DG Аналитическая сводка 2 Роли

Вопрос: Знаете ли вы, кто является владельцем данных в вашем подразделении?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да	9	10	1	0	2	2	24
Не уверен(а)	2	5	0	0	2	5	14
Нет	3	1	0	0	0	0	4
Всего	14	16	1	0	4	7	42

---

🧠 Основные выводы:

• Более половины респондентов (24 из 42) уверены, кто является владельцем данных в их подразделении — это хороший базис для дальнейшего развития ролевой модели.

• 14 респондентов (включая 5 аналитиков и 5 представителей других ролей) затруднились с ответом, указав, что не уверены в владельце данных — что сигнализирует о недостатке прозрачности или документации.

• 4 человека прямо заявили, что не знают владельцев данных, при этом все ответы приходятся на технические роли (аналитики и инженеры).

---

✅ Рекомендации:

1. Формализовать и визуализировать роли владельцев данных по подразделениям:

   • Создать карту владельцев (data owners), с указанием ответственности и каналов связи.

2. Публично закрепить и прокоммуницировать эти роли:

   • Включить в onboarding, разместить на внутреннем DG-портале или wiki.

3. Проводить регулярные сессии Q&A или консультации по ролям:

   • Особенно в командах, где доля “неуверенных” велика (дата-инженеры, аналитики, другие).

Вопрос: Назначены ли официально владельцы данных для ключевых наборов данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да	5	7	1	0	1	0	14
Частично	6	5	0	0	3	2	16
Нет	1	0	0	0	0	2	3
Не знаю	1	4	0	0	0	3	8
Всего	13	16	1	0	4	7	41

---

🧠 Основные выводы:

• Лишь 14 из 41 опрошенного подтвердили, что владельцы данных официально назначены — это только треть выборки.

• Самая популярная категория ответа — “частично” (16 ответов), что может указывать на отсутствие системного подхода к назначению ролей.

• 8 респондентов не знают, назначены ли владельцы — это свидетельствует о недостаточной коммуникации и отсутствии прозрачности.

• Среди дата-инженеров наблюдается высокая доля осведомлённости — 7 утвердительных ответов, но также и 4 — “не знаю”.

---

✅ Рекомендации:

1. Провести аудит и инвентаризацию статуса назначения владельцев данных:

   • Обозначить, для каких наборов данных уже есть владельцы, а где — нет.

2. Создать реестр (справочник) назначенных владельцев данных с описанием их зон ответственности:

   • Этот документ должен быть доступен через корпоративную вики или портал Data Governance.

3. Поддерживать регулярную актуализацию и публичность информации о владельцах данных:

   • Это уменьшит количество “не знающих” и повысит уверенность в управляемости данных.

Вопрос: Знаете ли вы, кто отвечает за качество данных в вашей области?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да	7	12	1	0	2	1	23
Не уверен(а)	4	3	0	0	2	5	14
Нет	2	1	0	0	0	1	4
Всего	13	16	1	0	4	7	41

---

🧠 Основные выводы:

• Лишь 56% респондентов (23 из 41) уверены, кто отвечает за качество данных в их области.

• При этом 34% (14 человек) не уверены в этом, а ещё 4 человека прямо ответили, что не знают.

• Среди аналитиков и дата-инженеров осведомлённость относительно высокая (соответственно 7 и 12 «да»), но среди «других» ролей почти половина не уверены.

• Такая ситуация может снижать эффективность контроля качества данных, особенно в межкомандных процессах.

---

✅ Рекомендации:

1. Явно назначить и задокументировать роли, ответственные за качество данных (Data Stewards):

   • Назначения должны быть официальными, опубликованными и доступными для всех участников процессов.

2. Коммуникация и онбординг:

   • Каждому сотруднику в команде следует понимать, кто отвечает за качество данных в смежных зонах.

3. Разработка карты ответственности за качество данных по доменам:

   • В виде визуального артефакта или таблицы, закреплённой в корпоративной вики.

Вопрос: Понимаете ли вы, за какие аспекты данных вы лично отвечаете?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да, полностью	8	12	0	0	2	4	26
Частично	4	4	0	0	1	2	11
Не знаю	1	0	1	0	0	0	2
Нет	0	0	0	0	1	1	2
Всего	13	16	1	0	4	7	41

---

🧠 Основные выводы:

• Только 63% (26 из 41) респондента полностью понимают свою зону ответственности в отношении данных.

• Почти 27% (11 человек) понимают её частично, что может привести к размытию ответственности.

• Оставшиеся 10% не знают или отрицают наличие ответственности за данные — это тревожный сигнал.

• Особенно важно, что среди менеджеров и “других” сотрудников понимание ответственности наиболее слабое.

---

✅ Рекомендации:

1. Провести инвентаризацию зон ответственности по данным:

   • Сформировать ясные области ответственности на уровне ролей/проектов.

