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.

Meta data wordt ingebed in een complexe inrichting van verschillende informatiesystemen en tools. Enerzijds als data producent en als consument en als meta data register. Rond dit register zal data integratie tussen, producent- en consumentsystemen noodzakelijk zijn omdat het up to date houden van de meta data zonder deze data integratie zeer arbeidsintensief en tijdrovend zal zijn. Daarnaast dient de meta data aanwezig in het meta data register op interactieve wijze beschikbaar gesteld te worden aan de vele betrokkenen rond het werkveld meta data via een (web)userinterface. Gezien de complexiteit van bovenstaande inrichting is een solution architectuur hierbij een randvoorwaarde.

Bijvoorbeeld security en privacy officers, hebben behoefte aan het ontsluiten van specifieke onderdelen van de meta data. Met name bijvoorbeeld security en privacy classificaties en maatregelen om risico’s rond deze aspecten te verminderen. Het is een relatief kleine groep stakeholders met specifieke wensen, echter zij zullen veelal bereid zijn om te investeren in het analyseren van deze specifieke aspectmodellen.

Er wordt een data management kennisgebied gekozen en rond dit gekozen kennisgebied wordt de strategie geevalueerd op basis van relevante meta data. Met andere worden welke meta data is voor dit kennisgebied om dit ten behoeve van de strategie te ondersteunen.

Verkrijgen, implementeren en onderhouden van meta data is een arbeidsintensief proces. Echter de gewenste kwaliteitsniveau van het metamodel voor een bepaald kennisgebied dient daartoe bekend te zijn. Daarom dient er een data kwaliteitsproces doorlopen te worden om te bepalen wat het kwaliteitsniveau is en met welke maatregelen die kwaliteitsniveaus gerealiseerd en onderhouden worden.

Voor het geselecteerde kennisgebied wordt bepaald wat het meta meta model is. Met andere woorden wat is het (data)model op basis we waarvan we de meta data van dat kennisgebied gaan vastleggen. In onze situatie wordt hierbij veelal gekozen voor een bestaande modelleerwijze, wat feitelijk ook weer een meta datamodel heeft, zoals ArchiMate, UML en ER modellering). Onder dit meta model dient desgewenst een detaillering van het metamodel opgesteld te worden. Dit betekent dat van het metamodel een logisch- en een fysiek data model opgesteld wordt.

Uitgewerkt Conceptueel data model in een (meta data) register in een voor de stakeholders toegankelijke representatie.

Concepten bepalen de opbouw van het metamodel en kennen een paar abstracte concepten van specialiseren naar verschillende modelleertalen maar ook naar kennisgebieden in de metadata. Er wordt bijvoorbeeld een conceptueel datamodel uitgewerkt op basis van Meta Data Management op basis van het DMBoK. Concepten kunnen aggregaties bestaande uit andere concepten van hetzelfde concepttype maar ook van een ander concepttype. Bijvoorbeeld een UML Klasse entiteit bestaat uit Eigenschappen van het Concepttype Attribute en het Concepttype Operatie.

Met name de eigenaar is eindverantwoordelijk voor de data entiteiten en de meta data die van de verschillende kennisdomeinen wordt vastgelegd. Dit is een relatief kleine groep met een grote mate van betrokkenheid. Je mag dan ook verwachten dat zij bereid zijn om de verschillende modellen te analyseren en te interpreteren. Desgewenst zijn zij bereid om trainingen te volgen op dit vlak.

Meta data is omvangrijk en relatief complex. Echter meta data ter ondersteuning van de andere bedrijfsfuncties gebaseerd op data management is direct gerelateerd aan de kwaliteiten van deze data. Dat betekent dat er een kwaliteitsinventarisatie opgesteld dient te worden van de gewenste datakwaliteiten gebaseerd op het reeds gedefinieerde Voorbeeld datakwaliteitsmodel.

Iteratief onderhoud de data modellen naar aanleiding van de veranderingen in de organisatie en houdt dit in sync met de meta data in de organisatie.

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.

Definiëren van de doelen strategie voor de Voorbeeld organisatie. Activiteiten

• definiëren van de gewenste vaardigheden met name voor de data owners en -stewards.
• Definiëren van de relevante kennis gebieden voor de Voorbeeld organisatie.
• Opstellen van profielen voor data governance betrokkenen.
• Inrichten van de registratie voor de diverse deliverables zoals principes, kaders.
• Bepalen van de meta data.
• Iteratief bepalen data management maturity op basis van een scan.

