Data governance: cos’è, ruoli, regole e controlli per governare i dati aziendali

La data governance, in italiano governance dei dati, è l’insieme di ruoli, regole, processi e controlli con cui un’organizzazione decide chi risponde dei dati, come possono essere usati, quanto devono essere affidabili e come si dimostra che tutto questo avviene davvero. Non è un software e non è un progetto che si chiude: è un sistema di responsabilità che accompagna i dati lungo tutta la loro vita in azienda.

Il tema interessa chi guida l’impresa tanto quanto chi gestisce i sistemi. Un report con numeri diversi a seconda dell’ufficio, un dato personale conservato senza una ragione, un modello di intelligenza artificiale alimentato da informazioni di cui nessuno conosce l’origine: sono problemi di governo prima che di tecnologia. È il motivo per cui la data governance fa parte della governance aziendale nel suo insieme.

Data governance: cos’è e come si traduce in italiano

Chi cerca cosa si intende per data governance trova una risposta semplice, che nasconde però un concetto molto più complesso. Governare i dati significa decidere, in modo esplicito, chi può fare cosa con quali dati, secondo quali regole e con quali verifiche. La traduzione letterale è governance dei dati, ma nell’uso aziendale italiano si dice quasi sempre data governance, come avviene per molti termini del settore.

Il termine governance da solo indica il sistema di regole, ruoli e controlli con cui un’organizzazione viene guidata e tenuta sotto controllo. Chi vuole l’inquadramento generale trova nella guida alla governance aziendale modelli e normativa. La data governance applica la stessa logica a una risorsa specifica, il dato: stabilisce i diritti di decisione, le responsabilità e i meccanismi di controllo che la riguardano.

Tre elementi la distinguono da un semplice insieme di buone pratiche:

1. Decisioni esplicite. Per ogni dato rilevante è scritto chi decide e chi risponde.
2. Regole condivise. Le definizioni (che cosa è un “cliente attivo”, che cosa è un “ricavo”) sono uniche per tutta l’azienda.
3. Prove. L’azienda deve poter mostrare da dove arriva un dato, chi lo ha toccato e con quali controlli.

Data governance e data management: qual è la differenza

La confusione più frequente è tra data governance e data management. La gestione dei dati (data management) comprende le attività operative: raccogliere, archiviare, integrare, trasformare, rendere disponibili i dati. La governance stabilisce invece le regole e le responsabilità entro cui queste attività si svolgono. Una formula utile: il data management esegue, la data governance decide e verifica.

Le due cose non si separano mai del tutto. Senza data management le regole restano sulla carta; senza data governance le attività sui dati procedono ciascuna per conto proprio, con definizioni e livelli di qualità diversi.

Perché serve la data governance

I vantaggi di un buon governo dei dati sono concreti e si misurano in decisioni, rischi e tempi.

• Decisioni più affidabili. Quando le definizioni sono uniche e la qualità è controllata, direzione e funzioni lavorano sugli stessi numeri.
• Meno rischio di non conformità. Sapere quali dati personali si trattano, dove sono e per quanto tempo si conservano è la base per rispondere a GDPR e controlli interni.
• Meno lavoro di riconciliazione. Una parte del tempo di analisti e controller si perde a capire quale versione di un dato sia quella giusta.
• Basi solide per l’analisi e per l’AI. I modelli analitici e i sistemi di intelligenza artificiale sono affidabili quanto i dati che li alimentano.
• Responsabilità chiare. Quando qualcosa non torna, si sa a chi chiedere e chi deve intervenire.

Il costo dell’assenza è meno visibile ma altrettanto reale: dati duplicati, accessi non motivati, indicatori contestati nelle riunioni, progetti di analisi che ripartono ogni volta dalla pulizia dei dati.

Principi della data governance

I principi della data governance cambiano nelle formulazioni dei diversi framework, ma convergono su pochi punti. Possono servire da traccia per scrivere i principi della propria organizzazione.

1. Responsabilità. Ogni dato rilevante ha un responsabile nominato.
2. Trasparenza. Definizioni, regole e decisioni sono documentate e consultabili.
3. Qualità. Il dato deve essere adatto all’uso: corretto, completo, coerente, aggiornato.
4. Sicurezza e riservatezza. L’accesso è proporzionato al ruolo e il trattamento dei dati personali rispetta la normativa.
5. Standardizzazione. Formati, nomenclature e definizioni sono uniformi tra funzioni e sistemi.
6. Tracciabilità. Si può ricostruire l’origine di un dato e le trasformazioni subite.
7. Etica d’uso. Il dato si usa per finalità legittime e compatibili con la fiducia di clienti, dipendenti e partner.

