằng quy tắc và trách nhiệm rõ ràng thay vì chỉ dựa vào công nghệ.

Quản trị dữ liệu khác với quản lý dữ liệu như thế nào?

Quản trị dữ liệu và quản lý dữ liệu có quan hệ chặt chẽ nhưng không đồng nhất.

Quản trị dữ liệu xác định luật chơi; quản lý dữ liệu thực thi luật chơi đó.

Chẳng hạn, governance có thể quy định rằng thông tin khách hàng phải có một định nghĩa thống nhất, trường email phải đáp ứng quy tắc hợp lệ và chỉ một số vai trò được phép truy cập dữ liệu nhận dạng cá nhân. Các nhóm quản lý dữ liệu sau đó triển khai những yêu cầu này thông qua hệ thống, pipeline, cơ sở dữ liệu, công cụ kiểm tra chất lượng và cơ chế phân quyền.

Sự phân biệt này quan trọng vì một doanh nghiệp có thể đầu tư mạnh vào kho dữ liệu, data lake, BI hoặc nền tảng AI nhưng vẫn gặp xung đột dữ liệu nếu chưa thống nhất quyền quyết định và tiêu chuẩn.

Governance cũng không có nghĩa là bộ phận dữ liệu kiểm soát tất cả dữ liệu. Trách nhiệm cần được phân bổ cho những đơn vị hiểu ý nghĩa kinh doanh của dữ liệu và những nhóm có năng lực vận hành kỹ thuật tương ứng.

Bước đầu tiên là xác định quyền sở hữu và trách nhiệm đối với dữ liệu

Một chương trình quản trị dữ liệu chỉ có thể hoạt động khi doanh nghiệp trả lời được câu hỏi: ai chịu trách nhiệm cho từng nhóm dữ liệu quan trọng?

Các vai trò thường được phân chia theo chức năng.

Data Owner chịu trách nhiệm về quyết định kinh doanh

Data Owner thường là người hoặc đơn vị có thẩm quyền đối với một domain dữ liệu, chẳng hạn dữ liệu khách hàng, sản phẩm, nhân sự hoặc tài chính.

Vai trò này có thể quyết định:

·         Dữ liệu được phép sử dụng vào mục đích nào

·         Ai được quyền truy cập

·         Mức chất lượng nào được chấp nhận

·         Quy tắc nào cần áp dụng

·         Vấn đề nào cần được ưu tiên xử lý

Data Owner không nhất thiết trực tiếp sửa dữ liệu. Trách nhiệm chính là bảo đảm các quyết định liên quan đến dữ liệu có chủ thể chịu trách nhiệm rõ ràng.

Data Steward duy trì quy tắc và chất lượng hằng ngày

Data Steward chuyển các yêu cầu quản trị thành hoạt động cụ thể hơn: duy trì định nghĩa, kiểm tra chất lượng, phối hợp xử lý lỗi, quản lý metadata hoặc xác minh việc áp dụng tiêu chuẩn.

Trong mô hình vận hành tốt, Data Steward không phải người “dọn dữ liệu” sau khi lỗi đã xảy ra. Họ tham gia xác định nguyên nhân, quy tắc kiểm soát và điểm cần ngăn lỗi tái diễn.

Bộ phận công nghệ chịu trách nhiệm về cơ chế thực thi

Data Engineer, Database Administrator, Security Team và các vai trò kỹ thuật triển khai những yêu cầu đã được xác lập bằng kiến trúc, hệ thống và quyền kiểm soát kỹ thuật.

Cách phân vai này tạo ra nguyên tắc quan trọng: quyền quyết định về ý nghĩa và cách sử dụng dữ liệu không nên bị đồng nhất với quyền quản trị hạ tầng kỹ thuật.

Doanh nghiệp cần chuẩn hóa định nghĩa và metadata trước khi khai thác dữ liệu

Hai hệ thống có thể chứa cùng một trường mang tên “khách hàng”, nhưng ý nghĩa thực tế chưa chắc giống nhau. Một hệ thống tính mọi tài khoản đã đăng ký, trong khi hệ thống khác chỉ tính người đã phát sinh giao dịch. Nếu không có định nghĩa chung, báo cáo của hai bộ phận có thể đều đúng về mặt kỹ thuật nhưng mâu thuẫn về mặt kinh doanh.

