Data governance là gì trong doanh nghiệp?

NIST mô tả mô hình data governance là cơ chế thiết lập thẩm quyền cùng các tham số quản lý và ra quyết định đối với dữ liệu do doanh nghiệp tạo ra hoặc quản lý. IBM nhấn mạnh ba thuộc tính cốt lõi mà hoạt động này hướng tới là chất lượng, bảo mật và khả năng sẵn sàng của dữ liệu.

Vì vậy, vai trò trung tâm của data governance là biến dữ liệu từ một tài nguyên phân tán, khó kiểm soát thành tài sản doanh nghiệp có người sở hữu, có quy tắc sử dụng, có tiêu chuẩn chất lượng và có cơ chế giám sát.

Data governance tạo trật tự quản trị cho dữ liệu doanh nghiệp

Trong nhiều doanh nghiệp, dữ liệu được tạo ra đồng thời tại hệ thống bán hàng, phần mềm kế toán, nền tảng chăm sóc khách hàng, kho dữ liệu, bảng tính cá nhân và ứng dụng của đối tác. Mỗi đơn vị có thể sử dụng một định nghĩa, định dạng hoặc quy trình xử lý khác nhau.

Vấn đề phát sinh không chỉ nằm ở công nghệ. Nguyên nhân sâu hơn là doanh nghiệp chưa xác định rõ:

·         Ai sở hữu từng nhóm dữ liệu quan trọng

·         Ai được quyền phê duyệt định nghĩa và quy tắc sử dụng

·         Ai chịu trách nhiệm xử lý lỗi chất lượng

·         Bộ phận nào có quyền truy cập hoặc chia sẻ dữ liệu

·         Cách giải quyết khi các đơn vị sử dụng những số liệu khác nhau

Data governance giải quyết khoảng trống này bằng cách thiết lập quyền quyết định và trách nhiệm giải trình. Chẳng hạn, bộ phận kinh doanh có thể là chủ sở hữu dữ liệu khách hàng, data steward chịu trách nhiệm theo dõi chất lượng, còn đội ngũ công nghệ vận hành nền tảng lưu trữ và kiểm soát kỹ thuật.

Cách phân vai này giúp tránh tình trạng mọi bộ phận đều sử dụng dữ liệu nhưng không đơn vị nào chịu trách nhiệm khi dữ liệu sai. Microsoft cũng phân biệt rõ vai trò của data owner, data steward và các nhóm kỹ thuật trong mô hình quản trị dữ liệu theo miền nghiệp vụ.

Data governance vì thế không phải một dự án riêng của phòng công nghệ thông tin. Đây là cơ chế phối hợp giữa lãnh đạo, đơn vị nghiệp vụ, pháp chế, bảo mật, quản trị rủi ro và đội ngũ dữ liệu.

Data governance nâng cao chất lượng và độ tin cậy của dữ liệu

Một báo cáo được trình bày đẹp vẫn có thể dẫn đến quyết định sai nếu dữ liệu bên dưới thiếu, trùng lặp, lỗi thời hoặc không nhất quán. Data governance tạo nền tảng để doanh nghiệp kiểm soát chất lượng thông qua các định nghĩa, quy tắc và trách nhiệm cụ thể.

Quá trình này thường bao gồm:

·         Xác định các phần tử dữ liệu trọng yếu

·         Thống nhất định nghĩa nghiệp vụ

·         Thiết lập tiêu chuẩn về độ đầy đủ, chính xác và nhất quán

·         Phân công người chịu trách nhiệm giám sát

·         Ghi nhận và xử lý sự cố chất lượng

·         Theo dõi kết quả bằng chỉ số định lượng

Ví dụ, “khách hàng đang hoạt động” có thể được bộ phận bán hàng hiểu là người đã giao dịch trong 90 ngày, trong khi phòng tài chính sử dụng thời hạn 12 tháng. Nếu không có định nghĩa thống nhất, hai báo cáo về cùng một chỉ tiêu có thể cho kết quả khác nhau dù đều được tính toán chính xác về mặt kỹ thuật.