Il principio è un impegno, non uno slogan: ha valore solo se si traduce in una regola verificabile. “Dati di qualità” diventa, per esempio, una soglia di completezza misurata ogni mese su un insieme di dati con un responsabile.

Chi si occupa della data governance: ruoli e responsabilità

Il responsabile della data governance non è quasi mai una persona sola. È una struttura di ruoli, con diritti di decisione distribuiti.

• Sponsor esecutivo e comitato di governance. Approvano politiche e priorità, risolvono i conflitti tra funzioni. In molte aziende lo sponsor è il responsabile dei dati (chief data officer, quando esiste), il direttore generale o un membro della direzione.
• Data owner. È il responsabile di un dominio di dati: decide chi può accedervi e con quale finalità, e risponde della qualità.
• Data steward. Cura il dato nel quotidiano: definizioni, regole di qualità, segnalazione e correzione delle anomalie.
• Data producer. È chi genera o inserisce il dato nei processi (un commerciale che compila l’anagrafica di un cliente, un operatore di produzione). La qualità nasce qui: se chi produce il dato non conosce le regole, i controlli a valle servono a poco.
• Data custodian. Gestisce l’infrastruttura su cui i dati risiedono (di norma l’IT) e applica le misure di sicurezza.
• Responsabile della protezione dei dati (DPO). Dove previsto dall’articolo 37 del GDPR, sorveglia la conformità sul trattamento dei dati personali.

Cosa fa uno specialista in data governance? Costruisce e fa funzionare questa struttura: scrive le politiche, definisce ruoli e metriche, coordina owner e steward, cura il catalogo e il glossario, prepara le evidenze per audit e controlli. Non è l’unico responsabile dei dati: aiuta le funzioni a esserlo.

Framework di data governance: da dove si parte

Un framework di data governance è la cornice che mette in ordine obiettivi, ruoli, regole, processi e strumenti. Non esiste un modello unico: va adattato a dimensione, settore, rischi e maturità dell’azienda.

Esistono riferimenti riconosciuti a cui ispirarsi. Il più noto è il DAMA-DMBOK, la guida alla gestione dei dati pubblicata da DAMA International, che ne descrive le funzioni (tra cui la governance) e ne è oggi alla seconda edizione. Un framework aziendale se ne serve come repertorio, non come manuale da applicare alla lettera.

Quanto al modello operativo, le scelte ricorrenti sono tre:

Qualunque sia il modello, tre requisiti non cambiano: i diritti di decisione sono scritti, il mandato dello sponsor è reale e le regole si applicano ai processi di lavoro, non solo ai documenti di progetto.

I componenti operativi della data governance

Le politiche funzionano se poggiano su componenti concreti. I principali sono questi.

Metadati, catalogo e glossario

I metadati sono i dati che descrivono i dati: nome, significato, formato, proprietario, origine, livello di riservatezza. Un catalogo dati li raccoglie in un punto di consultazione unico; il glossario aziendale fissa le definizioni condivise dei termini di business. Senza questi due strumenti la stessa parola significa cose diverse nelle diverse funzioni e ogni analisi ricomincia dalla ricerca del significato.

Data lineage

Il data lineage ricostruisce il percorso di un dato: da dove nasce, attraverso quali sistemi e trasformazioni passa, dove viene usato. Serve a capire l’impatto di una modifica, a trovare l’origine di un errore e a dimostrare la provenienza di un numero in un report.

Classificazione dei dati

La data classification assegna a ogni insieme di dati un livello in base a rischio e valore: per esempio pubblico, interno, riservato, particolarmente sensibile. La classificazione guida le altre regole: chi può accedere, come si protegge, per quanto si conserva. Si parte dai dati più critici, senza pretendere di classificare tutto in un giorno, e si assegna a ogni livello un trattamento definito.

Qualità dei dati

La data quality misura quanto un dato sia adatto all’uso. Le dimensioni più usate sono accuratezza, completezza, coerenza, tempestività, unicità e validità. La data quality management le trasforma in un processo: si scelgono i dati critici, si definiscono regole e soglie, si misura con continuità, si assegna a un responsabile la correzione. Misurare senza assegnare la responsabilità produce solo dashboard.

