Tilbage til bloggen
Risiko og governance

Data Governance: Frameworks, bedste praksis og implementering

Data governance er det sæt af roller, politikker og processer, der afgør, hvem der kan træffe beslutninger om en organisations data, og ud fra hvilke regler. Det kan virke en smule abstrakt, indtil et tilsyn, en kunde eller selve bestyrelsen stiller et enkelt spørgsmål, som ingen kan svare på. Her er, hvordan data governance fungerer, hvilke frameworks der kan hjælpe, og hvordan det omsættes til praksis.

29.09.26
10'
Maurice Müller

Maurice Müller

Senior Content Manager

Maurice Müller er journalist og indholdsstrateg med erfaring fra både trykte og digitale medier. Hos Formalize omsætter han komplekse compliance- og reguleringsemner til klart, praktisk indhold for compliance-, risikostyrings- og sikkerhedsfolk i hele Europa.

Vigtigste pointer:

  • Governance og management er forskellige opgaver: Governance fastlægger reglerne og ansvarsområderne, og data management udfører det daglige arbejde med at indsamle, opbevare og vedligeholde data inden for disse rammer.

  • Det er en driftsmodel snarere end et IT-projekt eller et softwareprodukt: Ejere på tværs af virksomheden, tydelige politikker og processer, der får disse politikker til at holde.

  • De fleste programmer hviler på fire byggesten: Mennesker og ansvarlighed, politikker og standarder, processer og kontroller samt teknologi og tilsyn.

  • Frameworks såsom DAMA-DMBOK, DGI Framework, DCAM og COBIT tilbyder testede strukturer, men de fleste organisationer tilpasser dem frem for at overtage et i dets helhed.

  • Governance gør det muligt at dokumentere compliance, fra GDPR-ansvarlighed til datakravene for AI-systemer med høj risiko i henhold til EU's AI Act.

En kunde sender en e-mail til jeres supportteam og spørger, hvilke personoplysninger I ligger inde med om dem. I henhold til databeskyttelsesforordningen (GDPR) har I som udgangspunkt én måned til at svare. Anmodningen lander i en fælles indbakke, videresendes til IT, derefter til marketing og så til en salgschef, der stadig fører et regneark med emner fra fagmesser. Tre uger senere spørger nogen, hvem der har ansvaret for at samle svaret, og ingen er helt sikre.

Intet i den historie er et teknologisk problem. Dataene eksisterer, og systemerne virker. Det, der mangler, er en aftale om, hvem der ejer hvilke data, hvilke regler der gælder for dem, og hvem der træffer beslutningen, når noget er uklart. Den aftale er det, data governance leverer.

Hvad er data governance?

I praksis er data governance et sæt af stående beslutninger. Hvem kan godkende adgang til kundedata? Hvilket system indeholder den officielle version af en kundepost? Hvor længe opbevares kontrakter, og hvem godkender dem, før de slettes? Hvad sker der, når nogen finder en fejl i en rapport, som bestyrelsen støtter sig til? Et governance-program sikrer, at hvert af disse spørgsmål har et aftalt svar, en ejer og et sted, hvor svaret er skrevet ned.

Målet er data, man kan stole på: præcise nok til at forlade sig på, sikre, tilgængelige for de rette personer og håndteret i overensstemmelse med juridiske og kontraktlige forpligtelser.

Et praktisk eksempel: En detailvirksomhed beslutter, at kundernes e-mailadresser ejes af marketingteamet, kun må bruges til de formål, de blev indsamlet til, slettes efter en fastsat periode med inaktivitet og kun kan tilgås af supportmedarbejdere via customer relationship management (CRM)-systemet. Hver af disse beslutninger er en governance-beslutning, og det er dette lag, Formalizes data governance-funktioner er opbygget omkring. Opbevaring og synkronisering af adresserne på tværs af systemer er derimod data management.

Data governance over for data management: Hvad er forskellen?

The two terms are often used interchangeably, but they do different jobs. If governance is the traffic code, data management is the driving.

Data governance

Data management

Spørgsmål den besvarer

Hvem bestemmer, og under hvilke regler?

Hvordan håndteres data i det daglige?