Vì vậy, quản trị dữ liệu cần xây dựng một lớp ngữ nghĩa chung.

Business glossary thống nhất cách hiểu

Business glossary ghi nhận các thuật ngữ kinh doanh cùng định nghĩa được phê duyệt. Với một chỉ tiêu như “khách hàng hoạt động”, doanh nghiệp cần xác định rõ:

·         Đối tượng được tính

·         Điều kiện được tính

·         Khoảng thời gian áp dụng

·         Trường hợp loại trừ

·         Đơn vị chịu trách nhiệm về định nghĩa

Nhờ đó, các phòng ban không phải tự diễn giải cùng một thuật ngữ theo những quy tắc khác nhau.

Metadata giúp người sử dụng hiểu dữ liệu

Metadata mô tả dữ liệu thay vì chính giá trị dữ liệu. Nó có thể cho biết tên trường, loại dữ liệu, định nghĩa, hệ thống nguồn, người sở hữu, mức độ nhạy cảm, thời điểm cập nhật hoặc quan hệ với các dữ liệu khác.

Metadata đầy đủ tạo điều kiện để người sử dụng xác định một tập dữ liệu có phù hợp với mục đích của mình hay không trước khi đưa nó vào báo cáo hoặc mô hình phân tích.

Data lineage cho biết dữ liệu đến từ đâu

Data lineage ghi nhận đường đi và các phép biến đổi của dữ liệu từ nguồn ban đầu đến báo cáo, dashboard hoặc sản phẩm dữ liệu cuối cùng.

Khi một chỉ tiêu bất thường, lineage giúp truy ngược để xác định dữ liệu bắt nguồn từ hệ thống nào, đi qua bước xử lý nào và tại đâu có khả năng xuất hiện sai lệch. Đây là cơ sở quan trọng cho cả kiểm soát chất lượng lẫn kiểm toán.

Chất lượng dữ liệu phải được chuyển thành những quy tắc có thể đo lường

“Dữ liệu tốt” là một nhận định quá chung để quản trị. Doanh nghiệp cần chuyển chất lượng thành các thuộc tính và chỉ số có thể kiểm tra.

Những chiều chất lượng thường được sử dụng gồm:

·         Accuracy: dữ liệu có phản ánh đúng đối tượng thực tế hay không

·         Completeness: các trường bắt buộc có được điền đầy đủ hay không

·         Consistency: cùng một dữ liệu có nhất quán giữa các hệ thống hay không

·         Validity: giá trị có đáp ứng định dạng và quy tắc cho phép hay không

·         Timeliness: dữ liệu có được cập nhật đúng thời điểm cần sử dụng hay không

·         Uniqueness: một thực thể có bị tạo thành nhiều bản ghi trùng lặp hay không

Không phải mọi tập dữ liệu đều cần đạt mức tuyệt đối ở tất cả các chiều. Ngưỡng phải phụ thuộc vào mục đích sử dụng.

Ví dụ, trường mã giao dịch trong hệ thống quyết toán có thể yêu cầu mức đầy đủ gần như tuyệt đối vì bản ghi thiếu mã có thể làm quá trình đối soát thất bại. Ngược lại, một trường thông tin bổ sung phục vụ phân khúc marketing có thể chấp nhận tỷ lệ thiếu cao hơn nếu không ảnh hưởng hoạt động cốt lõi.

Kiểm soát chất lượng cần đặt gần nơi phát sinh lỗi

Sửa lỗi ở kho dữ liệu cuối cùng không giải quyết được nguyên nhân nếu dữ liệu sai đã được nhập từ hệ thống nguồn.