2. Запустить инициативу по повышению прозрачности:

   • Включить описание зон ответственности в onboarding-документы и процедуры.

3. Обеспечить регулярное подтверждение понимания ролей:

   • Например, через опросы, Q&A-сессии или включение темы в performance review.

Вопрос: Есть ли у вас доступ к информации о ролях и зонах ответственности по данным?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Частично	7	6	0	0	2	6	21
Нет	4	3	0	0	1	1	9
Да	2	7	1	0	1	0	11
Всего	13	16	1	0	4	7	41

---

🧠 Основные выводы:

• Лишь 27% участников сообщили, что имеют полный доступ к информации о ролях и зонах ответственности.

• Половина (51%) респондентов отметили, что информация доступна частично, что создаёт риски недопонимания и дублирования функций.

• Почти четверть опрошенных (22%) вообще не имеют доступа к такой информации — особенно это касается аналитиков и инженеров данных.

• Такая картина указывает на низкий уровень прозрачности в распределении ролей, что может тормозить реализацию инициатив по управлению данными.

---

✅ Рекомендации:

1. Создать централизованный, доступный реестр ролей и зон ответственности:

   • Например, на внутреннем портале, в Confluence или Wiki-странице.

2. Обеспечить регулярное обновление и коммуникацию ролей:

   • Обновления по ролям должны быть частью релизов и организационных изменений.

3. Интегрировать информацию о ролях в процессы управления данными:

   • Указывать ответственных при согласовании проектов и изменениях в системах данных.

Вопрос: Насколько чётко распределены обязанности по работе с данными в вашей команде?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Очень чётко	2	4	0	0	2	3	11
В целом понятно	6	10	1	0	0	4	21
Размыто	4	2	0	0	1	0	7
Нет распределения	1	0	0	0	1	0	2
Всего	13	16	1	0	4	7	41

---

🧠 Основные выводы:

• Большинство участников (32 из 41) ощущают определённость в распределении обязанностей, включая «очень чётко» и «в целом понятно».

• Тем не менее, у 22% участников (9 из 41) обязанности остаются размытыми или вовсе не распределены, что может вести к конфликтам зон ответственности и потерям в качестве данных.

• Особенно высока чёткость восприятия у инженеров данных, а вот у аналитиков и менеджеров встречается больше неопределённости.

---

✅ Рекомендации:

1. Закрепить зоны ответственности по ключевым аспектам данных (качество, доступ, безопасность):

   • Использовать матрицу RACI по направлениям деятельности.

2. Периодически пересматривать роли и обязанности в команде:

   • Актуализировать в случае реструктуризации, новых инициатив или технологических изменений.

3. Внедрить onboarding-модуль по ролям для новых участников команды:

   • Чтобы с первых дней была ясность, кто за что отвечает в области работы с данными.

Вопрос: Существуют ли конфликты ролей и зон ответственности при работе с данными?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Иногда	4	7	0	0	1	3	15
Редко	7	5	1	0	1	4	18
Никогда	2	4	0	0	1	0	7
Часто	0	0	0	0	1	0	1
Всего	13	16	1	0	4	7	41

---

🧠 Основные выводы:

• Каждый третий участник (15 из 41) сталкивается с иногда возникающими конфликтами ролей при работе с данными.

• Редкие конфликты также упомянуты часто (18 случаев), что в совокупности указывает на регулярную, но не критичную зону напряжения.

• Лишь 7 респондентов сообщили об отсутствии подобных ситуаций, а часто возникающие конфликты указал только 1 участник.

• Особенно уязвимыми кажутся инженерные и кросс-функциональные роли, где чаще всего возникает пересечение ответственности.

---

✅ Рекомендации:

1. Уточнить и зафиксировать зоны ответственности в критичных точках пересечения ролей:

   • Примеры: Data Owners vs. Data Stewards, аналитики vs. инженеры.

2. Внедрить механизм разрешения конфликтов по зонам ответственности:

   • Например, назначение “арбитров” в спорных кейсах или регулярные синки команд.

3. Проанализировать частые кейсы конфликтов:

   • На основании инцидентов и ретроспектив внести корректировки в структуру ролей.

Вопрос: Насколько понятна вам разница между владельцем данных и потребителем данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Полностью понятна	11	16	1	0	4	6	38
Частично понятна	2	0	0	0	0	1	3
Не очень понятно	0	0	0	0	0	0	0
Вообще не понятно	0	0	0	0	0	0	0
Всего	13	16	1	0	4	7	41

---

🧠 Основные выводы:

• Абсолютное большинство (38 из 41) чётко различает роль владельца данных и потребителя, что говорит о высокой зрелости в этом аспекте.

• Лишь 3 участника ответили, что различие понятно лишь частично — это изолированные случаи и не представляют системную проблему.

• Ни один участник не выбрал негативные формулировки (“не очень понятно”, “вообще не понятно”), что говорит о достаточном уровне осведомлённости.

