سامانه مدیریت نشریات علمی دانشگاه قم

فتح اله زاده, فرحناز, حریری, نجلا, ساجدی نژاد, آرمان, باب الحوائجی, فهیمه, پورنقی, رؤیا. (1403). شناسایی مؤلفه‌های حکمرانی داده در بافت سازمانی: فراترکیب متون. پژوهش‌های فلسفی -کلامی, 10(3), 101-130. doi: 10.22091/stim.2022.7660.1705
فرحناز فتح اله زاده; نجلا حریری; آرمان ساجدی نژاد; فهیمه باب الحوائجی; رؤیا پورنقی. "شناسایی مؤلفه‌های حکمرانی داده در بافت سازمانی: فراترکیب متون". پژوهش‌های فلسفی -کلامی, 10, 3, 1403, 101-130. doi: 10.22091/stim.2022.7660.1705
فتح اله زاده, فرحناز, حریری, نجلا, ساجدی نژاد, آرمان, باب الحوائجی, فهیمه, پورنقی, رؤیا. (1403). 'شناسایی مؤلفه‌های حکمرانی داده در بافت سازمانی: فراترکیب متون', پژوهش‌های فلسفی -کلامی, 10(3), pp. 101-130. doi: 10.22091/stim.2022.7660.1705
فتح اله زاده, فرحناز, حریری, نجلا, ساجدی نژاد, آرمان, باب الحوائجی, فهیمه, پورنقی, رؤیا. شناسایی مؤلفه‌های حکمرانی داده در بافت سازمانی: فراترکیب متون. پژوهش‌های فلسفی -کلامی, 1403; 10(3): 101-130. doi: 10.22091/stim.2022.7660.1705

شناسایی مؤلفه‌های حکمرانی داده در بافت سازمانی: فراترکیب متون

علوم و فنون مدیریت اطلاعات
مقاله 4، دوره 10، شماره 3، مهر 1403، صفحه 101-130    اصل مقاله (3.72 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22091/stim.2022.7660.1705
نویسندگان
فرحناز فتح اله زاده1؛ نجلا حریری* 2؛ آرمان ساجدی نژاد3؛ فهیمه باب الحوائجی4؛ رؤیا پورنقی5
1دانشجوی دکتری، گروه علم اطلاعات و دانش‌شناسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2استاد، گروه علم اطلاعات و دانش‌شناسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3استادیار، گروه مهندسی صنایع، پژوهشگاه علوم و فناورى اطلاعات ایران (ایرانداک)، تهران، ایران.
4دانشیار، گروه علم اطلاعات و دانش‌شناسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
5استادیار، گروه علم اطلاعات و دانش‌شناسی، پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران.
چکیده
هدف: حکمرانی داده، تشریح‌کننده فرایندهایی برای تعریف سیاست‌‌های حوزه داده درسازمان، فرایندهای مشخص‌کننده روش‌های بهره‌‌برداری ازسیاست‌‌های مزبور، نوع ساختار سازمانی دربرگیرنده کنسول‌‌های حکمرانی داده و ناظران داده جهت نظارت و اطمینان از انطباق بین سیاست‌‌ها و داده‌‌ها است. حاکمیت داده یک برنامه مدیریتی چندین وظیفه‌‌ای است که مهم‌ترین هدف آن برخورد با داده به عنوان یک سرمایه سازمانی است. این کار از طریق به‌کارگیری مجموعه‌ای از سیاست‌ها، استانداردها، فرآیندها، افراد و فناوری که برای مدیریت داده حیاتی است، دنبال می‌‌شود. بسیاری از سازمان‌ها در اجرای یک برنامه حکمرانی داده موفق و پایدار، مشکل دارند. وجود یک برنامه حکمرانی داده متناسب با اهداف و رسالت‌های سازمان، اولین گام در بهبود شرایط سازمان محسوب می‌شود. آن چه به‌عنوان حکمرانی داده وجود دارد، مفهومی انتزاعی است که انتزاعی بودن آن مانع از اجرای درست آن می‌شود بنابراین لازم است براساس متون، ابتدا تعریف درست و مؤثری از آن ارائه شود تا بتوان با شناسایی مؤلفه‌های مختلف این مفهوم، به اجرایی شدن آن کمک کرد.