Master data management

Le anagrafiche condivise (clienti, fornitori, prodotti, sedi) sono usate da molti processi e sistemi: se ne esistono versioni diverse, i problemi si moltiplicano. Il master data management definisce per ciascuna anagrafica una versione di riferimento e le regole per crearla e mantenerla.

Politiche di data governance

La data governance policy raccoglie in un documento approvato le regole che riguardano accesso, utilizzo, conservazione e cancellazione. Una politica efficace è breve, assegna responsabilità precise e rimanda a procedure operative; la sua forza dipende dal fatto che le persone la conoscano e che i controlli la verifichino.

Data governance, GDPR e Data Governance Act

La data governance non è un obbligo di legge in sé, ma diverse norme richiedono capacità che solo un buon governo dei dati garantisce.

GDPR. Il Regolamento (UE) 2016/679 fissa i principi del trattamento dei dati personali, tra cui liceità e minimizzazione, e il principio di responsabilizzazione: chi tratta i dati deve poter dimostrare di rispettare le regole. Prevede inoltre il registro delle attività di trattamento (articolo 30) e, nei casi indicati, il responsabile della protezione dei dati (articolo 37). Una buona data governance fornisce a queste richieste catalogo, ruoli e prove già pronti.

Data Governance Act. Il Regolamento (UE) 2022/868 del 30 maggio 2022, chiamato anche Data Governance Act o regolamento sulla governance europea dei dati, è un pilastro della strategia europea sui dati: punta a rafforzare la fiducia nella condivisione dei dati e a facilitarne il riuso. Prevede meccanismi per il riutilizzo di alcuni dati del settore pubblico, regole per i servizi di intermediazione dei dati e il cosiddetto altruismo dei dati. Si applica da settembre 2023. Non va confuso con la data governance aziendale: il regolamento definisce regole europee di condivisione, mentre la data governance aziendale organizza ruoli e controlli interni. Le due cose si incontrano quando un’azienda condivide o riceve dati da altri soggetti e deve sapere con quali condizioni.

Data governance e ESG

Anche i dati di sostenibilità hanno bisogno di governo. Per rispondere a quale principio guida la data governance in ambito ESG serve un criterio semplice: i dati ESG vanno trattati con lo stesso rigore dei dati finanziari. Questo significa fonti documentate, responsabili per ogni indicatore, metodi di calcolo scritti e tracciabilità del dato fino al documento di rendicontazione. Chi ha già un sistema di governo dei dati lo estende agli indicatori di sostenibilità; chi parte da zero ottiene, passando dall’ESG, un primo caso d’uso per ruoli, definizioni e lineage.

Data governance e intelligenza artificiale

La data governance dell’AI riguarda due domande: quali dati possono alimentare un sistema, e con quali garanzie. I sistemi di intelligenza artificiale infatti usano dati per addestrarsi, per rispondere e per decidere. Per svolgere questo compito nella maniera più limpida possibile, sono necessarie la provenienza dei dati, il livello di riservatezza, la base giuridica per l’uso dei dati personali, la qualità e la tracciabilità, oltre al controllo di chi (persone o agenti automatici) può accedere a quali informazioni.

È solo una parte della governance dell’AI, non tutta: la governance dell’AI comprende anche scelte di investimento, rischi dei modelli, supervisione umana e responsabilità, trattate nella guida all’AI governance. Il punto di contatto è semplice: senza dati governati non c’è AI governabile.

Come si avvia un programma di data governance

Un programma realistico procede per passi brevi, dentro un ambito circoscritto.

Gli errori più comuni

• Trattarla come un progetto IT. Se i ruoli sono assegnati solo all’IT, le funzioni di business non si sentono responsabili e le regole non vengono applicate.
• Partire dagli strumenti. Comprare una piattaforma prima di aver deciso ruoli e definizioni sposta il problema.
• Voler coprire tutto subito. Un programma esteso a ogni dato fin dall’inizio si blocca; uno concentrato su un dominio produce risultati e consenso.
• Nominare responsabili senza mandato. Un data owner che non ha tempo né autorità di decidere è un nome su un organigramma.
• Scrivere politiche che nessuno controlla. Una regola senza verifica periodica decade in pochi mesi.
• Dimenticare la dimensione della fiducia. I dati riguardano persone: clienti, dipendenti, partner. La fiducia digitale e l’etica dei dati sono la ragione per cui le regole vanno spiegate, non solo imposte.