Data governance khắc phục vấn đề bằng cách đưa định nghĩa đã được phê duyệt vào business glossary, liên kết định nghĩa đó với trường dữ liệu và chỉ định chủ sở hữu. Khi phát hiện sai lệch, doanh nghiệp có thể truy ngược trách nhiệm và quy trình xử lý thay vì tranh luận xem báo cáo nào đúng.

Chất lượng dữ liệu cũng cần được đo lường thay vì chỉ nhận xét “tốt” hoặc “kém”. Microsoft Purview, chẳng hạn, hỗ trợ đánh giá chất lượng theo các quy tắc và tổng hợp điểm từ cấp cột dữ liệu lên tài sản, sản phẩm dữ liệu và miền quản trị.

Các chỉ số doanh nghiệp có thể theo dõi gồm:

·         Tỷ lệ dữ liệu trọng yếu có chủ sở hữu

·         Tỷ lệ bản ghi đáp ứng quy tắc chất lượng

·         Số lỗi dữ liệu tồn đọng

·         Thời gian trung bình xử lý một sự cố

·         Tỷ lệ tài sản dữ liệu có định nghĩa nghiệp vụ

·         Tỷ lệ báo cáo sử dụng nguồn dữ liệu đã được chứng nhận

Khi chất lượng được gắn với chủ sở hữu và chỉ số giám sát, dữ liệu mới có thể trở thành cơ sở đáng tin cậy cho báo cáo quản trị, phân tích và hệ thống AI.

Data governance hỗ trợ ra quyết định và khai thác dữ liệu hiệu quả

Doanh nghiệp không thiếu dữ liệu nhưng thường thiếu dữ liệu có thể tìm thấy, hiểu đúng và sử dụng an toàn. Nhân sự có thể mất nhiều thời gian để xác định bộ dữ liệu nào phù hợp, hỏi quyền truy cập từ ai hoặc kiểm tra một chỉ tiêu được tính như thế nào.

Data governance cải thiện khả năng khai thác bằng bốn cơ chế.

Tạo ngôn ngữ dữ liệu thống nhất

Business glossary giúp các phòng ban sử dụng chung định nghĩa cho khách hàng, doanh thu, sản phẩm, đơn hàng hoặc lợi nhuận. Điều này giảm nguy cơ mỗi đơn vị diễn giải một chỉ tiêu theo cách riêng.

Làm rõ nguồn gốc và quá trình biến đổi

Data lineage cho biết dữ liệu xuất phát từ đâu, đã đi qua hệ thống nào và được biến đổi như thế nào trước khi xuất hiện trong báo cáo. Khi số liệu bất thường, đội ngũ phụ trách có thể xác định điểm phát sinh nhanh hơn.

Hỗ trợ tìm kiếm và đánh giá dữ liệu

Data catalog kết nối bối cảnh nghiệp vụ, metadata, chính sách và quan hệ giữa các tài sản kỹ thuật. Người dùng có thể tìm dữ liệu theo ý nghĩa kinh doanh thay vì phải biết chính xác tên bảng hoặc vị trí lưu trữ.

Kiểm soát quyền sử dụng theo mục đích

Không phải dữ liệu có thể truy cập về mặt kỹ thuật đều được phép sử dụng cho mọi mục đích. Data governance xác định người dùng nào được tiếp cận dữ liệu, trong phạm vi nào, vào thời điểm nào và với điều kiện gì.

Nhờ đó, doanh nghiệp có thể mở rộng khả năng tự phục vụ dữ liệu mà không đồng nghĩa với việc mở quyền truy cập thiếu kiểm soát. Giá trị thực tế không chỉ là tìm dữ liệu nhanh hơn, mà còn là giảm thời gian kiểm tra thủ công và tăng khả năng sử dụng lại những tài sản đã được xác thực.

Data governance kiểm soát rủi ro, bảo mật và tuân thủ

Dữ liệu có thể tạo ra giá trị nhưng cũng làm phát sinh rủi ro về quyền riêng tư, bảo mật, sai mục đích sử dụng và lưu giữ quá thời hạn cần thiết. Data governance giúp doanh nghiệp quản lý các rủi ro này từ góc độ tổ chức, thay vì chỉ phụ thuộc vào công cụ an ninh mạng.