---

✅ Рекомендации:

1. Использовать эту зрелость как базу для дальнейшего формализма:

   • Внедрение ролевой модели, основанной на чётком разграничении функций и ответственности.

2. Документировать и распространять типовые сценарии взаимодействия владельцев и потребителей данных:

   • Особенно для новых участников команд.

3. Провести точечную работу с теми, кто отметил лишь частичное понимание:

   • Возможно, потребуется разъяснение на уровне конкретных процессов или систем.

Вопрос: Есть ли утверждённые документы/описания ролей в области работы с данными?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да, есть и доступны	4	5	1	0	0	2	12
Есть, но недоступны	0	0	0	0	1	0	1
Не знаю	7	10	0	0	2	4	23
Нет	2	0	0	0	1	1	4
Всего	13	15	1	0	4	7	40

---

🧠 Основные выводы:

• Лишь 30% участников (12 из 40) подтвердили наличие доступных описаний ролей, что сигнализирует о дефиците формализованной и доступной документации.

• Самая распространённая позиция — «не знаю» (23 респондента), что указывает на низкую видимость и коммуникацию вокруг документации о ролях.

• Единичные участники указали на то, что документы существуют, но недоступны, что также снижает практическую полезность даже при наличии описаний.

---

✅ Рекомендации:

1. Создать централизованное хранилище описаний ролей (например, wiki или раздел в корпоративном портале):

   • Доступ должен быть открыт всем заинтересованным сторонам.

2. Провести коммуникационную кампанию:

   • Проинформировать команды о существовании, целях и содержании ролевой модели в контексте Data Governance.

3. Регулярно обновлять документы и фиксировать их статус:

   • Желательно назначить владельца или администратора этих описаний для обеспечения актуальности и поддержки.

Вопрос: Знаете ли вы, кто в вашей организации отвечает за реализацию политики Data Governance?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да	5	6	1	0	1	2	15
Не уверен(а)	6	6	0	0	2	4	18
Нет	2	3	0	0	1	1	7
Всего	13	15	1	0	4	7	40

---

🧠 Основные выводы:

• Лишь 38% респондентов (15 из 40) знают, кто отвечает за реализацию политики DG — это говорит о недостаточной прозрачности распределения ответственности на организационном уровне.

• Почти половина участников (18 человек) не уверены, что указывает на необходимость улучшения коммуникации и визуализации оргструктуры DG.

• Остальные открыто признают, что не знают, кто отвечает за политику DG, включая представителей инженерных и управленческих ролей.

---

✅ Рекомендации:

1. Обеспечить публичную видимость ключевых ролей в DG:

   • Разместить имена и зоны ответственности ответственных за политику DG на корпоративном портале.

2. Провести краткие встречи/брифинги в командах:

   • Обозначить, кто за что отвечает в рамках политики DG, как с этими людьми взаимодействовать, в каких случаях и по каким каналам.

3. Добавить блок про роли и ответственных в материалы по обучению и онбордингу:

   • Особенно важно для новых сотрудников и смежных команд.

Вопрос: Насколько легко вам определить, кто ответственный за конкретный набор данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Очень легко	1	1	0	0	0	1	3
Скорее легко	6	5	1	0	2	0	14
Скорее сложно	6	8	0	0	2	4	20
Очень сложно	0	1	0	0	0	2	3
Всего	13	15	1	0	4	7	40

---

🧠 Основные выводы:

• Только 17 из 40 респондентов (43%) отметили, что им легко определить ответственного за конкретные данные.

• Половина участников (20 из 40) сталкиваются со сложностями в этом вопросе, особенно инженеры и аналитики, что может тормозить решения инцидентов и запуск инициатив.

• 3 респондента указали, что определить ответственного — очень сложно, при этом ни один из них не относится к управленческому звену, что может говорить о разрыве между операционными и управляющими уровнями.

---

✅ Рекомендации:

1. Внедрить справочник владельцев данных:

   • С возможностью фильтрации по доменам, системам и ключевым наборам данных.

2. Регулярно обновлять и распространять матрицу ответственности (RACI):

   • Обеспечить доступность для всех команд.

3. Упростить доступ к этой информации через BI/вики/чат-бот:

   • Например, добавить поиск владельцев данных по ключевым словам или тегам.

Вопрос: Есть ли команда или роль, ответственная за проверку корректности данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да	4	6	0	0	0	2	12
Частично	4	4	0	0	2	2	12
Не знаю	3	3	0	0	0	2	8
Нет	2	2	1	0	2	1	8
Всего	13	15	1	0	4	7	40

---

🧠 Основные выводы:

• Только 30% респондентов (12 из 40) уверены, что существует назначенная роль или команда, проверяющая корректность данных.

• Ещё 12 участников указали на частичное наличие ответственности, что указывает на неформализованные или нефиксированные процессы.