Data governance: cos’è e come si traduce in italiano

Chi cerca cosa si intende per data governance o data governance significato trova una risposta semplice: governare i dati significa decidere, in modo esplicito, chi può fare cosa con quali dati, secondo quali regole e con quali verifiche. La traduzione letterale è governance dei dati, ma nell’uso aziendale italiano si dice quasi sempre data governance, come avviene per molti termini del settore.

Il termine governance da solo indica il sistema di regole, ruoli e controlli con cui un’organizzazione viene guidata e tenuta sotto controllo. Chi vuole l’inquadramento generale trova nella guida alla governance aziendale modelli e normativa. La data governance applica la stessa logica a una risorsa specifica, il dato: stabilisce i diritti di decisione, le responsabilità e i meccanismi di controllo che la riguardano.

Tre elementi la distinguono da un semplice insieme di buone pratiche:

1. Decisioni esplicite. Per ogni dato rilevante è scritto chi decide e chi risponde.
2. Regole condivise. Le definizioni (che cosa è un “cliente attivo”, che cosa è un “ricavo”) sono uniche per tutta l’azienda.
3. Prove. L’azienda deve poter mostrare da dove arriva un dato, chi lo ha toccato e con quali controlli.

Data governance e data management: qual è la differenza

La confusione più frequente è tra data governance e data management. La gestione dei dati (data management) comprende le attività operative: raccogliere, archiviare, integrare, trasformare, rendere disponibili i dati. La governance stabilisce invece le regole e le responsabilità entro cui queste attività si svolgono. Una formula utile: il data management esegue, la data governance decide e verifica.

Le due cose non si separano mai del tutto. Senza data management le regole restano sulla carta; senza data governance le attività sui dati procedono ciascuna per conto proprio, con definizioni e livelli di qualità diversi.

Perché serve la data governance

I vantaggi di un buon governo dei dati sono concreti e si misurano in decisioni, rischi e tempi.

• Decisioni più affidabili. Quando le definizioni sono uniche e la qualità è controllata, direzione e funzioni lavorano sugli stessi numeri.
• Meno rischio di non conformità. Sapere quali dati personali si trattano, dove sono e per quanto tempo si conservano è la base per rispondere a GDPR e controlli interni.
• Meno lavoro di riconciliazione. Una parte del tempo di analisti e controller si perde a capire quale versione di un dato sia quella giusta.
• Basi solide per l’analisi e per l’AI. I modelli analitici e i sistemi di intelligenza artificiale sono affidabili quanto i dati che li alimentano.
• Responsabilità chiare. Quando qualcosa non torna, si sa a chi chiedere e chi deve intervenire.

Il costo dell’assenza è meno visibile ma altrettanto reale: dati duplicati, accessi non motivati, indicatori contestati nelle riunioni, progetti di analisi che ripartono ogni volta dalla pulizia dei dati.

Principi della data governance

I principi della data governance cambiano nelle formulazioni dei diversi framework, ma convergono su pochi punti. Possono servire da traccia per scrivere i principi della propria organizzazione.

1. Responsabilità. Ogni dato rilevante ha un responsabile nominato.
2. Trasparenza. Definizioni, regole e decisioni sono documentate e consultabili.
3. Qualità. Il dato deve essere adatto all’uso: corretto, completo, coerente, aggiornato.
4. Sicurezza e riservatezza. L’accesso è proporzionato al ruolo e il trattamento dei dati personali rispetta la normativa.
5. Standardizzazione. Formati, nomenclature e definizioni sono uniformi tra funzioni e sistemi.
6. Tracciabilità. Si può ricostruire l’origine di un dato e le trasformazioni subite.
7. Etica d’uso. Il dato si usa per finalità legittime e compatibili con la fiducia di clienti, dipendenti e partner.

Il principio è un impegno, non uno slogan: ha valore solo se si traduce in una regola verificabile. “Dati di qualità” diventa, per esempio, una soglia di completezza misurata ogni mese su un insieme di dati con un responsabile.

Chi si occupa della data governance: ruoli e responsabilità

Il responsabile della data governance non è quasi mai una persona sola. È una struttura di ruoli, con diritti di decisione distribuiti.