Cơ chế quản trị thường bao gồm:

·         Phân loại dữ liệu theo mức độ nhạy cảm

·         Xác định căn cứ và mục đích xử lý

·         Thiết lập quyền truy cập theo vai trò

·         Quy định thời hạn lưu giữ và tiêu hủy

·         Ghi nhận nguồn gốc và lịch sử sử dụng

·         Kiểm soát hoạt động chia sẻ với bên thứ ba

·         Phân công trách nhiệm khi xảy ra sự cố

Bảo mật kỹ thuật có thể ngăn một người không được cấp quyền mở tệp dữ liệu. Data governance trả lời câu hỏi rộng hơn: người đó có thực sự cần dữ liệu hay không, được sử dụng cho mục đích nào và ai chịu trách nhiệm phê duyệt.

NIST xem data governance là điểm khởi đầu quan trọng để tổ chức khai thác lợi ích của dữ liệu đồng thời quản lý rủi ro quyền riêng tư. NIST cũng đang phát triển Data Governance and Management Profile nhằm kết nối hoạt động quản trị dữ liệu với các khuôn khổ về quyền riêng tư và an ninh mạng.

Tuy nhiên, doanh nghiệp không nên đồng nhất data governance với tuân thủ pháp luật. Tuân thủ là một kết quả cần đạt, còn quản trị dữ liệu có phạm vi rộng hơn, bao gồm chất lượng, trách nhiệm, khả năng tìm kiếm, khả năng sử dụng và giá trị kinh doanh.

Data governance tạo nền tảng cho phân tích và trí tuệ nhân tạo

Mô hình phân tích hoặc AI phụ thuộc trực tiếp vào dữ liệu đầu vào. Nếu dữ liệu huấn luyện không rõ nguồn gốc, thiếu quyền sử dụng, có sai lệch hoặc không được cập nhật, kết quả đầu ra khó được kiểm chứng.

Data governance hỗ trợ phân tích và AI bằng cách:

·         Xác định nguồn dữ liệu được phép sử dụng

·         Chứng minh nguồn gốc và lịch sử biến đổi

·         Kiểm soát chất lượng dữ liệu đầu vào

·         Quản lý dữ liệu nhạy cảm

·         Ghi nhận chủ sở hữu và người phê duyệt

·         Theo dõi phiên bản của tập dữ liệu

·         Đảm bảo định nghĩa nhất quán giữa huấn luyện và vận hành

Microsoft lưu ý rằng độ tin cậy của dữ liệu ảnh hưởng trực tiếp đến độ chính xác của thông tin và khuyến nghị do AI tạo ra. Dữ liệu không đáng tin cậy có thể làm suy giảm niềm tin vào hệ thống AI và cản trở việc ứng dụng.

Dù vậy, data governance không tự động bảo đảm một hệ thống AI chính xác hoặc công bằng. Doanh nghiệp vẫn cần quản trị mô hình, đánh giá rủi ro, kiểm thử sai lệch và giám sát kết quả đầu ra. Data governance chủ yếu bảo đảm phần dữ liệu có thể được nhận diện, kiểm soát và giải trình; AI governance mở rộng việc kiểm soát sang mô hình và cách hệ thống AI được phát triển, triển khai, sử dụng.

Data governance khác data management và data stewardship như thế nào?

Ba khái niệm này liên quan chặt chẽ nhưng không đồng nghĩa.

Data governance xác lập quyền quyết định, nguyên tắc, chính sách, trách nhiệm và cơ chế giám sát. Nó trả lời các câu hỏi như dữ liệu nào quan trọng, ai sở hữu, tiêu chuẩn nào phải tuân thủ và ai có quyền phê duyệt.

Data management bao gồm các hoạt động tổ chức và kỹ thuật nhằm thu thập, lưu trữ, tích hợp, bảo vệ, xử lý và cung cấp dữ liệu. IBM xác định data governance là một bộ phận của phạm vi data management rộng hơn.

Data stewardship là hoạt động vận hành các quy tắc quản trị trong thực tế. Data steward theo dõi chất lượng, duy trì định nghĩa, phối hợp xử lý sự cố và hỗ trợ người dùng hiểu đúng dữ liệu. IBM mô tả stewardship như khía cạnh vận hành của data governance.