• Оставшиеся 40% (16 человек) либо не знают, либо прямо заявляют об отсутствии таких ролей, что создаёт риски для качества данных и подрывает доверие к ним.

• Менеджеры особенно неоднородны в ответах — от “нет” до “частично”, что говорит о необходимости выравнивания понимания в управленческом звене.

---

✅ Рекомендации:

1. Формализовать роли, связанные с контролем качества данных:

   • Внедрить или обозначить Data Quality Owner или аналогичную позицию в рамках RACI.

2. Обеспечить прозрачность обязанностей через документацию и коммуникацию:

   • Отразить ответственность в Confluence

3. Регулярно информировать команды о назначенных ролях:

   • Через чаты, рассылки или дашборды в системах контроля качества данных.

Вопрос: К вам обращаются по вопросам, связанным с управлением данными?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Иногда	6	8	1	0	2	2	19
Редко	4	3	0	0	1	3	11
Никогда	1	0	0	0	0	0	1
Регулярно	2	4	0	0	1	2	9
Всего	13	15	1	0	4	7	40

---

🧠 Основные выводы:

• Половина участников (19 из 40) отметила, что иногда к ним обращаются по вопросам DG, что говорит о наличии неформальной экспертности, но отсутствия устойчивого процесса.

• Только 9 человек указали на регулярные обращения, и в основном это аналитики и инженеры, что подтверждает их роль как ключевых носителей знаний о данных.

• 11 человек сообщили, что обращения случаются редко, что может сигнализировать об ограниченном взаимодействии между ролями или недостаточной осведомлённости коллег о точках входа.

• 1 человек вообще никогда не сталкивался с подобными запросами, что, впрочем, не является критичным при общем объёме выборки.

---

✅ Рекомендации:

1. Создать публичный перечень компетентных лиц по вопросам DG:

   • Например, в виде “справочника экспертов” или ответственных в рамках бизнес-областей.

2. Назначить координаторов в каждой ключевой роли (data steward, owner):

   • Это повысит узнаваемость и упростит маршрутизацию запросов.

3. Периодически напоминать, к кому можно обращаться:

   • Через onboarding материалы, DG рассылки, внутренние порталы.

Вопрос: Как часто вы взаимодействуете с владельцами данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Регулярно	3	5	1	0	2	0	11
В случае необходимости	8	7	0	0	2	6	23
Очень редко	2	2	0	0	0	1	5
Никогда	0	1	0	0	0	0	1
Всего	13	15	1	0	4	7	40

---

🧠 Основные выводы:

• Регулярное взаимодействие с владельцами данных присутствует у 11 участников, что является позитивным индикатором встроенности ролей владельцев данных в операционные процессы.

• Большинство (23 из 40) взаимодействует по мере необходимости, что указывает на нерегулярный и, вероятно, реактивный характер общения.

• 5 респондентов сообщили о редком взаимодействии, а 1 — об отсутствии такового, что может сигнализировать о пробелах в видимости или доступности ролей владельцев данных.

---

✅ Рекомендации:

1. Формализовать механизмы взаимодействия с владельцами данных:

   • Создать понятные маршруты обращения, шаблоны запросов, каналы коммуникации.

2. Повысить видимость ролей владельцев данных:

   • Отображать в глоссариях, каталогах данных, на внутренних страницах подразделений.

3. Поддерживать регулярность коммуникации через ритуалы:

   • Например, ежемесячные сессии Q&A, участие владельцев данных в демо и ретроспективах.

Вопрос: Знаете ли вы, кто отвечает за обновление метаданных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Нет	6	5	0	0	2	4	17
Частично	7	6	0	0	2	1	16
Да	0	4	1	0	0	2	7
Всего	13	15	1	0	4	7	40

---

🧠 Основные выводы:

• Только 7 из 40 участников (18%) уверены, кто отвечает за обновление метаданных — это крайне низкий уровень осведомлённости.

• Половина респондентов (17 из 40) вообще не знает, кто несёт ответственность, особенно среди аналитиков и инженеров.

• Ещё 16 ответов — частичное понимание, что может указывать на недостаточную формализацию или слабую коммуникацию.

---

✅ Рекомендации:

1. Определить и задокументировать ответственных за обновление метаданных по ключевым наборам данных.

   • Информация должна быть легко доступна в каталогах данных и wiki.

2. Коммуницировать роли и зоны ответственности по метаданным через onboarding и обучающие материалы.

   • Включить в базовые тренинги по работе с данными и платформой.

3. Настроить системные оповещения или отчёты по устаревшим метаданным, чтобы стимулировать регулярное обновление и видимость задач.

Вопрос: Как определяется, кто должен решать проблемы с качеством данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Установлен процесс	2	9	0	0	0	2	13
Решается по ситуации	6	5	1	0	4	3	19
Не определено	3	1	0	0	0	0	4
Не знаю	2	0	0	0	0	2	4
Всего	13	15	1	0	4	7	40

---

🧠 Основные выводы:

• Только треть опрошенных (13 из 40) указали, что существует установленный процесс решения проблем с качеством данных. Это тревожный сигнал о слабой институционализации практики data quality management.