Meta data dient begrip te introduceren over de verschillende data management kennisgebieden. Dit wordt gedaan door vanuit meta data eisen, definities, en conventies te verstrekken aan deze kennisgebieden. Dus voor bijvoorbeeld data modellering, - governance en -architectuur wordt het meta data model bepaald en dit wordt vervolgens uitgewerkt ter ondersteuning van deze data management kennisgebieden. Met name begrippen in het conceptuele data model zijn in deze daarom randvoorwaardelijk en feitelijk het organisatie specifieke raamwerk (begrippenboom/conceptueel model) op basis waarvan het metamodel de andere kennisgebieden uitwerkt.

Is een specialisatie van een concept en beschrijft daarmee een aantal aspecten van een entiteit

• De reden en motivatie van de entiteit
• Kenmerken van de entiteit
• Sjabloon van de entiteit

Entiteiten zijn een specialisatie van een concept maar zijn zelf ook abstract waarvoor voor metadata kennisgebieden specialisaties zijn geintroduceerd. Er is een voorbeeld uitgewerkt voor meta data management entiteiten als specialisaties van dit element.

Een groep stakeholders die diepgaande kennis heeft van (standaard) informatiesystemen en het onderliggende datamodel inclusief de door de leverancier gebruikte objecten en hun definities. Zij zullen in staat zijn om ook meer complexe modellen van de meta data te interpreteren.

Inrichten van de data management governance met rollen, profielen en activiteiten en verantwoordelijkheden van de data governance rollen. De belangrijkste rollen in deze zijn de data eigenaar en - steward. Activiteiten

• Inrichten van de registratie voor de diverse deliverables zoals principes, kaders.
• Bepalen van de meta data
• Opstellen en onderhouden van het bedrijfsobjecten model (business glossary)
• Iteratief uitvoeren data management maturity op basis van een scan.
• Implementeren van de data management roadmapT

Vanuit data governance perspectief dient meta data governance uitgewerkt. Hierbij kan enerzijds het generieke data governance en het data kwaliteit werkproces geimplementeerd worden. Echter dan specifiek voor de meta data.

Managen, registreren, ontwikkelen en beheren van metadata is de definitie. Eenvoudig gezegd is meta data data over de data, met andere woorden het toevoegen van context aan de data vanuit het perspectief van data management kennisgebieden. Hieruit blijkt dat meta data een zeer breed begrip is en alle kennisgebieden, bedrijfsprocessen en -functies raakt. Dat maakt dat we meta data dienen te classificeren. In deze uitwerking koppelen we daarom rechtstreeks aan de verschillende onderdelen van met Voorbeeld Data Management raamwerk en meta data definieren vanuit de verschillende raamwerken. Dus voor iedere uitwerking wordt meta data gedefinieerd en voor deze kennisgebieden wordt vanuit meta data management een modelleer- en naamgevingsconventie gedefinieerd.

Managen, registreren, ontwikkelen en beheren van metadata.

Meta data is dat over data en voegt daarmee context toe voor de vanuit data management specifieke data. Dit ter ondersteuning van de andere kennisgebieden.

Meta data in algemene zin, alle data over de data ter ondersteuning van alle betrokkenen met betrekking tot data.

Meta data heeft een complexe structuur en wordt geproduceerd en beheerd binnen een veelheid binnen de organisatie aanwezige informatiesystemen. Bijvoorbeeld in CMDB, data warehouses, data integratie platformen, tools voor data warehousing en data integratie en project management en agile ondersteunende tooling. Verzamelen van deze data in de meta data inrichting vanuit deze verschillende informatiesystemen, beheren en onderhouden van deze data en het ontsluiten van data via API's is daarmee een belangrijk onderdeel van meta data. Gezien de hoeveelheid aan data en de complexiteit van de data is een geautomatiseerde uitwisseling daarmee een noodzakelijk aspect van meta data.

Modelleer conventies en naamgevingsconventies vanuit meta data betrekking hebbend op alle relevante data management kennisgebieden.

