Door de wereldwijde data management community (dama.org) is in de afgelopen jaren een model ontwikkeld in de Data Management Body of Knowledge (DMBoK). Dit is een praktisch uitgewerkt raamwerk met elf kennisgebieden. Hieronder een visuele representatie van het raamwerk en een korte definitie van ieder kennisgebied.  

• Data Governance: Is het uitvoeren van controle en beheer omtrent het beheer van data assets. Data Goverance stuurt alle andere dataprocessen
• Data architectuur: Managen, ontwikkelen en beheren van de requirements en principes rond data
• Data modelleren: Is het ontdekken, analyseren en beschrijven van data requirements in de vorm van gestandaardiseerde modellen die een data structuur beschrijven
• Data storage en operations: Ontwerp en implementatie van data opslag en -persistentie
• Data security: Activiteiten rond de bescherming van informatie en data door autorisatie, authenticatie, toegang, auditing
• Data integratie en interoperabiliteit: Managen van het transport en consolidatie van data tussen informatiesystemen en organisaties
• Document- en content management: Managen en (levensloop)beheer van alle soorten data inclusief documenten en content
• Reference en Master Data: Managen van generieke en algemene (herbruikbare) data en referentie data (codelijsten e.d.)
• Datawarehousing en BI: Planning, ontwikkeling en beheer van activiteiten voor het samenstellen van data ter ondersteuning van besluitvorming en kenniswerkers
• Meta Data: Managen, ontwikkelen en beheren van metadata.
• Data kwaliteit: Activiteiten voor kwaliteitsmanagement van data assets zodat het geschikt is voor gebruik en voldoet aan de wensen van de data consumenten

In het DMBoK is meta data een separaat kennisgebied en is in detail uitgewerkt. Hiermee kunnen we de verschillende data entiteiten binnen een organisatie in de context van de afzonderlijke data management kennisgebieden plaatsen.

Begeleiden van de andere data management functie zoals onder andere data architectuur, data management en data kwaliteit activiteiten. Activiteiten

• Toegankelijk maken van de data governance registers zoals metadata, RASCI matrix en kaders en roadmap voor alle stakeholders.
• Aansturen van de data management processen zoals data kwaliteit, data modelleren.
• Communicatie over data (kwaliteits) issues en te nemen maatregelen (binnen de roadmap).
• Ondersteunen, evalueren en valideren bij het relevante data management kennis gebied zoals SIPOC, betrokkenen, profielen en producten per kennis gebied.

Het kennisgebied data kwaliteit gaat in op welke wijze een organisatie kan zorgdragen voor data met voldoende kwaliteit afhankelijk van de context. Dit heeft daarmee raakvlakken met onder andere data modelleren, - governance en - architectuur.

Data modelleren is een kennisdomein binnen data management dat tot het data fundament behoort. Er worden meerdere data modelleerlagen uitgewerkt en toegelicht. Het heeft een nauwe relatie met data governance, data kwaliteit en architectuur.

Is het ontdekken, analyseren en beschrijven van data requirements in de vorm van gestandaardiseerde modellen die een data structuur beschrijven.

Is het ontdekken, analyseren en beschrijven van data requirements in de vorm van gestandaardiseerde modellen die een data structuur beschrijven.

In het beschrijvend model worden een aantal data modellen uitgewerkt van abstract (conceptueel model) naar technisch platform specifiek (fysiek model). Dit model is feitelijk het centrale model voor meta data waaraan de andere domeinen gekoppeld zijn.

Opstellen van kaders en richtlijnen rond het ontwikkelen en onderhouden van data modellen. Denk aan zaken zoals:

• Gekozen modelleertalen
• Modelleerconventies
• Naamgevingsconventies
• Bepalen van de domeinstructuur
• Publicatie- en communicatievormen

Opstellen drielaags data model voor referentie data items inclusief het toepassen van data model patronen voor referentie data

Werk de beschrijving en de kaders uit voor de verschillende data management kennisgebieden binnen het domein. Essentieel voor deze uitwerking zijn Data Kwaliteiten, Data Modelleren en Meta Data. Desgewenst kunnen andere kennisgebieden zoals Data Integratie, Master en Reference Data, Data Ware Housing en Data Operations.