• Половина респондентов (19 человек) указали, что решение таких проблем зависит от ситуации, что говорит о высокой степени неформальности и рисках дублирования или игнорирования задач.

• Ещё 8 человек не знают или заявляют об отсутствии определённости, что усиливает риск “ничейных” данных и потери качества.

---

✅ Рекомендации:

1. Формализовать процесс реагирования на инциденты качества данных:

   • Зафиксировать роли (data owner, steward) и регламент в случае обнаружения проблем.

2. Внедрить централизованный процесс и маршрутизацию инцидентов по качеству данных:

   • Возможно в рамках Jira или аналогичного инструмента.

3. Обеспечить прозрачность — где и как можно зафиксировать проблему с качеством, и кто её увидит:

   • Это может быть часть роли data steward’а или специализированной команды контроля качества.

Вопрос: Насколько формализована передача ответственности при увольнении вашего коллеги?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Формализована полностью	2	0	1	0	1	0	4
Частично формализована	5	8	0	0	1	1	15
Неформализована	1	4	0	0	2	2	9
Не сталкивался(ась)	5	3	0	0	0	4	12
Всего	13	15	1	0	4	7	40

---

🧠 Основные выводы:

• Лишь 10% респондентов (4 из 40) уверены, что передача ответственности полностью формализована.

• Наиболее типичный сценарий — частичная формализация (15 ответов), что может создавать риски потери ответственности или знаний.

• 23% опрошенных (9 человек) прямо указали на отсутствие формализации процесса.

• Почти треть респондентов (12 человек) не сталкивались с подобной ситуацией, что может говорить как о низкой текучести, так и о недостаточной вовлечённости в процессы передачи данных.

---

✅ Рекомендации:

1. Создать стандартизированную процедуру передачи ответственности:

   • С чек-листами и фиксированными шагами при увольнении/смене роли.

2. Формализовать Knowledge Transfer:

   • Например, через обязательные handover-сессии, заполнение карточек роли/ответственности, обновление реестра владельцев данных.

3. Интегрировать процесс в HR- и IT-операции:

   • Включить в offboarding-процессы автоматическое уведомление data governance координаторов или владельцев доменов.

Вопрос: Принимаете ли вы участие в определении ролей и обязанностей по данным?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да	0	1	1	0	2	1	5
Иногда	5	4	0	0	1	3	13
Нет	8	10	0	0	1	3	22
Всего	13	15	1	0	4	7	40

---

🧠 Основные выводы:

• Только 5 из 40 участников прямо вовлечены в формирование ролей и обязанностей по данным — это всего 12.5%.

• Более половины опрошенных (22 человека) не участвуют в этих процессах вовсе.

• Роль аналитиков и инженеров данных остаётся преимущественно операционной, без участия в управленческих решениях.

• Менеджеры вовлечены заметно больше, чем другие группы, но всё ещё недостаточно для зрелой системы распределения ответственности.

---

✅ Рекомендации:

1. Вовлекать ключевых специалистов (особенно data engineers и analysts) в процессы определения ролей:

   • Это повысит принятие ролей и снизит конфликты зон ответственности.

2. Формализовать подход к ролевой модели:

   • Чётко определить, кто и на каком уровне должен участвовать в определении ролей и обязанностей.

3. Установить регулярные ревью и обновление ролевой структуры:

   • Особенно при изменении процессов, данных или командной структуры.

Вопрос: Кто в вашей команде принимает решения по вопросам владения данными?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Руководитель команды	5	7	0	0	2	3	17
Владельцы данных	4	4	0	0	0	1	9
Не знаю	2	1	0	0	0	2	5
Нет конкретного лица	2	3	1	0	2	1	9
Всего	13	15	1	0	4	7	40

---

🧠 Основные выводы:

• В 42.5% случаев (17 из 40) решения по владению данными принимает руководитель команды, что может говорить о низкой формализации роли data owner.

• В 22.5% случаев решения действительно принимаются владельцами данных, что является целевым поведением в зрелых DG-практиках.

• Почти четверть респондентов (14 из 40) либо не знают, кто принимает такие решения, либо указали, что ответственный не определён.

• Среди менеджеров и аналитиков наблюдается неопределённость в структуре ответственности.

---

✅ Рекомендации:

1. Формализовать модель владения данными:

   • Зафиксировать, что именно владельцы данных, а не руководители команд, принимают решения по своим наборам.

2. Провести коммуникационную кампанию по разграничению ролей:

   • Уточнить, кто такие владельцы данных, как они назначаются и какую ответственность несут.

3. Выделить ответственность за обучение и координацию владельцев данных:

   • Возможно, через роль Data Steward или координатора DG.

