FAQ – Data Governance

Data Governance to formalne ramy: role (Data Owner, Steward), polityki, definicje metryk, kontrola dostępu i procesy jakości — nie jednorazowe sprzątanie arkuszy. Excel często jest objawem braku governance (shadow reporting), a nie rozwiązaniem. Zacznij od checklisty dojrzałości: /checklista-data-governance/.

Diagnoza i quick wins (mapa systemów, słownik KPI, polityki v1.0) to zwykle kilka–kilkanaście tygodni roboczych, w zależności od liczby systemów i zaangażowania biznesu. Pełny program z MDM i katalogiem enterprise to projekt wielomiesięczny. Wycena po audycie AS-IS — orientacyjnie omawiamy na konsultacji: /oferta/data-governance/.

RODO nie używa słowa „Data Governance”, ale wymaga m.in. rozliczalności, minimalizacji, bezpieczeństwa i dokumentacji przetwarzania. DG pomaga to spiąć z danymi operacyjnymi i analitycznymi (klasyfikacja, retencja, lineage). DPO i Data Owner powinni współpracować — to nie ten sam zakres.

Pierwsze quick wins (wspólna definicja 5–10 KPI, mapa źródeł, właściciele danych, podstawowe reguły jakości) często widać w 4–12 tygodni. Pełna dojrzałość to proces ciągły, nie projekt z datą zamknięcia.

Bo to zwykle różne definicje (sesja vs zamówienie), strefy czasowe, zgody cookies, opóźnienia przetwarzania i brak jednego transaction_id między systemami. DG w analityce zaczyna od business glossary metryk i mapy lineage raportu — przewodnik: /przewodnik-data-governance/#analityka-marketingowa.

Business glossary tłumaczy terminy biznesowe (np. „aktywny klient”, „konwersja”) na pola w systemach i raportach. Nie zastępuje implementacji GA4/GTM, ale mówi analitykom i marketingowi tę samą definicję. Uzupełnia Measurement Plan i dokumentację tagów.

Gdy eksportujesz surowe dane z GA4 lub innych źródeł do BigQuery i budujesz własne modele (SQL, dbt, Looker/PBI). Wtedy governance obejmuje nazewnictwo tabel, testy jakości, retencję i uprawnienia IAM — bez tego hurtownia szybko staje się „jeziorem danych”.

Modele ML i LLM w firmie potrzebują zaufanych, opisanych i aktualnych danych (garbage in, garbage out). DG definiuje źródła treningowe, klasyfikację PII, DPIA i odpowiedzialność za jakość. To warunek sensownego użycia AI w raportowaniu i automatyzacji.

Nie. Wiele firm zaczyna od Notion/Confluence + arkusza RACI + reguł jakości w istniejących pipeline’ach. Katalog enterprise (Collibra, Atlan, Alation, DataHub, OpenMetadata) ma sens przy dużej liczbie zespołów i systemów — po ustabilizowaniu procesów, nie na start.

Katalog opisuje techniczne zasoby (tabele, kolumny, pipeline’y, właścicieli technicznych). Glossary opisuje znaczenie biznesowe terminów i mapuje je na pola. Oba się uzupełniają; bez glossary katalog jest tylko „inwentarzem baz”.

Golden record to jedna, zatwierdzona wersja encji (klient, produkt) złożona z wielu systemów. Potrzebny przy duplikatach w CRM/ERP/e-commerce i rozjazdach raportów. Słownik typów ID: /slownik-identyfikatorow/ — punkt startowy przed MDM.

Data Owner (zwykle z biznesu) odpowiada za definicję i priorytety danych w domenie (np. produkt, klient). Data Steward operacyjnie dba o jakość, dokumentację i eskalacje. Bez Ownera Steward nie ma mandatu do zmian w procesach.

Nie ma wymogu prawnego, ale regularne forum (np. miesięczne) z biznesem, IT, analityką i DPO rozwiązuje konflikty definicji KPI i priorytety napraw jakości. Bez rytmu spotkań governance zwykle „wygasa” po pierwszym projekcie.

Użyj modelu dojrzałości: polityki, jakość (KPI completeness/accuracy), metadane, MDM, security, kultura. Checklista na stronie daje wynik 0–100% i rekomendacje per kategoria. Powtarzaj pomiar co kwartał.

Ścieżka: (1) checklista dojrzałości, (2) 5–10 wspólnych definicji KPI marketingowych, (3) mapa systemów GA4–CRM–sklep, (4) audyt zgód Consent Mode. Hub zasobów: /zasoby-data-governance/.