Binnen wikipedia wordt voor meta data de volgende definitie gegeven: Metadata zijn gegevens die de karakteristieken van bepaalde gegevens beschrijven. Het zijn dus eigenlijk data over data. Deze definitie is krachtig in haar eenvoud. Vaak wordt van meta data gezegd dat meta data context toevoegt aan data. Het is hierbij van belang welke context dat is. Zo kun je voorstellen dat de meta data van een boek een andere context geeft dan bijvoorbeeld een foto in JPEG formaat of een tabel in een relationele database. In dit whitepaper is de context van de meta data enterprise data management. Dat betekent dan ook dat we data gaan verzamelen over data entiteiten vanuit het perspectief van data management om context toe te voegen aan deze data entiteiten. Voor data management is een internationaal raamwerk aanwezig name het Data Management Body of Knowledge ontwikkeld door DaMa.org. In dit whitepaper geldt dit raamwerk als startpunt voor ons model. In de volgende paragraaf wordt het DMBoK kort toegelicht.

In deze viewpoints worden de verschillende notatiewijzen beschreven waarmee de data catalogus kan worden opgebouwd. Het is initieel gebaseerd op vier hoofdelementen maar kan eenvoudig worden uitgebreid. De elementen zijn:

• Data Management
• Conceptueel model
• Logisch model
• Fysiek model

Uitbreidingen waar je aan kunt denken zijn bijvoorbeeld Data Security, Privacy maar ook aan interfaces zoals webservices, webapi's NoSQL etc. Indien deze later binnen de community relevant blijken te zijn dan worden deze alsnog uitgewerkt

Het data model behorend bij de meta data. Ook hier is vanzelfsprekend een data model op te stellen.

Aggregatie van de verschillende registers, administratie en metamodellen voor data management (kennisgebieden).

Binnen een data gedreven organisatie is de meta data de data die feitelijk de data in alle kennisgebieden beschrijft vanuit het perspectief van data management en het gebruik van data beschrijft, verklaart en inzichtelijk maakt. Dit betekent dat de meta data ontsloten en beschikbaar gemaakt dient te worden voor alle stakeholders binnen- en buiten de organisatie op een eenvoudige en eenduidige wijze.

Bepalen van generieke data entiteiten en bepalen van de mate van consistentie ten opzichte van de aanwezige applicaties.

Bepaald actualiteitsbehoefte en –aanbod en registreer dit.

Meta Metamodel is een model van het model van de metadata. Daarmee komen we op een ietwat abstract beeld van data vanuit het perspectief van meta data management. Echter wel een belangrijk beld en veelal een startpunt van het in kaart brengen welk zichtpunt op data is belabngrijk voor onze stakeholders binnen en buiten de eigen organisatie.

Het metamodel is uitgewerkt op basis van het DMBoK raamwerk. Echter dit raamwerk is in ontwikkeling. Dit houdt in dat een deel van het raamwerk wel uitgewerkt is en de anderen nog niet. Metadata is daarmee ondersteunend naar de overige data management kennisgebieden. Voor het werken met meta data geldt een whitepaper over de modelleerwijzen rond metadata.

Data strategie voor het creëren van waarde met data gebaseerd op de Voorbeeld organisatie strategie in de algemeenheid. Activiteiten

• Inrichten overlegstructuren en werkgroepen binnen data governance.
• Bepalen van relevante standaarden en frameworks.
• Inrichten van de registraties voor meta data van data governance

Welke betrokkenen zijn relevant voor de meta data van het geselecteerde kennisgebied. Houdt er rekening mee dat dit zowel betrokkenen voor de bedrijfsfunctie van meta data zijn als ook de leveranciers en consumenten van deze meta data zijn.

Uitgebreid model is feitelijk de kapstok van meta data management en het in kaart brengen wat relevant is. De package structuur beschrijft de indeling van de verschilllende meta data modellen.

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.

Introductie van meta data op basis van het begrip context

Meta Data Modelleren als repository

Data management avondseminar

Meta Data Repository webvideo

Welkom bij Meta Data Management

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.

Dit is een algemeen conceptueel metamodel en het startpunt van verschillende detailleringen voor metamodellen die ingezet worden binnen meta data. Er zijn detailleringen die als kapstok gelden voor de uitwerkingen die wij relevant achten voor de uitwerking van meta data management.