Вопрос: Есть ли в вашей команде ролевые конфликты, связанные с управлением данными?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Никогда	9	9	1	0	2	2	23
Редко	2	2	0	0	1	4	9
Иногда	2	3	0	0	1	1	7
Да, часто	0	0	0	0	0	0	0
Всего	13	14	1	0	4	7	39

---

🧠 Основные выводы:

• 59% участников (23 из 39) заявляют, что никогда не сталкивались с ролевыми конфликтами — это позитивный сигнал о стабильной распределённости ответственности.

• При этом, около 41% респондентов упомянули редкие или периодические конфликты, что указывает на наличие зон риска.

• Особенно часто конфликты упоминаются у инженеров данных и аналитиков, что может быть связано с пересечением в зонах ответственности.

---

✅ Рекомендации:

1. Провести диагностику точек пересечения ролей в командах:

   • Особенно среди аналитиков и инженеров, где чаще фиксируются конфликты.

2. Обновить или разработать матрицу ответственности (RACI):

   • Это поможет устранить неясности и снизить риск конфликтов на пересечении задач.

3. Внедрить механизм эскалации и разрешения ролевых споров:

   • Включая назначенного координатора или data steward, наделённого функцией урегулирования.

Вопрос: В каких системах зафиксированы роли и ответственность по данным?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Wiki / документация	8	11	1	0	2	1	23
В Excel-файлах	0	0	0	0	0	0	0
Не зафиксированы	1	1	0	0	0	2	4
Не знаю	4	2	0	0	2	3	11
Всего	13	14	1	0	4	6	38

---

🧠 Основные выводы:

• Wiki / документация — основной канал фиксации ролей (23 упоминания). Это положительный сигнал, особенно от аналитиков и инженеров.

• Однако 29% респондентов (11 из 38) не знают, где зафиксированы роли — это тревожный показатель невидимости или отсутствия распространения информации.

---

✅ Рекомендации:

1. Обеспечить централизованный и легко доступный ресурс:

   • Актуализировать Wiki/портал и обеспечить ссылки в onboarding-документах.

2. Провести коммуникационную кампанию:

   • Рассказать, где искать информацию по ролям и кто за неё отвечает.

Вопрос: Как часто пересматриваются роли и обязанности, связанные с работой с данными?

📌 Количественные итоги:

Частота пересмотра	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
По мере необходимости	10	11	1	0	2	3	27
Очень редко	2	2	0	0	1	1	6
Никогда	1	1	0	0	1	1	4
Регулярно (ежеквартально / ежегодно)	0	0	0	0	0	1	1
Всего	13	14	1	0	4	6	38

---

🧠 Основные выводы:

• Роли и обязанности пересматриваются преимущественно по мере необходимости — так ответили 71% респондентов. Это указывает на реактивный, а не проактивный подход к управлению ролями.

• Только один участник указал на наличие регулярного пересмотра, что говорит об отсутствии формализованного процесса review/ревизии.

• 10 человек (26%) считают, что роли пересматриваются очень редко или вообще никогда, что может способствовать накоплению неактуальной информации и ролевым конфликтам.

---

✅ Рекомендации:

1. Внедрить регулярный цикл ревизии ролей:

   • Привязать к корпоративному календарю: ежегодный аудит ролей или пересмотр при изменении бизнес-процессов.

2. Создать артефакт (матрицу ролей и обязанностей):

   • С отображением частоты пересмотра, ответственных за обновление и источников изменений.

3. Внедрить автоматизированные напоминания или задачи в трекере (Jira):

   • Чтобы не забывали проверять релевантность описанных зон ответственности и назначений.

Вопрос: Проводилось ли обучение по ролям и обязанностям в Data Governance?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Нет	7	4	1	0	2	3	17
Не знаю	4	7	0	0	1	1	13
Частично	1	3	0	0	1	1	6
Да	1	0	0	0	0	1	2
Всего	13	14	1	0	4	6	38

---

🧠 Основные выводы:

• Обучение почти не проводилось: только 2 человека подтвердили его наличие, и ещё 6 респондентов отметили частичное проведение.

• Более трети участников (17 ответов) прямо указали, что обучение не проводилось.

• Значительное число респондентов не в курсе, было ли обучение (13 человек), что указывает на низкий уровень коммуникации и документирования инициатив.

---

✅ Рекомендации:

1. Запустить базовую обучающую программу по ролям в Data Governance:

   • Для всех участников, работающих с данными (аналитики, инженеры, менеджеры).

   • Сделать акцент на разнице между владельцами, стюардами и потребителями данных.

2. Документировать и сделать доступной информацию об обучении:

   • Создать централизованный репозиторий или wiki-раздел с материалами.

3. Провести диагностику текущего уровня знаний команд:

   • Возможно, частичное обучение проводилось, но не воспринимается как таковое из-за низкой вовлечённости.

