Ägarskap, datakvalitet och masterdata i en modell som fungerar även när ni inte har ett stort datateam.
Data governance för ett medelstort företag handlar inte om ett styrdokument på fyrtio sidor. Det handlar om att varje viktig datamängd har en namngiven ägare, att ni mäter kvaliteten på det som används i beslut och att kunder, produkter och leverantörer finns i en version som alla litar på. Börja smalt, med de data som styr era viktigaste rapporter, och bygg ut när modellen bevisat sitt värde.
Problemet de flesta känner igen är inte brist på data. Det är att ekonomi och sälj har olika siffror för samma månad, att ingen vet vem som får ändra en kundpost och att en rapport plötsligt visar fel utan att någon märker det på flera veckor. Governance är svaret på de frågorna, inte en ny avdelning.
Roller: vem äger vad
En lättviktig modell klarar sig med tre roller. De behöver inte vara heltidstjänster, men de behöver vara namngivna personer.
Dataägare
En chef i verksamheten, till exempel försäljningschefen för kunddata eller inköpschefen för leverantörsdata. Dataägaren beslutar om definitioner, vem som får åtkomst och vilken kvalitetsnivå som är tillräcklig. Det är ett affärsansvar, inte ett IT-ansvar.
Dataförvaltare
Den som i praktiken kan datan: vet vilka fält som används, var felen brukar uppstå och hur källsystemet fungerar. Förvaltaren följer upp kvalitetsreglerna och är första kontakt när något ser konstigt ut.
Plattformsansvarig
IT- eller dataingenjören som ansvarar för pipelines, behörigheter och övervakning. Hen ser till att reglerna som ägaren beslutat faktiskt körs tekniskt.
Ett vanligt misstag är att lägga allt ägarskap på IT. Då blir governance en teknisk fråga som ingen i verksamheten känner sig ansvarig för, och definitionerna glider isär igen.
Minsta möjliga governance
Ni behöver inte styra all data. Börja med de tre till fem datamängder som påverkar mest: ofta kunder, produkter, order, ekonomiska utfall och eventuellt personal. För varje datamängd räcker det i början med:
- En ägare och en förvaltare, namngivna och kända i organisationen.
- Ett begrepp per mått. Vad betyder "aktiv kund" eller "nettoomsättning"? Skriv ner en definition och var den beräknas.
- En källa som gäller. Bestäm vilket system som är master för varje begrepp, så att övriga system läser därifrån.
- En enkel behörighetsregel. Vem får läsa, vem får ändra och vem godkänner nya användare.
- Ett forum. Ett kort möte per månad där ägarna går igenom kvalitetsavvikelser och nya behov.
Masterdata först
Masterdata är de grunddata som återkommer i nästan alla processer: kund, produkt, leverantör, artikel, konto. Om samma kund finns tre gånger med olika stavning i CRM, affärssystem och supportverktyg blir varje rapport och varje AI-tillämpning osäker. Att utse ett mastersystem och en regel för hur dubbletter hanteras ger ofta mer effekt än något verktyg.
Hur är det med data mesh?
Data mesh är en uppsättning arkitektur- och organisationsprinciper där domänerna själva äger och publicerar sina data som produkter. Tankesättet om domänägarskap är användbart även för ett mindre företag. Den fulla modellen, med många självständiga domänteam och en gemensam självbetjäningsplattform, kräver dock en storlek och mognad som de flesta medelstora organisationer inte har. Låna ägarskapsidén, men håll plattformen gemensam och enkel.
Kvalitetsregler som går att mäta
Datakvalitet (data quality) blir hanterbar först när den mäts. Välj ett fåtal regler per datamängd och följ upp dem automatiskt i plattformen i stället för i kalkylblad.