Cơ chế hiệu quả hơn là kiểm tra tại nhiều lớp:

1.    Ngăn dữ liệu không hợp lệ ngay tại điểm nhập

2.    Phát hiện sai lệch trong quá trình tích hợp

3.    Đối chiếu dữ liệu giữa các hệ thống

4.    Theo dõi chỉ số chất lượng theo thời gian

5.    Xác định nguyên nhân gốc khi lỗi lặp lại

Cách tiếp cận này chuyển data quality từ hoạt động làm sạch dữ liệu thành cơ chế phòng ngừa và kiểm soát.

Bảo mật dữ liệu bắt đầu bằng phân loại và quyền truy cập

Không phải mọi dữ liệu đều có mức nhạy cảm như nhau. Một danh mục sản phẩm công khai không cần cơ chế bảo vệ giống hồ sơ nhân sự, dữ liệu tài chính hoặc thông tin nhận dạng cá nhân.

Doanh nghiệp cần phân loại dữ liệu trước khi xác định biện pháp kiểm soát. Các mức phân loại có thể khác nhau theo tổ chức, nhưng thường phản ánh mức độ công khai, nội bộ, bí mật hoặc đặc biệt nhạy cảm.

Từ mức phân loại, doanh nghiệp quyết định ai được:

·         Xem dữ liệu

·         Thay đổi dữ liệu

·         Sao chép hoặc xuất dữ liệu

·         Chia sẻ dữ liệu cho đơn vị khác

·         Truy cập dữ liệu trong môi trường phát triển hoặc phân tích

Nguyên tắc least privilege giúp giới hạn quyền truy cập ở mức cần thiết cho nhiệm vụ. Role-based access control hoặc attribute-based access control có thể được sử dụng để thực thi quyền ở cấp hệ thống.

Tuy nhiên, phân quyền kỹ thuật không đủ. Governance còn phải xác định lý do kinh doanh của quyền truy cập, người phê duyệt và chu kỳ rà soát quyền. Nếu một nhân viên đổi vị trí nhưng vẫn giữ toàn bộ quyền cũ, hệ thống có thể hoạt động đúng về kỹ thuật nhưng cơ chế quản trị đã thất bại.

Các biện pháp như mã hóa, masking, tokenization, logging hay giám sát truy cập hỗ trợ bảo vệ dữ liệu, nhưng chúng chỉ hiệu quả khi được áp dụng dựa trên chính sách phân loại và rủi ro rõ ràng.

Quản trị vòng đời giúp dữ liệu không bị lưu giữ và sử dụng vô thời hạn

Dữ liệu có vòng đời từ khi được tạo hoặc thu thập, qua sử dụng và chia sẻ, đến lưu trữ dài hạn hoặc xóa bỏ.

Quản trị vòng đời cần xác định:

·         Dữ liệu nào cần được thu thập

·         Mục đích sử dụng là gì

·         Được lưu trong bao lâu

·         Khi nào phải lưu trữ dài hạn

·         Khi nào phải xóa hoặc ẩn danh

·         Điều gì xảy ra với các bản sao và dữ liệu phát sinh từ hệ thống khác

Lưu giữ mọi dữ liệu vô thời hạn thường không tạo thêm giá trị tương ứng. Ngược lại, nó làm tăng khối lượng phải quản lý, mở rộng phạm vi dữ liệu nhạy cảm và khiến việc xác định phiên bản còn hiệu lực trở nên khó khăn hơn.

Chính sách retention vì vậy cần gắn với yêu cầu nghiệp vụ, hợp đồng và nghĩa vụ pháp lý áp dụng cho từng doanh nghiệp, thay vì sử dụng một thời hạn chung cho tất cả dữ liệu.

Master Data Management giúp duy trì một thực thể nhất quán giữa nhiều hệ thống

Khi doanh nghiệp sử dụng nhiều CRM, ERP, nền tảng thương mại điện tử và hệ thống nội bộ, cùng một khách hàng hoặc sản phẩm có thể xuất hiện dưới nhiều mã và nhiều phiên bản.

Master Data Management hỗ trợ quản lý những thực thể cốt lõi này bằng cách xác định định danh, quy tắc đối sánh, thuộc tính chuẩn và nguồn có thẩm quyền.