Вопрос: Насколько удобно вам выполнять ваши обязанности, связанные с управлением данными?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Скорее удобно	9	12	1	0	1	4	27
Скорее неудобно	3	0	0	0	1	2	6
Очень удобно	1	2	0	0	1	0	4
Очень неудобно	0	0	0	0	1	0	1
Всего	13	14	1	0	4	6	38

---

🧠 Основные выводы:

• Большинство (27 из 38) участников считают, что им скорее удобно выполнять обязанности, связанные с управлением данными.

• Лишь 7 человек указали на неудобство (6 — скорее неудобно, 1 — очень неудобно), что может быть связано с отсутствием инструментов или неясностью ролей.

• Высокий комфорт особенно характерен для аналитиков и инженеров, что говорит о более зрелых процессах или большей самостоятельности в этих ролях.

---

✅ Рекомендации:

1. Углублённо изучить причины неудобства для отдельных ролей (особенно среди менеджеров и прочих):

   • Провести фокус-группы или анкетирование для уточнения проблем (инструменты, процессы, документация и т.д.).

2. Поддержать и масштабировать удачные практики, где участникам удобно работать с данными:

   • Выделить команды с высоким уровнем удобства и изучить их подходы, чтобы тиражировать в другие подразделения.

3. Сопоставить восприятие удобства с фактической зрелостью процессов:

   • Возможно, субъективное ощущение удобства не всегда соответствует зрелым и контролируемым практикам.

Вопрос: Понимаете ли вы, как ваша роль влияет на общее качество данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Полностью понимаю	8	12	1	0	3	4	28
Частично понимаю	4	2	0	0	1	1	8
Слабо понимаю	1	0	0	0	0	0	1
Не понимаю	0	0	0	0	0	1	1
Всего	13	14	1	0	4	6	38

---

🧠 Основные выводы:

• 73% респондентов (28 из 38) заявили, что полностью понимают влияние своей роли на качество данных, что можно считать сильной стороной.

• 8 человек (21%) осознают свою роль частично, что даёт пространство для повышения прозрачности и просвещения.

• Лишь 2 ответа указывают на слабое или полное непонимание, но даже они представляют риски, особенно если связаны с операционной работой с данными.

• Вовлечённость аналитиков и инженеров — высокая, что положительно отражается на операционном контроле качества данных.

---

✅ Рекомендации:

1. Сделать акцент на документации и обучении для ролей с частичным или отсутствующим пониманием:

   • Это особенно важно для “прочих” участников и менеджеров, где наблюдается более низкая осведомлённость.

2. Внедрить или усилить фреймворки ответственности (например, RACI):

   • Для чёткого позиционирования роли каждого сотрудника в обеспечении качества данных.

3. Выделить best practices от тех, кто “полностью понимает”, и интегрировать в обучение новых и смежных ролей:

   • Это может быть особенно ценно при масштабировании DG-практик и формализации ролей.

Вопрос: Есть ли согласованные правила передачи ролей и зон ответственности при изменениях в команде?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Частично	8	2	0	0	3	1	14
Не знаю	3	7	1	0	0	3	14
Нет	1	3	0	0	1	1	6
Да	1	2	0	0	0	1	4
Всего	13	14	1	0	4	6	38

---

🧠 Основные выводы:

• Лишь 4 участника опроса подтвердили наличие согласованных правил передачи ролей, что указывает на низкий уровень формализации процесса.

• Самый частый ответ — «частично» (14 упоминаний) — свидетельствует о фрагментарной или неунифицированной практике.

• Вторая по частоте категория — «не знаю» (14 ответов) — особенно выражена среди инженеров данных и аналитиков, что говорит о низкой прозрачности процесса.

• Отсутствие чёткого протокола передачи ролей создаёт риски для непрерывности владения данными и качества управления.

---

✅ Рекомендации:

1. Разработать и внедрить стандарт процедуры передачи ролей и ответственности при изменениях в составе команды:

   • Особенно важно при увольнении, внутреннем перемещении или масштабировании проектов.

2. Коммуницировать правила и кейсы использования через доступные каналы (wiki, onboarding-гайды, внутренние тренинги):

   • Это поможет снизить процент ответов “не знаю” и повысить вовлечённость.

3. Назначить ответственных за контроль соблюдения и актуализации роли и зон ответственности:

   • Например, через функцию data stewardship или участие HR/PM в процессах передачи ответственности.

Вопрос: В вашей команде есть назначенные data stewards?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Нет	7	7	0	0	4	2	20
Да	5	5	1	0	0	2	13
Не знаю	1	2	0	0	0	2	5
Всего	13	14	1	0	4	6	38

---

🧠 Основные выводы:

• Более половины участников (20 из 38) указали, что в их команде нет назначенных data stewards, что говорит об отсутствии одной из ключевых ролей в рамках Data Governance.