Dimension
Exempel på regel
Vem agerar vid avvikelse
Fullständighet
Exempel på regel
Alla kunder har organisationsnummer
Vem agerar vid avvikelse
Förvaltare för kunddata
Unikhet
Exempel på regel
Inga dubbletter av samma organisationsnummer
Vem agerar vid avvikelse
Förvaltare, beslut av ägare
Giltighet
Exempel på regel
Momssats är ett av de tillåtna värdena
Vem agerar vid avvikelse
Plattformsansvarig
Aktualitet
Exempel på regel
Orderdata är högst 24 timmar gammal
Vem agerar vid avvikelse
Plattformsansvarig
Konsistens
Exempel på regel
Omsättning i BI stämmer mot ekonomisystemet per månad
Vem agerar vid avvikelse
Ägare för ekonomidata
Sätt en tröskel för varje regel och bestäm vad som händer när den passeras: larm, stoppad laddning eller bara en notering i månadsmötet. Börja hellre med fem regler som följs upp än femtio som ingen tittar på.
Det finns också ett regulatoriskt skäl. Dataskyddsförordningen (GDPR) kräver i artikel 5 bland annat att personuppgifter är korrekta och vid behov uppdaterade, och att de inte är fler än vad som behövs för ändamålet. Tydligt ägarskap och kvalitetsregler för personrelaterad masterdata gör det lättare att visa att ni lever upp till de principerna.
Verktyg: vad behövs egentligen
Verktyg löser inte ägarskap, men rätt verktyg gör reglerna billiga att följa. För ett medelstort företag räcker oftast:
- En gemensam dataplattform (lager eller lakehouse) där data från källsystemen samlas, med lager för rådata, tvättad data och färdiga affärstabeller.
- Automatiska tester i pipelines som kör kvalitetsreglerna vid varje laddning.
- Behörighetsstyrning kopplad till er befintliga identitetshantering, så att roller och grupper styr åtkomst.
- En enkel datakatalog eller ordlista med definitioner, ägare och källa per begrepp. Den kan börja som en wikisida.
Dedikerade governance- och MDM-plattformar kan bli aktuella senare, när antalet källor och användare växer. Köp inte dem först.
De första 60 dagarna
En realistisk start som inte kräver ett stort team:
Dag 1-15: kartlägg. Lista era viktigaste rapporter och beslut, och spåra vilka datamängder och system de bygger på. Notera var siffrorna redan i dag skiljer sig åt mellan avdelningar.
Dag 16-30: utse och definiera. Namnge ägare och förvaltare för tre till fem datamängder. Skriv definitioner för de tio viktigaste måtten och bestäm mastersystem för kund och produkt.
Dag 31-45: mät. Inför fem till tio kvalitetsregler i plattformen och ta fram ett första mätvärde. Det blir er nollpunkt.
Dag 46-60: följ upp och justera. Håll det första ägarmötet, åtgärda de största avvikelserna och bestäm nästa datamängd att ta in. Dokumentera vad som fungerade.
Efter 60 dagar ska ni kunna svara på tre frågor: vem äger våra viktigaste data, hur bra är kvaliteten i dag och vilket system gäller för kunder och produkter. Kan ni det har ni en fungerande grund, även utan ett stort datateam.
Devies
Vill ni ha en second opinion?
Devies, en produkt- och utvecklingskonsult i Göteborg, arbetar med frågor som den här tillsammans med nordiska produkt- och IT-team. Berätta var ni står så föreslår vi ett rimligt första steg.
Vanliga frågor
Behöver vi anställa en Chief Data Officer för att komma igång?
Nej. För ett medelstort företag räcker det oftast att en befintlig chef får ett tydligt mandat att samordna, och att dataägarskapet fördelas på cheferna i verksamheten. En separat roll blir aktuell först när antalet datamängder och användare gör samordningen till ett heltidsjobb.
Måste vi ha en dataplattform på plats innan vi börjar med governance?
Ni kan börja med roller, definitioner och mastersystem utan ny plattform. Men kvalitetsregler som ska mätas löpande blir betydligt enklare när data samlas på ett ställe med automatiska tester, så i praktiken går arbetet ofta parallellt.
Hur hänger data governance ihop med våra AI-planer?
AI-tillämpningar använder samma data som era rapporter. Om kunddata finns i flera versioner eller definitionerna skiljer sig åt ger även en AI-lösning osäkra svar. Ägarskap och kvalitetsregler är därför en förutsättning för att AI ska gå från pilot till drift.
Källor
- Europaparlamentets och rådets förordning (EU) 2016/679 (dataskyddsförordningen), artikel 5
- Devies, Data Hub
- Devies, Data Foundation Platform
- Devies, Client case Stena Line










