Master Data Management (MDM) er den disciplin der sikrer at en virksomheds kernedata, de mest forretningskritiske dataentiteter som kunder, produkter, leverandører og medarbejdere, er konsistent, komplet og troværdig på tværs af alle systemer og afdelinger.
Problemet som MDM løser er velkendt i de fleste danske virksomheder. Salgsafdelingen har kunden registreret som "Mærsk A/S" i CRM-systemet. Finans har "A.P. Møller-Mærsk" i ERP-systemet. Logistik har "Maersk" i lagerstyringssystemet. Alle tre refererer til den samme kunde, men tre forskellige systemer behandler dem som tre separate entiteter. Resultatet er fejlagtige rapporter, spildt tid på manuelle afstemninger og risiko for at sende den samme faktura to gange.
Master data adskiller sig fra transaktionsdata ved sin stabilitet og genbrugelighed. Transaktionsdata beskriver hændelser: en ordre, en betaling, et klik. Master data beskriver de entiteter der indgår i transaktionerne: kunden der bestiller, produktet der bestilles, leverandøren der leverer. Referencedataer som landekoder, valutakoder og branchekoder er en undergruppe af master data der sjældent ændrer sig.
De mest almindelige master data-domæner i danske virksomheder er kundedata (navn, adresse, CVR-nummer, kontaktpersoner, segmentering), produktdata (varenummer, beskrivelse, kategorier, priser, attributter), leverandørdata (firmanavn, betalingsbetingelser, certifikater, kontaktinformation), medarbejderdata (personoplysninger, stillingsbetegnelse, afdeling, kompetencer) og finansdata (kontoplaner, omkostningssteder, projektnumre).
Golden record er det centrale begreb i MDM. For hver master data-entitet defineres én autoritativ post, golden record, der repræsenterer den mest korrekte og komplette version af dataene. Alle systemer der bruger denne entitet refererer til eller synkroniserer med golden record. Når en kundes adresse ændres, opdateres golden record, og ændringen propageres til alle tilknyttede systemer.
MDM-arkitekturer findes i tre hovedvarianter. Registry-modellen opretter et centralt indeks der peger på master data i kildesystemerne uden at flytte dataene. Consolidation-modellen kopierer master data til et centralt repository for rapportering og analyse, men kildesystemerne beholder deres egne versioner. Coexistence-modellen implementerer tovejssynkronisering, hvor ændringer i det centrale repository propageres til kildesystemerne og omvendt. De fleste danske virksomheder starter med registry eller consolidation og udvikler sig mod coexistence efterhånden som modenheden vokser.
Datadeduplikering er en kernefunktion i MDM. Matching-algoritmer sammenligner poster på tværs af systemer for at identificere dubletter. Simpel matching bruger eksakte sammenligning af nøglefelter som CVR-nummer eller email. Fuzzy matching bruger algoritmer som Levenshtein-distance, Soundex eller Jaro-Winkler til at finde poster der ligner hinanden trods forskelle i stavemåde. Probabilistisk matching beregner en samlet sandsynlighed for at to poster repræsenterer den samme entitet baseret på multiple felter.
Dataejerskab og governance er forudsætninger for succesfuld MDM. Hver master data-domæne tildeles en data owner fra forretningen, typisk en leder med ansvar for datakvaliteten inden for domænet. En data steward fungerer som daglig forvalter der håndterer datakvalitetsproblemer, godkender ændringer og vedligeholder forretningsregler. Et data governance council koordinerer på tværs af domæner og prioriterer investeringer.
Workflow for master data-vedligeholdelse definerer processerne for at oprette, ændre og deaktivere master data. En ny kunde oprettes med obligatoriske felter og validering mod CVR-registret. Adresseændringer verificeres mod DAR. Ændringer i kundesegmentering kræver godkendelse fra data steward. Dubletforslag gennemgås og sammenflettes manuelt eller automatisk baseret på definerede regler.
Værktøjer til MDM spænder fra enterprise-platforme til open source-løsninger. Informatica MDM, SAP Master Data Governance og Microsoft Master Data Services er etablerede enterprise-løsninger. Talend Open Studio og Apache Atlas tilbyder open source-alternativer. For mindre danske virksomheder kan en velstruktureret database i kombination med dbt og Power Query dække basisbehovene uden investering i en dedikeret MDM-platform.
Integration med BI er der hvor MDM skaber synlig forretningsværdi. Når Power BI-dashboards bygger på konsistente master data, kan analytikere stole på at omsætning per kunde er beregnet korrekt, at produktperformance sammenlignes på tværs af kanaler med ensartede kategorier, og at geografisk segmentering bruger validerede adresser. Uden MDM bruger analytikere timer på at rense og afstemme data manuelt, tid der kunne bruges på at finde indsigter.
For danske virksomheder med 50 til 500 medarbejdere er en pragmatisk MDM-tilgang ofte den rigtige. Start med det mest problematiske domæne, typisk kundedata. Definér en golden record-struktur med obligatoriske felter og valideringsregler. Kør en initial deduplicering og rensning. Etablér en simpel governance-proces med en udpeget data steward. Implementér automatiseret synkronisering mellem de to til tre vigtigste systemer. Mål effekten i form af reducerede dubletter, hurtigere rapportering og færre datarelaterede fejl.
Modenheden i MDM kan beskrives i fire niveauer. I det første niveau eksisterer ingen koordinering, og hvert system vedligeholder sin egen version af master data. I andet niveau er master data dokumenteret, og der eksisterer manuelle processer for synkronisering. I tredje niveau er MDM-processer automatiserede med tooling og governance. I fjerde niveau er MDM integreret i alle forretningsprocesser, og datakvalitet måles og optimeres kontinuerligt. De fleste danske virksomheder befinder sig på niveau et eller to, og springet til niveau tre giver den største forretningsmæssige gevinst.
MDM er ikke et teknologiprojekt der kan implementeres og glemmes. Det er en vedvarende disciplin der kræver organisatorisk engagement, klare processer og løbende investering. Men for virksomheder der tager data seriøst, er MDM fundamentet for troværdig business intelligence, effektiv automatisering og pålidelig beslutningstagning.
