|
到目前为止，许多组织都致力于通过分发技术、基于访问的分析交付机制和AI功能来规范数据的使用和消费。但是，随着数据保护法律和法规的健全以及企业对数据保护和隐私的认识，很多公司已经对数据收集的正规化进行管理。实际上，这是数据生命周期的第一个阶段。 一、从正规渠道收集第三方数据从源头管理数据质量：在众多的内部和外部数据中，统一数据质量规则将为采购正确的数据带来一致性。未来，基于AI数据规则发现技术的使用将有所增加，这将使数据管理人员更容易修复大规模的不良数据。例如，手机号码的有效性规则在所有从合作伙伴处收集数据时都可以保持一致。即使数据是孤立的，这种方法也消除了数据质量监控中的歧义。 -使用AI测量精度—干净的数据是从机器学习功能中获得价值的关键需求。数据的规模和多样性也是AI应用的一个重要的方面； -数据质量和数据治理也可以最大化AI的价值。 分类和标记合法数据：通常组织需要将从第三方收集的数据分类为私有数据和禁止复制数据。数据保护最佳实践建议最大限度地减少从客户收集的数据，以减少数据安全风险的范围。 加强的客户信任：随着与客户之间建立信任，他们将更加乐于为您提供其他禁止拷贝的数据，以改善所获得的服务和产品。例如，如果要去欧洲旅行，我将提供旅行日期和要到的银行地点。这样一来，银行就可以为我提供一张外汇卡，并可以进行国际交易和增加卡的限额。 所有权和管理权：对于大多数数据所有者而言，数据所有权通常不是全职工作，而对于数据管理员来说却可能是全职工作。越来越多的组织采用专职管理人员进行管理。 二、提高数据意识和素养有关上下文数据、数据流程、最佳配置技术以及支持这些自助服务方法的工具的知识对于使数据民主化至关重要。但是，随着技术的进步，包括虚拟化、自助服务发现目录和数据传递机制，内部数据使用者可以在更短的周期内获得和提供数据。2020年，组织平均花一周到三周的时间来配置来自多个源的集成在内的复杂数据。 此外，数据意识的增强将帮助数据消费者发现更多可用的暗数据，这些数据可以提供预测性见解，从而创建可以推动业务模式创新的场景。 衡量数据管理的收益并与价值链保持一致：数据素养实际上改变了企业所有者对必须主动管理和治理数据的态度。通过定义数据或修复质量差的数据来主动管理数据是有很大好处的。但是，需要一个价值实现框架来积极管理数据和服务。 数据伦理：将数据隐私和数据共享结合起来可以在业务生态系统中推动创新，同时释放数据的经济价值。对于任何完善的组织而言，第一步就是建立一个可以很好地治理和管理数据的受控环境。该活动将进一步增强对由营销等各种职能部门管理的内部数据的信任，并营造一种“以数字和以客户为中心”的共享文化。 众所周知，数据治理将对公司治理产生一系列积极影响，与此同时，组织外部的人们开始信任组织作为其数据的管理者。尽管组织要么是数据的控制者，要么是数据的处理者，但是组织可以被视为具有道德责任，负有维护数据完整性的责任。 数据保护：随着政府对数据保护和治理政策的日益关注，对数据保护方法的认识有助于为遵守法律做好准备。 人工智能在数据保护中的应用：人工智能和数据保护领域的发展在很大程度上取决于经济和社会需求。尽管人工智能通过整理数万亿个大数据并从中学习来开发更好的客户服务，但数据保护能够在人们之间建立信任，以与组织共享数据。最近的一项调查来自Gartner表明到2023年超过40％的隐私合规性技术将依赖AI。 三、更加实时的数据互操作基于实时数据处理的深度学习模型得出的见解来推动业务过程中的决策是有好处的。这需要实时地将数据流水线化，而不是将小批量或批处理实时地流到数据湖或云仓库来运行人工智能模型。 您试着回答一个简单问题-您是要在应用程序状态更改之前处理数据流，还是数据流到湖泊或仓库中以在15至30分钟的时间范围内获得见解？ 当我们分解这件事时，数据架构与信息技术相关联的是，拥有适当的可用技术堆栈，同时满足安全性要求。即以通过批处理，低延迟的实时边界和可接受的延迟的半实时内部数据移动时保障安全性。 另一个示例：当客户在房屋贷款申请表上填写数据时，使用实时数据的反向传递模型可以驱动基于人口统计的决策，例如洪水保险或火灾保险，或提示其他保护计划。或者，它实际上可以在某些相关数据（例如收入或工作地点）中预测来自客户的欺诈或错别字。 以下是数据管理的促成因素的重点领域： -数据传递管理：如何从源传递数据？ -平台治理：是否有存储策略与成本相关的流程？ -数据供应：事实来源是否在整个领域得到认证？ -元数据和数据的含义：是否存在统一的数据结构或业务数据模型以通过标准建立信任？ -集成管理：是否使用通用标准和规范模型？ -数据可用性：合法的消费者可以轻松发现数据吗？ Gartner预测，到2023年，组织可以通过采用数据结构将集成交付的时间缩短30％。 平台治理：当前公司在加速发展数字化转型跨职能和服务客户的多个过程。通过集成和聚合多源以及避免“数据沼泽”来交付高质量数据，这已经成为可能。 平台治理是交付健康大数据和本地数据平台的基础。越来越多的平台（包括数据仓库、数据湖和云仓库）受到用于计算和存储的成本的推动，增加了平台团队的复杂性。 需要一种形式化的方法来维护授权的供应源、集成方法、冗余维护以及其他用途，例如删除客户数据的特定实例。 四、面向未来业务的数据策略在变更组织策略的时间间隔内分析组织的数据和数字策略将有助于收益的协调。 下列与数据相关的目标已被确定与组织目标有关： -可用于决策的可靠有用数据的内部平衡计分卡维度 -充分利用数据和技术解决方案-客户平衡的记分卡维度 -基于数据的投资和服务组合的已实现收益-财务平衡计分卡维度 在对当前状态进行成熟度评估时，会引出以下问题： -价值链中的数据收集，分析和决策通常既费时又昂贵。 -数据是输入每个业务流程的核心因素，并得到应用程序的支持。必须在整个组织中定义和验证数据收集，访问和交付的依赖性。 当今企业中的数据价值越来越多地基于数据发现，正确的数据解释，覆盖范围，可用性和互操作性的核心原则。 五、在云上管理数据如果变更策略是由法规驱动的，则管理数据必须创建一个控制环境。它是关于创建一个有利的环境，以帮助组织将数据货币化以获取收益。此外，领导的主要关注点是了解云中数据治理的业务价值。大多数组织将首选混合云架构，因为它是一种流行的选择。通过广泛分布在多个云提供商以及本地传统系统中的数据，治理数据变得更加重要。 IDC预测，到2021年，超过90％亚太地区的许多企业将依赖内部部署以及私有云和公共云以及旧平台的组合来满足其基础架构需求。 |
|
|