Ví dụ, một khách hàng có thể xuất hiện dưới ba bản ghi do sử dụng các email hoặc cách viết tên khác nhau. Nếu các bản ghi không được đối sánh, doanh nghiệp có thể tính ba khách hàng thay vì một, gửi nhiều thông điệp giống nhau hoặc đưa ra báo cáo sai.

Governance quyết định các quy tắc như bản ghi nào được coi là nguồn chuẩn, thuộc tính nào ưu tiên lấy từ hệ thống nào và ai được phép xử lý trường hợp xung đột. MDM cung cấp cơ chế để các quy tắc đó được thực thi.

Do đó, MDM không thay thế data governance. Nó là một năng lực quản lý dữ liệu cần được đặt dưới các quyết định quản trị phù hợp.

Khả năng sử dụng dữ liệu phụ thuộc vào việc người dùng có tìm thấy và hiểu đúng dữ liệu hay không

Dữ liệu có chất lượng cao nhưng không thể tìm thấy hoặc không hiểu được vẫn có giá trị sử dụng thấp.

Một catalog dữ liệu có thể giúp người dùng tìm kiếm dataset theo domain, thuật ngữ, hệ thống nguồn, Data Owner hoặc mức độ nhạy cảm. Khi kết hợp catalog với business glossary, metadata và lineage, người sử dụng có thể trả lời những câu hỏi quan trọng trước khi khai thác:

·         Dataset này đại diện cho điều gì?

·         Ai chịu trách nhiệm về nó?

·         Dữ liệu được cập nhật khi nào?

·         Nó đến từ đâu?

·         Có giới hạn chất lượng nào?

·         Có được phép dùng cho mục đích hiện tại không?

Khả năng truy cập cũng không đồng nghĩa với mở dữ liệu cho tất cả mọi người. Mục tiêu là dữ liệu phù hợp được cung cấp cho đúng người, với đúng quyền và đủ ngữ cảnh để sử dụng đúng.

Đây là điểm cân bằng giữa usability và security. Kiểm soát quá lỏng làm tăng rủi ro, còn kiểm soát quá cứng có thể biến dữ liệu thành tài sản tồn tại nhưng khó khai thác.

Quản trị dữ liệu cần được vận hành bằng quy trình xử lý vấn đề rõ ràng

Chính sách chỉ có giá trị khi doanh nghiệp biết phải làm gì khi dữ liệu vi phạm chính sách.

Một data issue thường cần đi qua chu trình:

1.    Phát hiện vấn đề

2.    Xác định dữ liệu và quy tắc bị ảnh hưởng

3.    Đánh giá mức độ tác động

4.    Chỉ định người chịu trách nhiệm

5.    Phân tích nguyên nhân gốc

6.    Khắc phục dữ liệu và nguyên nhân

7.    Kiểm tra lại kết quả

8.    Theo dõi khả năng tái diễn

Việc chỉ sửa bản ghi sai giải quyết triệu chứng. Nếu nguyên nhân là trường nhập liệu không được kiểm tra, mapping giữa hai hệ thống sai hoặc định nghĩa nghiệp vụ không thống nhất, lỗi sẽ xuất hiện trở lại.

Vì vậy, một trong những giá trị lớn nhất của governance là tạo đường đi rõ ràng từ phát hiện vấn đề → quyền quyết định → xử lý nguyên nhân → kiểm chứng kết quả.

Hiệu quả quản trị dữ liệu phải được đo bằng chỉ số vận hành

Doanh nghiệp không nên đánh giá chương trình governance dựa trên số lượng chính sách đã ban hành. Chính sách chỉ là phương tiện; kết quả cần thể hiện ở trạng thái của dữ liệu và khả năng sử dụng dữ liệu.

Các nhóm chỉ số có thể bao gồm:

Chất lượng dữ liệu: tỷ lệ bản ghi đầy đủ, tỷ lệ giá trị hợp lệ, số bản ghi trùng lặp hoặc số vi phạm quy tắc chất lượng.