• Только 13 респондентов подтвердили наличие таких ролей, при этом они отсутствуют в управленческом сегменте (0 у менеджеров).

• Незнание о существовании роли data steward отмечено в 5 ответах, в основном среди инженеров данных и других специалистов, что дополнительно подчеркивает недостаток осведомлённости и формализации.

---

✅ Рекомендации:

1. Внедрить роль data steward в команды, работающие с критичными наборами данных:

   • Начать с пилотных областей, где уже обозначены владельцы данных или есть проблемы с качеством.

2. Обозначить задачи и зоны ответственности data steward’ов:

   • Фокус на контроле качества, обеспечении документации и поддержке бизнес-глоссария.

3. Провести обучение и информационную кампанию:

   • Чтобы сотрудники понимали, кто такой data steward, зачем он нужен и как взаимодействовать с ним.

Вопрос: Есть ли различия в понимании ролей между бизнесом и IT?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да, значительные	5	7	0	0	1	0	13
Да, частично	6	3	1	0	1	1	12
Нет	0	0	0	0	1	0	1
Затрудняюсь ответить	2	4	0	0	1	5	12
Всего	13	14	1	0	4	6	38

---

🧠 Основные выводы:

• 25 из 38 участников (66%) отметили наличие различий в понимании ролей между бизнесом и IT, причём 13 из них указали на значительные расхождения.

• Только 1 респондент считает, что различий нет вовсе.

• 12 человек затруднились ответить, что также может свидетельствовать о недостаточной коммуникации и слабом вовлечении бизнес-стороны.

---

✅ Рекомендации:

1. Провести совместную сессию по выравниванию ролей и ожиданий между бизнесом и IT:

   • С фокусом на функциях владельцев данных, аналитиков и ИТ-исполнителей.

2. Зафиксировать и визуализировать распределение ролей в формате RACI или аналогичной матрицы:

   • Это позволит устранить недопонимание и повысить прозрачность.

3. Интегрировать единые определения и роли в корпоративные документы, вики и onboarding-процессы:

   • Сформировать единое понимание ролей в области данных на уровне всей организации.

Вопрос: Вовлечены ли владельцы данных в процесс принятия решений?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да, всегда	6	6	1	0	2	3	18
Иногда	3	5	0	0	1	2	11
Редко	4	2	0	0	1	0	7
Никогда	0	1	0	0	0	1	2
Всего	13	14	1	0	4	6	38

---

🧠 Основные выводы:

• Лишь 18 из 38 опрошенных (47%) считают, что владельцы данных всегда вовлечены в принятие решений, остальные 53% отметили более низкую степень участия.

• Почти каждый третий участник (11 ответов) указал, что вовлечение происходит лишь периодически.

• В 9 случаях (7 “редко” и 2 “никогда”) зафиксировано фактическое отсутствие устойчивого участия data owners в процессе принятия решений, что говорит о слабой институционализации их роли.

---

✅ Рекомендации:

1. Укрепить участие владельцев данных в жизненном цикле решений, особенно на этапах согласования требований и оценки качества данных.

2. Определить формальные точки вовлечения владельцев данных в процесс принятия решений (например, через схемы участия в steering committees).

3. Оценить текущие практики и внедрить KPI/метрики вовлечённости владельцев данных для отслеживания прогресса.

4. Повысить осведомлённость руководства и команд о роли и ценности владельцев данных — через кейсы и внутренние коммуникации.

Вопрос: Что бы вы хотели улучшить в распределении ролей и обязанностей в области Data Governance?

📌 Количественные итоги:

Инициатива	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Провести обучение	5	4	0	0	2	4	15
Назначить ответственных по всем наборам данных	4	10	0	0	2	2	18
Сделать роли прозрачнее	4	0	0	0	0	0	4
Обновить описания ролей	0	0	1	0	0	0	1
Всего	13	14	1	0	4	6	38

---

🧠 Основные выводы:

• Наиболее часто упоминаемая мера — необходимость формального назначения ответственных за все наборы данных (18 ответов), особенно от инженеров данных.

• 15 респондентов отмечают потребность в обучении, что подтверждает предыдущие сигналы о недостаточной осведомлённости и понимании ролей.

• Проблема непрозрачности ролей отмечена аналитиками, но не поддержана другими группами, что может говорить о различии в восприятии.

• Обновление описаний ролей почти не встречается среди ответов, что может указывать либо на незнание их существования, либо на более насущные первичные проблемы.

---

✅ Рекомендации:

1. Формально назначить ответственных за ключевые наборы данных и внести данные в корпоративные справочники или каталоги.

2. Организовать обучающие сессии по ролевой модели DG с кейсами и примерами для разных типов команд.

3. Разработать и опубликовать понятные описания ролей, сопровождая их визуальными схемами взаимодействия.

4. Обеспечить доступ к актуальной информации о ролях в централизованном ресурсе (wiki, каталог, портал).