Typiske bidragsydere

Direktører, dataejere, data stewards, jura og compliance, som arbejder på tværs af funktioner

IT- og datateams, systemejere og de forretningsteams, der opretter og anvender data

Eksempler

Adgangspolitikker, opbevaringsregler, klassifikationsstandarder, ejerskab

Opbevaring, integration, sikkerhedskopiering, udførelse af datakvalitetskontroller

Grænserne er ikke skarpe. Data stewards og systemejere arbejder ofte på begge sider: De hjælper med at udforme reglerne og føre dem ud i livet i det daglige arbejde.

Hvorfor er data governance vigtigt?

De fleste organisationer opdager behovet for data governance på grund af et symptom: to rapporter, der modsiger hinanden, en auditanmodning, der tager ugevis, eller et tilsyn, der beder om dokumentation. Governance tager hånd om årsagerne bag disse symptomer:

  • Tillid til tallene: Når definitioner og ejerskab er aftalt, er det nemmere at afstemme rapporter fra forskellige teams.

  • Tydelig placering af ansvar: Hvert vigtigt datasæt har en ansvarlig, og alle ved, hvem det er.

  • Databeskyttelse, sikkerhed og compliance: Reguleringer som GDPR og standarder som ISO 27001 forventer, at organisationer ved, hvilke data de opbevarer, hvem der har adgang til dem, og hvorfor.

  • Mindre overlap: Ensartede regler reducerer parallelle kopier, modstridende regneark og midlertidige nødløsninger.

  • Auditérbarhed og risikostyring: Dokumenterede governance-beslutninger skaber et spor, der gør det muligt at vise, hvordan datarisici identificeres og håndteres.

  • Et fundament for analyse og AI: Dashboards og modeller er kun lige så pålidelige som de data, der ligger bag dem.

Hvad er de centrale komponenter i data governance?

Der findes ikke én enkelt officiel model, men de fleste programmer hviler på fire byggesten. Når folk taler om "de fire søjler i data governance", er det som regel disse, de mener.

  1. Personer og ansvar: Dataejere, data stewards og personer med beslutningskompetence, fra et governance-råd til de teams, der håndterer data til daglig.

  2. Politikker og standarder: Reglerne for datakvalitet, adgang, klassificering, opbevaring og brug.

  3. Processer og kontroller: Hvordan disse regler anvendes i praksis, og hvordan organisationen kontrollerer, at de overholdes.

  4. Teknologi og tilsyn: De systemer, der understøtter governance med overvågning, dokumentation og afrapportering.

Ingen af de fire fungerer alene. Politikker uden ejere forældes, og ejere uden processer ender med at improvisere.

Hvad er et data governance framework?

Et data governance framework er den strukturerede model, en organisation bruger til at opsætte governance-roller, politikker, processer, kontroller og ansvarsområder samt til at forbinde dem. Den forbindelse udgør forskellen på et framework og en samling af enkelte datapolitikker. En opbevaringspolitik, en adgangspolitik og et klassifikationsskema er hver især nyttige, men et framework definerer, hvordan de hænger sammen, hvem der træffer afgørelsen, når de strider imod hinanden, og hvordan compliance med dem måles.

A typical framework covers ownership and decision rights, standards and policies, processes and controls, escalation paths, and the measures used to track whether governance is working.

Udbredte data governance frameworks

En typisk framework dækker ejerskab og beslutningsrettigheder, standarder og politikker, processer og kontroller, eskaleringsveje og de målinger, der bruges til at følge op på, om governance fungerer:

Framework

Primære fokus

Bedst egnet til

DAMA-DMBOK (DAMA International)

En omfattende videnstank på tværs af datastyringsdiscipliner med governance i centrum

Organisationer, der opbygger en bred data management-kapabilitet og et fælles ordforråd

DGI Data Governance Framework (Data Governance Institute)

En praktisk model for governance-komponenter, såsom beslutningsrettigheder, ansvarsområder og kontroller

Teams, der etablerer et governance-program for første gang

DCAM (EDM Association, tidligere EDM Council)

Vurdering og forbedring af data management-kapabiliteter, der nu omfatter governance, privatliv, sikkerhed, cloud og AI

Organisationer, der ønsker at benchmarke deres modenhed inden for data management; frameworket er tilgængeligt for medlemmer af EDM Association

COBIT (ISACA)

Enterprise governance for information og teknologi, struktureret omkring mål for governance og management

Organisationer, der samordner data governance med IT governance og audits

Disse frameworks udelukker ikke hinanden. Mange organisationer henter deres vokabularium fra DAMA-DMBOK, låner roller fra DGI-modellen og tilpasser kontroller til COBIT eller ISO 27001, afhængigt af hvad deres auditører og tilsynsmyndigheder forventer. Valget af framework betyder mindre end, om ansvarsområderne og kontrollerne anvendes konsekvent. Hvis dit data governance-program også skal forbindes med lovgivningsmæssige og compliance-mæssige frameworks som ISO 27001, NIS2 eller DORA, kan du udforske Formalizes compliance Blueprints.