روش: این پژوهش با روش فراترکیب به تحلیل محتوای متون در حوزه حکمرانی داده پرداخته است. انتخاب منابع اطلاعاتی در حوزه حکمرانی داده، به‌صورت هدفمند و براساس میزان ربط منبع با هدف پژوهش انجام شد. پژوهش‌های بین سال‌های 2000 تا 2021 شدند. 68 مقاله و پایان‌نامه مرتبط با این حوزه با جستجو در پایگاه‌های اطلاعاتی معتبر امرالد، اسکوپوس، سیج، پروکوئست، اشپرینگر، وب آوساینس، و گوگل اسکالر و در بخش فارسی در پایگاه‌های اطلاعاتی مرکز اطلاعات و مدارک علمی ایران، مرکز اسناد و کتابخانه ملی ایران، پایگاه اطلاعات نشریات کشور (مگ ایران)، پورتال علوم انسانی، پایگاه مجله‌های تخصصی نور (نورمگز)، پایگاه مرکز اطلاعات علمی جهاد دانشگاهی و اپک کتابخانه‌های دانشگاه‌های مختلف (شامل دانشگاه‌های تهران، علامه طباطبایی، الزهرا، تربیت مدرس، دانشگاه خوارزمی) انتخاب شدند. در نهایت مقالات به صورت هدفمند و براساس مدل ساندوسکی و باروسو انتخاب شدند و با تحلیل محتوای کیفی بررسی شدند.
یافته‌ها: یافته‌های پژوهش 5 مؤلفه اصلی حکمرانی داده شامل «برنامه‌ریزی»، «سازماندهی و مدیریت»، «عملکرد»، «اجرا» و «ارزیابی» را شناسایی کرد. این مؤلفه‌های اصلی هر یک دارای مؤلفه‌های فرعی هستند که در نهایت 32 مؤلفه برای حکمرانی داده با فراترکیب متون مشخص شد. این مؤلفه‌ها به تعریف حکمرانی داده و اجرای آن برای سازمان‌های مختلف کمک زیادی می‌کند. براساس نتایج این پژوهش مفهوم حکمرانی داده برنامه‌ریزی، سازماندهی و مدیریت، تعیین عملکرد، اجرا و نظارت و ارزیابی مربوط به داده در سازمان‌های مختلف است. حکمرانی داده باید منطبق بر رسالت، استراتژی، هنجارها و فرهنگ سازمانی باشد که ی تواند آن داده را به عنوان یک دارایی استراتژیک مدیریت کند، کنترل کیفیت را فراهم کند و دسترسی، مدیریت، نظارت و نگهداری آن را با هدف ارزش دادن بیشتر به داده‌های شرکت و تبدیل کردن آن به مزیت رقابتی محافظت کند.
نتیجه‌گیری: هر سازمان می‌تواند با به‌کارگیری این مؤلفه‌ها، برنامه حکمرانی داده متناسب با بافت خود را طراحی کند و به کارگیرد. سازمان‌ها با تخصص و بافت‌های متفاوت می‌توانند این مؤلفه‌ها را مطابق با بافت خود تغییر داده و آنها را با اهداف و استراتژی‌های خود انطباق دهند و از مزایای حکمرانی داده در سازمان خود بهره برند. در مورد کاربرد مؤلفه‌های اصلی و فرعی برگرفته از پژوهش جاری توجه سازمان‌ها به اهمیت هر یک از آنها مهم است. لازم است که سازمان‌ها برای اجرای حکمرانی داده اهداف و استراتژی‌های برنامه را درنظر بگیرند و اصولی را برای پشتیبانی از ساختار، فرهنگ و اهداف طراحی کنند.