In de prioritering is aangegeven welke kennisgebieden binnen Voorbeeld als eerste uitgewerkt worden. De elementen met de hoogste prioriteit zijn benoemd als kaderstellend en een initiëleële inrichting. Meta data is in deze feitelijk de administratieve registratie van alle andere kennisgebieden en dient daarmee gelijk op te lopen met de andere prioritering uitwerkingen. Er is de mogelijkheid gedefinieerd om elementen als niet relevant te definiëren met (geen actie). Daar is nu nog niet in voorzien.

Een voorbeeld van een hiërarchie van de entiteiten in het conceptuele datamodel. Deze afbeelding is een weergave specifiek voor het gebruikte modelleertool. Echter ook andere modelleertools zullen een dergelijke weergave kennen. Het voorbeeld is uitgewerkt in ArchiMate, deze modelleertaal bestaat uit een gestereotypeerde graaf waarin op eenvoudige wijze te zien is welke verbanden er zijn tussen de concepten op basis van verschillende soorten associaties, zoals specialisatie, aggregatie en een associatie. De concepten zijn in dit voorbeeld uitgewerkt als ArchiMate business objecten Kenmerken Het conceptueel model (begrippenlijst en begrippenboom) heeft de volgende kenmerken:

• Krachtige notatiewijze waarin begrippen op eenvoudige wijze aan elkaar gerelateerd kunnen worden
• Eenvoudig toepasbaar bij gebruik voor stakeholders zonder modelleerervaring
• Kan goed gebruikt worden in interactieve workshops
• Toepasbaar op hoge abstractie niveaus, voornamelijk conceptueel
• Goed eerste startpunt bij een top down benadering van een objectmodel
• Goed model om discussie op gang te brengen tussen domeinexperts
• Belangrijk hulpmiddel bij het opstellen van datamodellen bij ketenintegraties
• Hiërarchieën kunnen complex worden als er veel generalisaties worden gebruikt

Toepassingen Conceptuele datamodellen worden vooral toegepast op een hoog abstractieniveau van datamodellering. Het biedt een goed startpunt voor het in kaart brengen van het gegevensdomein. In complexe domeinen is de begrippenboom een goed startpunt om te komen tot een gezamenlijk domeinmodel waarbij de begrippen de hoogste hiërarchie omvatten. Houdt er rekening mee dat ondanks de eenvoud van de notatiewijze het opstellen van een conceptueel model een complex traject kan zijn, zeker bij een complex domein of binnen een organisatiecontext waar rond datamodellering weinig volwassenheid is. Gerelateerde domeinen Gezien het hoge abstractieniveau van het conceptueel model is het een centraal model voor meta data. In onze drie bij drie matrix zijn alle andere domeinen op enigerlei wijze gerelateerd aan het conceptueel datamodel Binnen ArchiMate is in het voorbeeld met behulp van business objects een begrippenboom opgesteld. Deze objecten worden vervolgens als koppelpunt naar bijvoorbeeld bedrijfsprocessen of -functies ingezet. Ook wordt de begrippenboom veelvuldig gecombineerd met een Logisch Data Model. Hiermee ontstaat een hybride datamodel waarbij de begrippenboom als startpunt dient op een hoog abstractieniveau en logisch datamodel de detaillering van deze begrippen uitwerken in de klassen, attributen en associaties.

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.

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 referentie- en master data in relatie tot meta data en data kwaliteit..

Dit diagram is een viewpoint voor het uitwerken van een conceptueel datamodel.Dit viewpoint geeft aan welke soorten objecttypen en connectortypen gebruikt kunnen worden binnen het opstellen van een conceptueel data model. Voor het conceptueel datamodel gelden een paar uitgangspunten:

• Conceptueel data model is voor meerdere stakeholders(ook niet-ICTers en dient eenvoudig van opzet te zijn.
• Conceptueel data model is uitgewerkt in ArchiMate (business layer).
• Voor het conceptueel data model wordt alleen het stereotype Business Object gebruikt.
• Het conceptuele model heeft een hierarchische structuur gebaseerd op domeinen.
• Voor een domein kunnen als dit de complexiteit verlaagd meerdere diagrammen gemaakt worden.
• Het conceptuele model wordt gerelateerd aan het logische data model. Zie hiervoor het hybride meta datamodel.
• Hetconceptuele model kan gerelateerd worden aan bijvoorbeeld de andere data management business functies binnen Voorbeeld.