Sådan implementeres data governance

En praktisk måde at bringe de fire komponenter på plads på er at arbejde sig igennem seks trin, hvor man starter småt og udvider over tid:

1. Definer mål og afgrænsning for governance

Start med de data, der betyder mest: data der er knyttet til lovmæssige forpligtelser, kundetillid eller kritiske forretningsbeslutninger. En fokuseret afgrænsning, for eksempel kunders personoplysninger eller finansielle rapporteringsdata, når længere end et forsøg på at styre alt på én gang.

2. Etabler ejerskab og ansvarsområder

Udpeg dataejere, som er ansvarlige for et datasæt og beslutter, hvordan det må bruges, samt data stewards, som varetager datakvaliteten og den daglige håndtering. Ejerskabet hører hjemme i forretningen og ligger ikke pr. automatik hos IT.

3. Kortlæg kritiske data og krav

Dokumenter, hvilke data der findes, hvor de befinder sig, hvem der bruger dem, og hvilke politikker, risici og regler der gælder. For personoplysninger overlapper meget af dette med GDPR's fortegnelser over behandlingsaktiviteter.

4. Definer politikker, standarder og kontroller

Fastlæg regler for adgang, kvalitet, klassificering, opbevaring og acceptabel brug, og beslut, hvordan I vil kontrollere, at de overholdes. En politik uden en kontrol er en hensigtserklæring.

5. Indbyg governance i operationelle workflows

Omsæt reglerne til opgaver, godkendelser, review-processer og eskaleringsveje, som medarbejderne møder i deres normale arbejde. Hvis et nyt system kan gå i drift, uden at nogen gennemgår de data, det håndterer, eksisterer governance kun på papiret.

6. Overvåg og forbedr løbende

Iagttag afvigelser, åbne risici og dokumentation over tid, så problemer dukker op tidligt snarere end under en audit.

Ét datasæt, seks trin. Her er hvordan sekvensen udspiller sig for kundedata hos detailhandleren fra tidligere:

Trin

I praksis

Mål og omfang

Kundedata kommer først, fordi det hører under GDPR og anvendes på tværs af salg, marketing og support.

Ejerskab

Markedsføringschefen bliver dataejer, og en CRM-specialist fungerer som data steward.

Kortlægning

Teamet kortlægger, hvilke systemer der opbevarer kundedata, for eksempel CRM, onlinebutikken, e-mailværktøjet og supportdesk, samt hvilke krav der gælder for de enkelte systemer.

Politikker og kontroller

Ejeren godkender adgangsreglerne: supportmedarbejdere kan se kontaktoplysninger i CRM, men kan ikke eksportere dem, og adgangen gennemgås hvert kvartal.

Workflows

Analyseafdelingen beder om lov til at bruge købshistorik til en ny anbefalingsmodel. Anmodningen går til ejeren, som tjekker den op mod de formål, dataene blev indsamlet til, og inddrager databeskyttelsesteamet for at afklare, om der er brug for en konsekvensanalyse vedrørende databeskyttelse (DPIA).

Overvågning

Den beslutning, der blev truffet, begrundelsen bag og dokumentationen, lige fra godkendelsen til den opdaterede fortegnelse over behandlingsaktiviteter, opbevares samlet.

Det opbevarede datagrundlag er det, du får brug for, næste gang nogen spørger, hvorfor modellen fik lov til at bruge dataene.

Gennemgå de seks trin med dine egne data

Vælg ét datasæt, som for eksempel kundedata, og se, hvordan ejere, regler, godkendelser og dokumentation samles ét sted. Book en gennemgang med os, eller start en gratis prøveperiode og opsæt det selv.

Book en demo
Prøv det gratis

Best practices for data governance

Når det grundlæggende er på plads, er det et par vaner, der afgør, om et program holder ud over den første indsats:

  • Mål hvad governance ændrer: Følg nogle få konkrete indikatorer, som for eksempel andelen af kritiske data med en navngiven ejer, forsinkede reviews eller åbne afvigelser.