کلیدواژه‌ها
حکمرانی داده؛ مدیریت داده؛ سازمان‌‌ها؛ مدیریت؛ فراترکیب
عنوان مقاله [English]
Identifying the Components of Data Governance in the Organizational Context: Metasynthesis of Texts
نویسندگان [English]
Farahnaz Fatollahzadeh1؛ Nadjla Hariri2؛ Arman Sajedinejad3؛ Fahimeh Babalhavaeji4؛ Roya Pournaghi5
1PhD. Student, Department of Knowledge and Information Science, Science and Research Branch, Islamic Azad University, Tehran, Iran
2Professor, Department of Knowledge and Information Science, Science and Research Branch, Islamic Azad University, Tehran, Iran
3Assistant Professor, Department of Industrial Engineering, Iranian Research Institute for Information Science and Technology (IranDoc), Tehran, Iran
4Associate Professor, Department of Knowledge and Information Science, Science and Research Branch, Islamic Azad University, Tehran, Iran.
5Assistant Professor, Department of Knowledge and Information Science, Iranian Research Institute for Information Science and Technology (IranDoc), Tehran, Iran.
چکیده [English]
Purpose: Data governance describes the processes for defining data policies within an organization, the processes that specify how these policies will be implemented, and establishing an organizational structure that includes data governance councils and data stewards to monitor and ensure compliance between policies and data. Data governance is a multifaceted management program, with its primary objective being to treat data as a valuable organizational asset. This is accomplished by utilizing a comprehensive framework of policies, standards, processes, personnel, and technology that are essential for effective data management. Many organizations face challenges in establishing a successful and sustainable data governance program. The initial step in enhancing the organization’s performance is to ensure that the data governance program aligns with its goals and mission. What currently exists as data governance is an abstract concept, and this abstraction hinders its effective implementation. Therefore, it is essential to first establish a clear and effective definition based on existing literature to facilitate its implementation by identifying the various components of this concept.
Method: This study analyzed the content of texts in the field of data governance using the meta-synthesis method. The selection of information sources was conducted purposefully, based on their relevance to the research objectives. The studies were conducted between 2000 and 2021. A total of 68 articles and theses related to this field were selected by searching reputable databases, including Emerald, Scopus, Sage, ProQuest, Springer, Web of Science, and Google Scholar. Additionally, searches were conducted in the Persian section of the Iranian Scientific Information and Documents Center, the National Library and Documentation Center of Iran, the National Publications Information Database (Iran Mag), the Humanities Portal, the Noor Specialized Magazines Database (Noormags), the Academic Jihad Scientific Information Center, and the APEC libraries of various universities,
such as Tehran University, Allameh Tabatabaei University, Al-Zahra University, Tarbiat Modares University, and Kharazmi University. Ultimately, the articles were purposefully selected based on the Sandusky and Barroso model and were reviewed using qualitative content analysis.
Findings: The research findings identified five main components of data governance: “planning,” “organization and management,” “performance,” “execution,” and “evaluation.” Each of these main components has subcomponents, resulting in a total of 32 components for data governance identified through a meta-synthesis of texts. These components significantly contribute to the definition and implementation of data governance across various organizations. According to the findings of this research, data governance encompasses planning, organizing, managing, determining performance, implementing, monitoring, and evaluating data related to different organizations. Data governance should align with the organization's mission, strategy, norms, and culture to effectively manage data as a strategic asset. It should ensure quality control and safeguard access, management, monitoring, and maintenance, with the goal of enhancing the value of the company’s data and transforming it into a competitive advantage.
Conclusion: By using these components, each organization can design and implement a data governance program appropriate to its context. Organizations with different expertise and contexts can modify these components according to their context adapt them to their goals and strategies, and benefit from the benefits of data governance in their organization. Regarding the application of the main and secondary components derived from the current research, organizations need to pay attention to the importance of each of them. Organizations must consider the goals and strategies of the program to implement data governance and design principles to support the structure, culture, and goals.