Meta Data Modelleren als repository

Op basis van een SIPOC model wordt een globaal overzicht gegeven van de doelen, de definities en de data management processen in de organisatie In dit diagram zie je een detaillering van de activiteiten en de doelen van data modelleren in relatie tot meta data en data kwaliteit..

Data modelleren formaliseert, kennis en interpretatie van data. Echter rond de bedrijfsfunctie van data modelleren zijn er een aantal specifieke groepen aan te wijzen in de organisatie. in de werkzaamheden van deze groepen wordt data modellen geproduceerd met een verschillende mate van detail. Veelal zijn deze modellen gerelateerd aan de implementatie binnen een IT voorziening zoals databases, applicaties data ware house en koppelvlakken. Hi erbij zie je dat vanuit de scope van een project de verschillende deliverables rond data modelleren voor die scope worden uitgewerkt voor hun interne bedrijfsprocessen echter ook de andere groepen die meta data die gebruik maken van meta data van andere meta data producenten brengen met zich mee dat de meta data van de verschillende kennisgebieden met elkaar In het diagram omtrent de betrokken is dit inzichtelijk gemaakt door een aantal rollen binnen een groep van betrokkenen. Houd er rekening mee dat data modellen relevant zijn voor alle stakeholders. Data modellen zijn daarmee een direct onderdeel geworden van de meta data uitwerking.

Overzicht van data modelleren met een onderliggende uitsplitsing van de verschillende data modellen en de bijbehorende activiteiten.

Op basis van een SIPOC model wordt een globaal overzicht gegeven van de doelen, de definities en de data management processen in de organisatie In dit diagram zie je een detaillering van de activiteiten en de doelen van data modelleren in relatie tot meta data en data kwaliteit..

Data modelleren formaliseert, kennis en interpretatie van data. Echter rond de bedrijfsfunctie van data modelleren zijn er een aantal specifieke groepen aan te wijzen in de organisatie. in de werkzaamheden van deze groepen wordt data modellen geproduceerd met een verschillende mate van detail. Veelal zijn deze modellen gerelateerd aan de implementatie binnen een IT voorziening zoals databases, applicaties data ware house en koppelvlakken. Hi erbij zie je dat vanuit de scope van een project de verschillende deliverables rond data modelleren voor die scope worden uitgewerkt voor hun interne bedrijfsprocessen echter ook de andere groepen die meta data die gebruik maken van meta data van andere meta data producenten brengen met zich mee dat de meta data van de verschillende kennisgebieden met elkaar In het diagram omtrent de betrokken is dit inzichtelijk gemaakt door een aantal rollen binnen een groep van betrokkenen. Houd er rekening mee dat data modellen relevant zijn voor alle stakeholders. Data modellen zijn daarmee een direct onderdeel geworden van de meta data uitwerking.

UItwerking van het meta data proces dat gevoed wordt door bepaalde data vanuit velerlei bronnen dit wordt vervolgens binnen de meta data functie getransformeerd naar een model vanuit de verschillende data management kennisgebieden. Deze data wordt geproduceerd door een (data) leverancier) en wordt vanuit het meta data proces verzonden naar de meta data consumeren informatiesystemenen ontsloten voor data consumenten (stakeholders) via een (web) gebruikersinterface.

Overzicht van data modelleren met een onderliggende uitsplitsing van de verschillende data modellen en de bijbehorende activiteiten.

Het kennisgebied data kwaliteit gaat in op welke wijze een organisatie kan zorgdragen voor data met voldoende kwaliteit afhankelijk van de context. Dit heeft daarmee raakvlakken met onder andere data modelleren, - governance en - architectuur.

Data modelleren is een kennisdomein binnen data management dat tot het data fundament behoort. Er worden meerdere data modelleerlagen uitgewerkt en toegelicht. Het heeft een nauwe relatie met data governance, data kwaliteit en architectuur.

In het beschrijvend model worden een aantal data modellen uitgewerkt van abstract (conceptueel model) naar technisch platform specifiek (fysiek model). Dit model is feitelijk het centrale model voor meta data waaraan de andere domeinen gekoppeld zijn.