• Sponsor esecutivo e comitato di governance. Approvano politiche e priorità, risolvono i conflitti tra funzioni. In molte aziende lo sponsor è il responsabile dei dati (chief data officer, quando esiste), il direttore generale o un membro della direzione.
• Data owner. È il responsabile di un dominio di dati: decide chi può accedervi e con quale finalità, e risponde della qualità. Il tema è approfondito nella guida al data owner e alla data ownership.
• Data steward. Cura il dato nel quotidiano: definizioni, regole di qualità, segnalazione e correzione delle anomalie. Ruolo e raccordo con il data owner sono trattati nella guida al data steward.
• Data producer. È chi genera o inserisce il dato nei processi (un commerciale che compila l’anagrafica di un cliente, un operatore di produzione). La qualità nasce qui: se chi produce il dato non conosce le regole, i controlli a valle servono a poco.
• Data custodian. Gestisce l’infrastruttura su cui i dati risiedono (di norma l’IT) e applica le misure di sicurezza.
• Responsabile della protezione dei dati (DPO). Dove previsto dall’articolo 37 del GDPR, sorveglia la conformità sul trattamento dei dati personali.

Cosa fa uno specialista in data governance? Costruisce e fa funzionare questa struttura: scrive le politiche, definisce ruoli e metriche, coordina owner e steward, cura il catalogo e il glossario, prepara le evidenze per audit e controlli. Non è l’unico responsabile dei dati: aiuta le funzioni a esserlo.

Framework di data governance: da dove si parte

Un framework di data governance è la cornice che mette in ordine obiettivi, ruoli, regole, processi e strumenti. Non esiste un modello unico: va adattato a dimensione, settore, rischi e maturità dell’azienda. Il percorso di costruzione è approfondito nella guida al framework di data governance.

Esistono riferimenti riconosciuti a cui ispirarsi. Il più noto è il DAMA-DMBOK, la guida alla gestione dei dati pubblicata da DAMA International, che ne descrive le funzioni (tra cui la governance) e ne è oggi alla seconda edizione. Un framework aziendale se ne serve come repertorio, non come manuale da applicare alla lettera.

Quanto al modello operativo, le scelte ricorrenti sono tre:

Qualunque sia il modello, tre requisiti non cambiano: i diritti di decisione sono scritti, il mandato dello sponsor è reale e le regole si applicano ai processi di lavoro, non solo ai documenti di progetto.

I componenti operativi della data governance

Le politiche funzionano se poggiano su componenti concreti. I principali sono questi.

Metadati, catalogo e glossario

I metadati sono i dati che descrivono i dati: nome, significato, formato, proprietario, origine, livello di riservatezza. Un catalogo dati li raccoglie in un punto di consultazione unico; il glossario aziendale fissa le definizioni condivise dei termini di business. Senza questi due strumenti la stessa parola significa cose diverse nelle diverse funzioni e ogni analisi ricomincia dalla ricerca del significato.

Data lineage

Il data lineage ricostruisce il percorso di un dato: da dove nasce, attraverso quali sistemi e trasformazioni passa, dove viene usato. Serve a capire l’impatto di una modifica, a trovare l’origine di un errore e a dimostrare la provenienza di un numero in un report. La guida al data lineage spiega come si ricostruisce e a che livello di dettaglio conviene fermarsi.

Classificazione dei dati

La data classification assegna a ogni insieme di dati un livello in base a rischio e valore: per esempio pubblico, interno, riservato, particolarmente sensibile. La classificazione guida le altre regole: chi può accedere, come si protegge, per quanto si conserva. Si parte dai dati più critici, senza pretendere di classificare tutto in un giorno, e si assegna a ogni livello un trattamento definito.

Qualità dei dati

La data quality misura quanto un dato sia adatto all’uso. Le dimensioni più usate sono accuratezza, completezza, coerenza, tempestività, unicità e validità. La data quality management le trasforma in un processo: si scelgono i dati critici, si definiscono regole e soglie, si misura con continuità, si assegna a un responsabile la correzione. Misurare senza assegnare la responsabilità produce solo dashboard.

Master data management

Le anagrafiche condivise (clienti, fornitori, prodotti, sedi) sono usate da molti processi e sistemi: se ne esistono versioni diverse, i problemi si moltiplicano. Il master data management definisce per ciascuna anagrafica una versione di riferimento e le regole per crearla e mantenerla. L’approfondimento è nella guida al master data management.

Politiche di data governance

La data governance policy raccoglie in un documento approvato le regole che riguardano accesso, utilizzo, conservazione e cancellazione. Una politica efficace è breve, assegna responsabilità precise e rimanda a procedure operative; la sua forza dipende dal fatto che le persone la conoscano e che i controlli la verifichino.

Data governance, GDPR e Data Governance Act

La data governance non è un obbligo di legge in sé, ma diverse norme richiedono capacità che solo un buon governo dei dati garantisce.