کلیدواژه‌ها [English]
Data Governance, Data Management, Organizations, Management, Meta-Synthesis
مراجع
عابدی جعفری، ع.، امیری، م. (1398).فراترکیب، روشی برای سنتز مطالعات کیفی. روش‌شناسی علوم انسانی، ۲۵(۹۹): ۷۳-۸۷.
نامداریان، ل. (1396). بررسی و تحلیل راهبردهای حکمرانی داده در مؤسسات مالی. در: پنجمین همایش مدیران فناوری اطلاعات. تهران: پژوهشگاه علوم و فناوری اطلاعات ایران و نهاد ریاست جمهوری.

Al-Badi, A., Tarhini, A. & Islam Khan, A. (2018). Exploring Big Data Governance Frameworks. Procedia Computer Science, no. 141: 271-277.
Alhassan, I., Sammon, D. & Daly, M. (2018). Data governance activities: A comparison between scientific and practice-oriented literature. Journal of Enterprise Information Management, 31(2): 300-316. http://DOI.10.1108/JEIM-01-2017-0007
Alhassan, I., Sammon, D. & Daly, M. (2018). Data governance activities: a comparison between scientific and practice-oriented literature. Journal of Enterprise Information Management; Bradford, 31(2): 300-316.
Al-Ruithe, M., Benkhalifa, E. & Hameed, K. (2018). A systematic literature review of data gaovernance and cloud data governance. Personal and ubiquitous computing, no. 23: 839-859. https://doi.org/10.1007/s00779-017-1104-3
Andronis, K. & Moysey, K. (2013). Data governance for health care providers. Health Information Governance in a Digital Environment, no. 193: 299-315.
Benfeldt Nielsen, O. (2017). A Comprehensive Review of Data Governance Literature. In Selected Papers of the IRIS, 8(3): 120-133.
Brous, P., Janssen, M. & Vilminko-Heikkinen, R. (2016). Coordinating Decision-Making in Data Management Activities: A Systematic Review of Data Governance Principles. In: Electronic Government. EGOV 2016. Lecture Notes in Computer Science, vol. 9820. Springer, Cham.
Caserta, J. (2013). Big data governance tools. Retrieved from: https://www.dataversity.net
Cheong, L.K. & Chang, V. (2007). The Need for Data Governance: A Case Study. ACIS 2007 Proceedings. https://aisel.aisnet.org/acis2007/100
Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1): 37-46.
Dai, W., Wardlaw, I., Cui, Y., Mehdi, K., Li, Y. & Long, J. (2016). Data Profiling Technology of Data Governance Regarding Big Data: Review and Rethinking. Information Technolog: New Generations (pp.439-450). https://doi.org/10.1007/978-3-319-32467-8_39
Data Flux (2010). The Data Governance Maturity Model: Establishing the People, Policies and Technology That Manage Enterprise Data. Data Management Review, 44(0):1-10.
Data Management Association (DAMA). (2010). Guide to the data management body of knowledge. Bradley Beach, NJ: Technics Publications.
Datameer (2016). Big data governance: Bringing open-architected and forward-compatible governance controls to Hadoop analytics. Retrieved from: https://www.datameer.com
Gregory, A. (2011). Data governance- protecting and unleashing the the value of your customer data assets. Journal of direct, data and digital marketing practice, 12(3): 230-248.          
https://doi.org/10.1057/dddmp.2010.41
Karel, R. (2015). Big data governance tools. Informatica. Retrieved from:  
https://www.informatica.com
Khatri, V. & Brown, C.V. (2010). Designing data governance. Communications of the ACM, 53(1): 148-152. https://doi.org/10.1145/1629175.1629210.
