Az adatvagyon-gazdálkodás kihívásai a biztosítási szektorban
Márciusi, online előadásunkon, Szabó Dániel (Chief Data Officer) és Poór János (Data Governance & Data Utilization Team Lead) a nemrég osztrák és magyar tulajdonba került Aegon Magyarország részéről az adatvagyon-gazdálkodási programok tervezésének és lépésről lépésre történő megvalósításának tapasztalatairól, valamint egy kiemelt témakörről, az adatminőség-mérés kihívásairól meséltek.
Az adatmenedzsment gyakorlati alkalmazhatósága szempontjából a biztosítási szegmens relatíve adatszegény iparágnak mondható Magyarországon az online kereskedelemi, banki, vagy a telekommunikációs szektorhoz képest. Ezzel összhangban az Aegon biztosítónál is hosszú út vezetett az adatmenedzsment terület kialakulásáig. Kezdetben elemzői szerepben a pénzügyi operáció, majd a menedzsment közvetlen területeként működtek. Tudatosan 2019-ben kezdtek el Data Governance-szel foglalkozni.
A Data Governance kihívások közt kiemelésre került:
- Növekvő számosságú és bizonytalanságú szabályozói és tulajdonosi információs igény
- GDPR szabályozás, megfelelés és az adatbiztonság kérdésének felértékelődése
- Adatelemzési projektek erőforrásait jelentős mértékben adatelőkészítésre fordítjuk
- Előfordult, hogy adatminőség és adatdefiníciók hiányában a különböző forrásból származó riportok ugyanazon kérdésre mást választ adtak
- Különböző üzleti terültek hasonló adatmenedzsment kihívások, a szinergiák kereséséhez és kihasználásához a kompetencia fejlesztésére van szükség
A tudatos adatvagyon-gazdálkodás egyensúlyba tudja hozni az üzleti igények generálta (offenzív) és a szabályozói, adatbiztonsági elvárások miatti (defenzív) adatfelhasználást. Egyensúly hiánya kihagyott üzleti lehetőség vagy extrém kockázati kitettséghez vezet. A cégek jellemzően a szabályozói elvárásokkal foglalkoznak, azonban offenzív megközelítéssel is érdemes fókuszálni. Az Aegon Magyarország adatmenedzsment programtervét ennek megfelelően alakították ki.
Az adatmenedzsment programok és kihívások tapasztalatai alapján mondhatjuk, hogy minden út az adatminőségi problémák kezeléséhez vezet. A 2022. március 29-i esemény során kiemelt témakör volt az adatminőség-mérési (DQM) módszertan. Az adatminőség esetében a nem megfelelő ellenőrzés drága hibákhoz, a túlzott ellenőrzés ugyanakkor drága működéshez vezethet.. Előadóink egy külső szállítóval közösen lefolytatott projektmunka tapasztalatait osztották meg, ahol egy kiválasztott adatkör segítségével értékelték saját adatmenedzsment folyamatukat.
Első lépésként az adat felderítés során a releváns problémák kerültek azonosítása, majd az adatminőségi hibák mintázatának megismerése és a hibatípusok meghatározása következett. A felmérést követően az adatminőségi szabályok megfogalmazása történt, amelyeknél fontos szempont az általános érvényesség és újrahasznosíthatóság. A folyamat kulcspontja az adatminőségi hibák javítása volt, ahol emberi döntéseket igénylő lépésekre volt szükség. Az első tapasztalatok alapján a finomhangolás, majd a javulás eredményeinek értelmezés és kiértékelése következett.
A magas szintű folyamathoz fontos kiemelni, hogy szükséges egy megfelelő együttműködési modell a szerepek, felelősségek és akciók meghatározásához. A tapasztaltok alapján sok minden automatizálható az adatminőség-mérés során, de sok esetben az adatminőség javítása érdekében emberi beavatkozás vagy döntés szükséges, így ennek megfelelően érdemes mérlegelni az egyes adatminőség ellenőrzést támogató eszközökre és folyamatokra fordított erőforrások eredményességét.
A Data Governance programok megvalósítása és a változáskezelés során szükség lehet külső segítségre és szakmai képzésekre. A folyamatot támogató eszközök a DAMA Hungary Budapest egyesület által is képviselt nemzetközi keretrendszer és a hozzá kapcsolódó Certified Data Management Professional (CDMP) tanfolyam vagy képesítés.