Có thể hiểu đơn giản:

·         Data governance xác định luật chơi

·         Data management xây dựng và vận hành môi trường dữ liệu

·         Data stewardship đưa luật chơi vào công việc hằng ngày

Doanh nghiệp chỉ ban hành chính sách nhưng không có data steward sẽ khó biến quản trị thành hành động. Ngược lại, đội ngũ kỹ thuật có thể quản lý hệ thống tốt nhưng vẫn không giải quyết được tranh chấp về định nghĩa hoặc quyền sở hữu nếu thiếu cơ chế governance.

Điều kiện để data governance tạo ra giá trị thực tế

Data governance không hiệu quả khi được triển khai như một dự án lập tài liệu toàn doanh nghiệp ngay từ đầu. Số lượng chính sách hoặc cuộc họp không phản ánh trực tiếp mức độ trưởng thành. Giá trị chỉ xuất hiện khi cơ chế quản trị giải quyết được vấn đề kinh doanh cụ thể.

Doanh nghiệp nên bắt đầu từ một phạm vi có giá trị và rủi ro rõ ràng, chẳng hạn dữ liệu khách hàng, báo cáo doanh thu hoặc dữ liệu phục vụ một mô hình AI quan trọng.

Một chu trình triển khai thực tế gồm:

1.    Xác định mục tiêu kinh doanh

2.    Làm rõ vấn đề cần giải quyết, chẳng hạn giảm sai lệch báo cáo, kiểm soát dữ liệu cá nhân hoặc rút ngắn thời gian tìm dữ liệu

3.    Chọn dữ liệu trọng yếu

4.    Ưu tiên các trường dữ liệu có ảnh hưởng trực tiếp đến vận hành, tài chính, khách hàng, tuân thủ hoặc AI

5.    Phân công trách nhiệm

6.    Chỉ định sponsor, data owner, data steward và các nhóm kỹ thuật liên quan

7.    Thiết lập tiêu chuẩn và quy trình

8.    Xây dựng định nghĩa, quy tắc chất lượng, chính sách truy cập và quy trình xử lý sự cố

9.    Triển khai công cụ phù hợp

10.  Sử dụng catalog, lineage, workflow, data quality hoặc access control theo nhu cầu; công cụ không thay thế mô hình trách nhiệm

11.  Đo lường kết quả

12.  Theo dõi chất lượng, thời gian xử lý sự cố, mức độ bao phủ quyền sở hữu, khả năng tìm thấy dữ liệu và hiệu quả sử dụng

13.  Mở rộng theo miền dữ liệu

14.  Chỉ nhân rộng sau khi mô hình thử nghiệm đã chứng minh được giá trị và có người chịu trách nhiệm duy trì

EDM Council sử dụng DCAM như một mô hình đánh giá năng lực quản lý dữ liệu, cho phép tổ chức nhận diện khoảng trống, xác định nhu cầu đầu tư và so sánh mức độ trưởng thành. Phiên bản DCAM 3 tiếp tục nhấn mạnh quản trị, dữ liệu đáng tin cậy, data literacy và khả năng thích ứng với AI.

Ranh giới quan trọng là data governance phải tương xứng với giá trị và rủi ro. Quản trị quá lỏng khiến dữ liệu thiếu tin cậy; quản trị quá nặng làm chậm khả năng tiếp cận và đổi mới. Mô hình hiệu quả cần vừa bảo vệ dữ liệu vừa tạo điều kiện để người có thẩm quyền khai thác dữ liệu đúng mục đích.

Data governance giữ vai trò thiết lập quyền quyết định, trách nhiệm, tiêu chuẩn và cơ chế kiểm soát đối với dữ liệu trong doanh nghiệp. Khi được vận hành đúng, nó giúp nâng cao chất lượng, thống nhất định nghĩa, hỗ trợ ra quyết định, kiểm soát rủi ro và tạo nền tảng đáng tin cậy cho phân tích cũng như AI.

Giá trị của quản trị dữ liệu không nằm ở số lượng chính sách được ban hành mà ở khả năng làm rõ ai chịu trách nhiệm, dữ liệu nào đáng tin cậy và dữ liệu được phép sử dụng trong điều kiện nào. Doanh nghiệp nên bắt đầu từ các miền dữ liệu trọng yếu, gắn quản trị với mục tiêu kinh doanh và đo lường bằng kết quả vận hành cụ thể.