  • Placer reglerne der, hvor beslutningerne tages: Det er langt mere sandsynligt, at en politik bliver fulgt, når den dukker op i det workflow, hvor beslutningen træffes.

  • Skriv politikker, som folk kan følge: Korte, specifikke regler i et helt almindeligt sprog bliver anvendt. Dokumenter på 50 sider bliver lagt i en skuffe.

  • Gør beslutninger sporbare: Forbind hver enkelt beslutning med den handling, der er udført, og den bagvedliggende dokumentation, så I kan vise, hvorfor noget blev gjort.

  • Skemalæg gennemgange ved ændringerr: Nye regler, nye systemer og nye måder at bruge data på, såsom AI, er de øjeblikke, hvor governance skal ses efter en ekstra gang.

Data governance, compliance, and AI

Regulering er en af de stærkeste drivkræfter for data governance, fordi de fleste dataregler forventer, at organisationer kan bevise, hvordan de overholder dem. Beviset afhænger af governance.

GDPR's princip om ansvarlighed gør de dataansvarlige ansvarlige for at overholde principperne og kræver, at de skal kunne dokumentere det. Fortegnelser over behandlingsaktiviteter, opbevaringsregler, adgangskontroller og DPIA'er er alt sammen governance-arbejde. Informationssikkerhedsstandarder som ISO 27001 tilføjer forventninger omkring fortegnelser over aktiver, informationsklassificering og adgangskontrol.

AI tilføjer endnu et lag. Under EU's AI-forordning skal udbydere af højrisiko-AI-systemer anvende datastyring og datastyringspraksis på de data, der bruges til at træne, validere og teste disse systemer, herunder kontrol af kvalitet, relevans og mulig bias. Som følge af Digital Omnibus om AI gælder disse højrisikoforpligtelser fra 2. december 2027 for fritstående systemer og fra 2. august 2028 for AI, der er indbygget i regulerede produkter, ifølge Europa-Kommissionen.

Selv uden for højrisikokategorien bringer ethvert AI-værktøj, der anvender personoplysninger, GDPR i spil. Organisationer, der allerede har styr på, hvilke data de opbevarer, og under hvilke regler, står langt stærkere i forhold til at anvende AI på en ansvarlig måde. Vores side om AI-forordningen dækker dette i nærmere detaljer.

Hvad er data governance-værktøjer?

Intet enkelt værktøj dækker hele data governance. De fleste programmer kombinerer flere kategorier:

  • Datakatalogisering og metadata-governance, for at vide hvilke data der findes, og hvad de betyder.

  • Data lineage og datakvalitetsværktøjer, for at spore hvor data kommer fra, og om de er egnet til brug.

  • Adgangs- og sikkerhedsgovernance, for at kontrollere hvem der kan se og ændre hvad.

  • Politik-, risiko- og compliance-governance, for at definere regler, vurdere risici og dokumentere compliance.

  • Workflow-, ansvarligheds- og dokumentationsgovernance, for at tildele opgaver, registrere beslutninger og opbevare beviser.

Formalize placerer sig i de to sidste kategorier. Det erstatter ikke et datakatalog eller et lineage-værktøj; det leverer risikostyrings- og compliance-laget omkring dem. For et nærmere kig på den kategori, se vores guide til compliance management software.

Hvordan Formalize understøtter data governance

Formalize fokuserer på governance-laget: de ejere, politikker, risici og den dokumentation, der ligger oven på selve dataene.

  • Behandlingsaktiviteter i kontekst: Fortegnelser over behandlingsaktiviteter forbundet med de systemer, leverandører og risici, de involverer, sammen med workflows til DPIA og transfer impact assessment (TIA).

  • Politikker med en livscyklus: Udarbejdet, godkendt, offentliggjort og sporet i forhold til bekræftelse, med versionshistorik.

  • Ejere, godkendelser og en komplet aktivitetshistorik: Hver politik, kontrol og opgave har en navngiven ejer med rollebaserede rettigheder, og hver beslutning registreres sammen med tilhørende dokumentation.

  • Data governance side om side med GDPR, ISO 27001, NIS2 og AI-forordningen, i det samme system i stedet for i adskilte værktøjer.

Ofte stillede spørgsmål

Book en demo