Dit diagram is een viewpoint voor het uitwerken van een logisch datamodel.Dit viewpoint geeft aan welke soorten objecttypen en connectortypen gebruikt kunnen worden binnen het opstellen van een logisch data model. Voor het logisch datamodel gelden een paar uitgangspunten:

• Logisch data model is voor alle stakeholders (ICTers en niet-ICTers en dient begrepen te worden door alle stakeholders na een toelichting van het metamodel.
• Logisch data model is uitgewerkt in UML Class Modeling.
• Voor het logisch data model wordt alleen de stereotypen Class en Enumeratie gebruikt.
• Het logisch model heeft een hierarchische structuur gebaseerd op abstracte en concrete entiteiten met een specialisatie connector.
• Voor een logisch domein kunnen als dit de complexiteit verlaagd meerdere diagrammen gemaakt worden.
• Het logische model wordt gerelateerd aan het bovenliggende conceptuele model en aan de onderliggende fysieke datamodellen. Zie hiervoor het hybride meta datamodel.

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 meta data.

Meta data wordt zoals reeds beschreven, geproduceerd, gebruikt en geinterpreteerd binnen alle activiteiten binnen de organisaties. Echter rond de bedrijfsfunctie van meta data in de organisatie zijn er een aantal specifieke groepen aan te wijzen in de organisatie. in de werkzaamheden van deze groepen wordt meta data geproduceerd 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 geintergreerd dienen te worden. In het diagram omtrent de betrokken is dit inzichtelijk gemaakt door een aantal rollen binnen een groep van betrokkenen. Houd er rekening mee dat meta data relevant is voor alle stakeholders. Hier zijn alleen de direct betrokkeken die meta data direct gebruiken en produceren in dit model opgenomen.

Voor meta data management kan een raamwerk uitgewerkt worden. Met dit raamwerk wordt een registratie gedefinieerd voor de verschillende data management kennisgebieden. Dit raamwerk bestaat veelal uit een groeimodel en is specifiek voor iedere organisatie. Enerzijds vanwege de structuur van de organisatie en anderzijds door de volwassenheid van de organisatie op het vlak van data management. In onderstaande afbeelding zie je een drie bij drie matrix waarin een beperkt aantal kennisgebieden zijn gedefinieerd. Deze matrix zal als indeling gelden voor de rest van dit whitepaper. In de afbeelding worden drie categorieën voor kennisdomeinen genoemd namelijk beschrijvend, kaderstellend en omgeving. De onderwerpen binnen deze domeinen kunnen beschouwd worden als een startpunt voor het uitwerken van meta data management vanuit het perspectief van data management. Dit gaan we doen door voor ieder onderwerp een aantal modelleerwijzen te introduceren waarmee de stakeholders zich op eenvoudige wijze een adequaat beeld kunnen vormen van de situatie van dit meta data onderwerp. In de afbeelding zijn naast de negen kennisdomeinen een viertal pijlen opgenomen. Deze pijlen geven aan dat de kennisdomeinen met elkaar verbonden dienen te zijn. Hierbij neemt het beschrijvende model een centrale plaats in, meer specifiek het conceptueel model. De entiteiten in dit model fungeren feitelijk als centraal koppelpunt voor alle andere aspectgebieden. In de volgende hoofdstukken zullen we van ieder onderwerp een beschrijving geven van een registratie. Echter deze registratie doen we op basis van een aantal gestandaardiseerde modelleertechnieken zoals ArchiMate, UML Klasse diagrammen en ER Diagrammen. Ook hierbij is het uitgangspunt van een startpunt gebruikt. Bij een verdere uitwerking van het meta data model is het desgewenst eenvoudig mogelijk om extra modelleertechnieken toe te voegen.

UItwerking van het meta data proces dat gevoed wordt door bepaalde data vanuit velerlei bronnen dit wordt vervolgens binnen de meta data functie getrasnformeerd naar een model vanuit de verschillende data management kennisgebiedent. 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 de definities en de doelen van data kwaliteit. Daarnaast een uitwerking van het model van de data kwaliteiten op basis van technische implementaties, werkproces en werkinstructies voor de betrokkenen binnen de ondersteunende informatiesystemen en processen.