GDPR. Il Regolamento (UE) 2016/679 fissa i principi del trattamento dei dati personali, tra cui liceità e minimizzazione, e il principio di responsabilizzazione: chi tratta i dati deve poter dimostrare di rispettare le regole. Prevede inoltre il registro delle attività di trattamento (articolo 30) e, nei casi indicati, il responsabile della protezione dei dati (articolo 37). Una buona data governance fornisce a queste richieste catalogo, ruoli e prove già pronti.

Data Governance Act. Il Regolamento (UE) 2022/868 del 30 maggio 2022, chiamato anche Data Governance Act o regolamento sulla governance europea dei dati, è un pilastro della strategia europea sui dati: punta a rafforzare la fiducia nella condivisione dei dati e a facilitarne il riuso. Prevede meccanismi per il riutilizzo di alcuni dati del settore pubblico, regole per i servizi di intermediazione dei dati e il cosiddetto altruismo dei dati. Si applica da settembre 2023. Non va confuso con la data governance aziendale: il regolamento definisce regole europee di condivisione, mentre la data governance aziendale organizza ruoli e controlli interni. Le due cose si incontrano quando un’azienda condivide o riceve dati da altri soggetti e deve sapere con quali condizioni.

Data governance e ESG

Anche i dati di sostenibilità hanno bisogno di governo. Per rispondere a quale principio guida la data governance in ambito ESG serve un criterio semplice: i dati ESG vanno trattati con lo stesso rigore dei dati finanziari. Questo significa fonti documentate, responsabili per ogni indicatore, metodi di calcolo scritti e tracciabilità del dato fino al documento di rendicontazione. Chi ha già un sistema di governo dei dati lo estende agli indicatori di sostenibilità; chi parte da zero ottiene, passando dall’ESG, un primo caso d’uso per ruoli, definizioni e lineage.

Data governance e intelligenza artificiale

I sistemi di intelligenza artificiale usano dati per addestrarsi, per rispondere e per decidere. La data governance dell’AI riguarda quindi due domande: quali dati possono alimentare un sistema, e con quali garanzie. Servono provenienza dei dati, livello di riservatezza, base giuridica per l’uso dei dati personali, qualità e tracciabilità, oltre al controllo di chi (persone o agenti automatici) può accedere a quali informazioni.

È una parte della governance dell’AI, non tutta: la governance dell’AI comprende anche scelte di investimento, rischi dei modelli, supervisione umana e responsabilità, trattate nella guida all’AI governance. Il punto di contatto è semplice: senza dati governati non c’è AI governabile.

Come si avvia un programma di data governance

Un programma realistico procede per passi brevi, dentro un ambito circoscritto.

1. Definire il mandato. Obiettivi, sponsor e confini: perché la governance serve e che cosa deve cambiare.
2. Scegliere un dominio prioritario. Clienti, fornitori, dati finanziari o dati ESG: un’area in cui il problema è sentito e misurabile.
3. Nominare i ruoli. Per quel dominio, data owner e data steward con tempo e mandato reali.
4. Fotografare lo stato. Dove stanno i dati, chi li usa, quali definizioni circolano, quali regole esistono già.
5. Scrivere le regole minime. Definizioni, classificazione, regole di qualità e di accesso per i dati critici.
6. Costruire gli strumenti. Glossario, catalogo, tracciabilità, controlli di qualità: con la complessità che il dominio richiede, non di più.
7. Misurare e riferire. Pochi indicatori (dati critici con un responsabile, dati classificati, problemi di qualità chiusi) presentati con cadenza fissa al comitato.
8. Estendere. Si passa al dominio successivo con ciò che si è imparato.

Gli errori più comuni

• Trattarla come un progetto IT. Se i ruoli sono assegnati solo all’IT, le funzioni di business non si sentono responsabili e le regole non vengono applicate.
• Partire dagli strumenti. Comprare una piattaforma prima di aver deciso ruoli e definizioni sposta il problema.
• Voler coprire tutto subito. Un programma esteso a ogni dato fin dall’inizio si blocca; uno concentrato su un dominio produce risultati e consenso.
• Nominare responsabili senza mandato. Un data owner che non ha tempo né autorità di decidere è un nome su un organigramma.
• Scrivere politiche che nessuno controlla. Una regola senza verifica periodica decade in pochi mesi.
• Dimenticare la dimensione della fiducia. I dati riguardano persone: clienti, dipendenti, partner. La fiducia digitale e l’etica dei dati sono la ragione per cui le regole vanno spiegate, non solo imposte.