Quản lý vấn đề: số data issue đang mở, thời gian xử lý trung bình, tỷ lệ lỗi tái diễn và số vấn đề quá hạn.

Metadata: tỷ lệ tài sản dữ liệu quan trọng có Data Owner, định nghĩa, classification và lineage cần thiết.

Quyền truy cập: số quyền không còn phù hợp, tỷ lệ hoàn thành access review hoặc số sự kiện truy cập trái chính sách.

Khả năng sử dụng: thời gian người dùng cần để tìm dữ liệu phù hợp, tỷ lệ dataset được tái sử dụng hoặc số yêu cầu phải xử lý thủ công vì thiếu thông tin.

Không có một ngưỡng KPI chung phù hợp cho mọi doanh nghiệp. Một chỉ tiêu chỉ có ý nghĩa khi doanh nghiệp xác định baseline, mức mục tiêu và mức độ quan trọng của từng data domain.

Quản trị dữ liệu nên được triển khai theo phạm vi ưu tiên thay vì áp dụng đồng loạt

Một sai lầm phổ biến là cố gắng quản trị toàn bộ dữ liệu doanh nghiệp với cùng mức độ ngay từ đầu. Phạm vi quá rộng làm tăng số lượng chính sách, vai trò và metadata cần duy trì trước khi chương trình tạo được giá trị thực tế.

Cách triển khai khả thi hơn là bắt đầu từ dữ liệu có tác động lớn.

Doanh nghiệp có thể xác định critical data elements dựa trên mức độ ảnh hưởng đến báo cáo tài chính, vận hành, khách hàng, tuân thủ hoặc quyết định quan trọng. Sau đó thiết lập ownership, định nghĩa, quy tắc chất lượng, classification, lineage và chỉ số cho nhóm dữ liệu này trước.

Khi cơ chế đã hoạt động ổn định, phạm vi mới được mở rộng sang domain tiếp theo.

Trình tự thực hiện có thể tóm tắt như sau:

1.    Xác định mục tiêu kinh doanh và dữ liệu quan trọng

2.    Phân công Data Owner và Data Steward

3.    Chuẩn hóa thuật ngữ và định nghĩa

4.    Phân loại dữ liệu và thiết lập quyền truy cập

5.    Xây dựng quy tắc chất lượng

6.    Quản lý metadata và lineage

7.    Thiết lập quy trình xử lý data issue

8.    Đo KPI và mức tuân thủ

9.    Điều chỉnh quy tắc dựa trên kết quả vận hành

10.  Mở rộng sang các domain tiếp theo

Công nghệ nên hỗ trợ chu trình này, không quyết định chu trình thay doanh nghiệp. Việc mua một data catalog hoặc nền tảng governance không tự tạo ra ownership, định nghĩa thống nhất hay trách nhiệm giải trình nếu các yếu tố tổ chức chưa được thiết lập.

Quản trị dữ liệu doanh nghiệp được thực hiện bằng cách thiết lập một hệ thống quyền hạn, trách nhiệm, tiêu chuẩn và kiểm soát xuyên suốt vòng đời dữ liệu. Data Owner và Data Steward xác định và duy trì các quy tắc; business glossary, metadata và lineage làm rõ ý nghĩa và nguồn gốc; các cơ chế data quality kiểm soát độ tin cậy; phân loại và phân quyền bảo vệ dữ liệu; còn KPI giúp doanh nghiệp xác định hệ thống quản trị có thực sự hoạt động hay không.

Kết quả cần đạt không phải là có nhiều chính sách hơn, mà là dữ liệu quan trọng có thể được tìm thấy, hiểu đúng, tin cậy, bảo vệ và sử dụng đúng mục đích. Khi mỗi dữ liệu quan trọng đều có người chịu trách nhiệm, tiêu chuẩn có thể kiểm tra và cơ chế xử lý sai lệch rõ ràng, quản trị dữ liệu mới trở thành một năng lực vận hành thực tế thay vì một lớp quy định hành chính.