Overzicht van de definities en de doelen van data kwaliteit. Daarnaast een uitwerking van het model van de data kwaliteiten op basis van technische implementaties, werkproces en werkinstructies voor de betrokkenen binnen de ondersteunende informatiesystemen en processen.

Eenvoudig stappenplan hoe data kwaliteitsissues in een gestructureerde opzet opgelost kunnen worden met behulp van maatregelen en releases.

In dit scenario werkt het (meta) masterdataregister samen met de verschillende meta dataproducerende applicatiefuncties. Dit betekent dat wanneer gegevens in een van de systemen worden gewijzigd, deze wijzigingen worden gedeeld tussen alle samenwerkende applicatiefuncties. Daarom is de integratie tussen deze dataproducenten essentieel in dit scenario Een interessant scenario hierbij is dat het Dataregister alleen als sleutelarchief of sleutelkast wordt gebruikt en de detailgegevens in de andere bronsystemen worden bewaard. Voordelen:

• Gegevens worden rechtstreeks uit bronsystemen verzameld en zijn dus altijd nauwkeurig en realtime.
• Gegevens kunnen in de bronsystemen worden opgeslagen in een specifiek formaat dat de bedrijfsprocessen binnen deze systemen ondersteunt
• Verschillen in beschikbaarheid tussen consumenten en bronnen kunnen worden opgevangen door het Dataregister
• Hergebruik van schermen, workflows en validaties in de bronsystemen
• Datastandaardisatie binnen het Dataregister
• Introductie van een sleutelkast of sleutelkast.

Nadelen:

• Het beheren van de synchronisatie tussen systemen is extra werk en complexiteit.
• Replicatie van gegevens
• Complexe datatransformaties van bronnen naar register en terug

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.

Meta data is dat over data en voegt daarmee context toe voor de vanuit data management specifieke data. Dit ter ondersteuning van de andere kennisgebieden.

Binnen wikipedia wordt voor meta data de volgende definitie gegeven: Metadata zijn gegevens die de karakteristieken van bepaalde gegevens beschrijven. Het zijn dus eigenlijk data over data. Deze definitie is krachtig in haar eenvoud. Vaak wordt van meta data gezegd dat meta data context toevoegt aan data. Het is hierbij van belang welke context dat is. Zo kun je voorstellen dat de meta data van een boek een andere context geeft dan bijvoorbeeld een foto in JPEG formaat of een tabel in een relationele database. In dit whitepaper is de context van de meta data enterprise data management. Dat betekent dan ook dat we data gaan verzamelen over data entiteiten vanuit het perspectief van data management om context toe te voegen aan deze data entiteiten. Voor data management is een internationaal raamwerk aanwezig name het Data Management Body of Knowledge ontwikkeld door DaMa.org. In dit whitepaper geldt dit raamwerk als startpunt voor ons model. In de volgende paragraaf wordt het DMBoK kort toegelicht.

In deze viewpoints worden de verschillende notatiewijzen beschreven waarmee de data catalogus kan worden opgebouwd. Het is initieel gebaseerd op vier hoofdelementen maar kan eenvoudig worden uitgebreid. De elementen zijn:

• Data Management
• Conceptueel model
• Logisch model
• Fysiek model

Uitbreidingen waar je aan kunt denken zijn bijvoorbeeld Data Security, Privacy maar ook aan interfaces zoals webservices, webapi's NoSQL etc. Indien deze later binnen de community relevant blijken te zijn dan worden deze alsnog uitgewerkt

Meta Metamodel is een model van het model van de metadata. Daarmee komen we op een ietwat abstract beeld van data vanuit het perspectief van meta data management. Echter wel een belangrijk beld en veelal een startpunt van het in kaart brengen welk zichtpunt op data is belabngrijk voor onze stakeholders binnen en buiten de eigen organisatie.

Het metamodel is uitgewerkt op basis van het DMBoK raamwerk. Echter dit raamwerk is in ontwikkeling. Dit houdt in dat een deel van het raamwerk wel uitgewerkt is en de anderen nog niet. Metadata is daarmee ondersteunend naar de overige data management kennisgebieden. Voor het werken met meta data geldt een whitepaper over de modelleerwijzen rond metadata.

Uitgebreid model is feitelijk de kapstok van meta data management en het in kaart brengen wat relevant is. De package structuur beschrijft de indeling van de verschilllende meta data modellen.