Data Governance: governare i dati prima che siano i dati a governare l’organizzazione

La Data Governance non è un software, non è un catalogo aziendale e non coincide con la tutela della privacy. Non è neppure un progetto informatico destinato a concludersi con il rilascio di una piattaforma. In termini operativi, è il sistema attraverso il quale un’organizzazione assegna responsabilità e diritti decisionali sui dati, definisce regole condivise e ne verifica l’applicazione lungo l’intero ciclo di vita. La norma ISO/IEC 38505-1 la colloca correttamente nell’ambito della governance organizzativa; DAMA ne sottolinea invece le componenti di accountability, policy e decision rights, mentre l’OCSE estende il concetto all’insieme dei presidi tecnici, regolamentari e organizzativi che accompagnano il dato dalla creazione alla cancellazione. La tecnologia rende questo sistema eseguibile e misurabile, ma non può sostituire il mandato, le responsabilità e i comportamenti che lo rendono effettivo.

Oggi quattro forze rendono un programma di Data Governance non più rinviabile. La prima è la compliance regolamentare: GDPR, Data Governance Act, Data Act, obblighi settoriali e AI Act richiedono dati conoscibili, tracciabili e sottoposti a controlli documentabili. L’articolo 10 del Regolamento (UE) 2024/1689 impone, per i sistemi di intelligenza artificiale ad alto rischio, pratiche di governo dei dataset riguardanti origine, preparazione, assunzioni, completezza, rappresentatività e prevenzione dei bias. La seconda forza è la trasformazione digitale: cloud, API, lakehouse e architetture distribuite moltiplicano produttori, trasformazioni e consumatori del dato. Senza regole comuni, la modernizzazione tecnologica può aumentare la frammentazione anziché ridurla. La terza leva è rappresentata da AI & Analytics. Nessun algoritmo corregge automaticamente una semantica ambigua, una provenienza ignota o un dato non rappresentativo. Il NIST colloca la governance all’interno della gestione organizzativa dei rischi dell’intelligenza artificiale e raccomanda di raccordarla alle politiche già esistenti in materia di dati, qualità e sicurezza. Il DCAM dell’EDM Council lega invece la maturità del Data Management a capacità verificabili, metriche e confronti con organizzazioni comparabili. La quarta leva è il business enablement: dati affidabili, comprensibili e accessibili riducono il tempo speso a cercare, riconciliare e contestare numeri, accelerando il passaggio dall’informazione alla decisione. Non è casuale che il mercato italiano del Data Management & Analytics abbia raggiunto nel 2025 un valore stimato di 4,1 miliardi di euro.

Per questo il programma deve coinvolgere dal primo giorno due interlocutori. Il top management assicura mandato, priorità, budget e capacità di risolvere i conflitti tra funzioni. I knowledge worker — analisti, specialisti di processo, funzionari, controller, data scientist — possiedono invece la conoscenza tacita necessaria a definire il significato dei dati, le regole di qualità e le condizioni concrete di utilizzo. Senza il vertice, la governance resta volontaria; senza chi lavora quotidianamente sui dati, diventa formalmente impeccabile ma operativamente irrilevante. Anche il modello recentemente adottato dal Governo britannico distingue tra data owner responsabili delle decisioni e data steward incaricati delle attività quotidiane e dell’applicazione di standard e processi. I capisaldi del “come fare” sono conseguenti. Occorre partire da obiettivi organizzativi e dati critici, non dall’ambizione di governare tutto; assegnare ownership e stewardship reali; costruire un lessico comune attraverso glossari e metadati; collegare qualità, lineage, accessi e policy; misurare i risultati con indicatori comprensibili; integrare la governance nei processi, evitando di creare un nuovo silo centrale; procedere per incrementi, consolidando ciò che produce valore. È la stessa direzione indicata in Italia dal Piano triennale per l’informatica nella Pubblica Amministrazione, che associa Data Governance, univocità, qualità, condivisione e responsabilità organizzative. Il modello INAIL richiamato da AgID aggiunge esplicitamente ownership, stewardship, lessico comune, policy, competenze, cultura e strumenti.

In questo quadro si colloca l’approccio Irion organizzato in wave. La Wave 0 è il pilota che trasforma il principio in prova operativa. READY verifica prerequisiti, sponsorship e perimetro; SET definisce standard, strumenti e casi d’uso; GO realizza il pilota e calibra il modello; STAGE misura i risultati e prepara il roll-out. Le wave successive seguono il ciclo ACT, REFINE, REVIEW. Il Playbook prevede inoltre una matrice di scoring per selezionare il primo caso d’uso, senza pubblicarne nella pagina di presentazione pesi e formule di dettaglio. Operativamente, la selezione dovrebbe considerare valore atteso, urgenza regolamentare, disponibilità dei dati, fattibilità, coinvolgimento degli owner, replicabilità e tempo necessario per rendere visibile il beneficio. Il primo caso non deve essere il più vasto, ma quello capace di dimostrare valore senza nascondere la complessità.

La tecnologia, dunque, non fonda la Data Governance: la rende sostenibile. Secondo la documentazione del prodotto, Irion Premium Data Quality & Governance traduce il modello in un’architettura Hub & Spoke, centralizzando standard e controllo e distribuendo l’esecuzione. La piattaforma integra catalogo e business glossary, Data Quality Hub, lineage tecnico end-to-end, discovery e classificazione AI-driven, osservabilità, marketplace dei data product e strumenti avanzati di modellazione e sviluppo. L’elemento distintivo non è la semplice somma delle funzioni, ma la loro convergenza in un ambiente modulare, API-based e adattabile a scenari cloud o ibridi. La Data Governance diventa così meno un apparato di vincoli e più una capacità istituzionale dell’organizzazione: sapere quali dati possiede, perché può fidarsene, chi ne risponde e come trasformarli in decisioni migliori.