Kim, H.Y. & Cho, J.–S. (2017). Data Governance Framework for Big Data Implementation with a Case of Korea. IEEE International Congress on Big Data (BigData Congress), Honolulu, HI, USA: 384-391.
Korhonen, J., Melleri, I., Hiekkanen, K. & Helenius, M. (2013). Designing Data Governance Structure:An Organizational Perspective. GSTF Journal on Computing (JoC), 2(4).        
https://doi.org/10.5176/2251-3043_2.4.203
Ladley, J. (2012). Data governance: How to design, deploy, and sustain an effective data governance program. Waltham: Morgan Kaufmann.
Lee, S.U., Zhu, L. & Jeffery, R. (2018). Data governance for Platform Ecosystem Process Management. In: Springer Nature Switzerland AG, LNBIP 329: 211-227.              
https://doi.org/10.1007/978-3-319-98651-7_13
Major, C. & Savin-Baden, M. (2010). An introduction to qualitative research synthesis: Managing the information explosion in social science research. New York: Routledge.   
https://doi.org/10.4324/9780203497555
Meyers, C. (2014). How data management and governance can enable successful self-service BI. Business Intelligence Journal, 19(4): 23-27.
Munshi, A. A. & Mohamed, Y. A.-R. I. (2017). Big data framework for analytics in smart grids. Electric Power Systems Research, vol. 151: 369-380. https://doi.org/10.1016/j.epsr.2017.06.006
Oestreich, T.W. (2014). Establish a framework for analytics governance. (Report No. G00268221). Retrieved from: http://www.gartner.com
Otto, B. (2011). Organizing data governance: Findings from the telecommunications industry and consequences for large service providers. Communications of the Association for Information Systems, 29(1).
Peterson, R. (2004). Crafting Information Technology Governance. Information Systems Management, 21(4): 7–22.
Sandelowski, J. & Barroso, D. (2007). The development of a structured approach for meta-synthesis. Journal of Mixed Methods Research, 1(1): 9-25.
Soares, S. (2012). Big data governance: An emerging imperative. MC Press
Thomas, G. (2009). The DGI data governance framework [White paper]. Retrieved from:          
http://www.datagovernance.com/wp-content/uploads/2014/11/dgi framework.pdf
Timulak, L. (2009). Meta-analysis of qualitative studies: A tool for reviewing qualitative research findings in psychotherapy. Psychotherapy Research, vol.19: 591-600.
Wang, Ch., Lin, Sh.-L., Chou, T.-H. & Li, Bo-Yi. (2019). An integrated data analytics process to optimize data governance of nonprofit organization. Computers in Human Behavior.      
https://doi.org/10.1016/j.chb.2018.10.015
Wang, R.Y. & Strong, D.M. (2012). Beyond accuracy: What data quality means to data consumers. Journal of Management Information Systems,12(4): 5-33.       
https://doi.org/10.1080/07421222.1996.11518099
Weber, K., Otto, B. & Osterle, H. (2009). One size does not fit all — A contingency approach to data governance. ACM Journal of Data and Information Quality, 1(1).              
https://doi.org/10.1145/1515693.1515696
Weill, P. & Ross, J.W. (2004). IT governance on one page. CISR Working Paper, (349).
Wende, K. (2007). A Model for Data Governance - Organising Accountabilities for Data Quality Management. 18th Australasian Conference on Information Systems. 7 Dec, Toowoomba.
Yebenes, J. & Zorrilla, M. (2019). Towards a data governance framework for third generation platforms. Procedia Computer Science, no. 151: 614-621.
‏https://doi.org/10.1016/j.procs.2019.04.082
Zhang, S., Gao, H., Yang, L. & Song, J. (2017). Research on big data governance based on actor-network theory and Petri nets. IEEE 21st International Conference on Computer Supported Cooperative Work in Design (CSCWD), Wellington, New Zealand: 372-377.

آمار
تعداد مشاهده مقاله: 1,889
تعداد دریافت فایل اصل مقاله: 772