你需要知道的數據治理、數據管理以及數據民主化的最新趨勢
2021年的數據治理趨勢反映了不斷變化的數據管理格局，更加側重于集中化、改善的數據安全性和簡單的數據遠程訪問。在很大程度上，數據治理趨勢受到了新冠疫情帶來的持續影響，當時企業面臨著突然將工作模式轉向遠程辦公的情況。下面五個影響2021年軟件市場的數據治理趨勢表明，公司關注合規，以滿足越來越多的數據隱私法規的要求，并改善與數據治理任務相關的數據管理、性能和效率。根據歐文的《2021年數據治理和賦權狀況》報告，2021年的數據治理趨勢可能與過去幾年保持不變的驅動因素，包括:該公司指出，還有兩個新的數據治理政策的實施驅動力:這些新的驅動因素反映了新冠疫情流行帶來的獨特數據安全挑戰。對企業數據資產的廣泛遠程訪問帶來了跨企業網絡的新漏洞，包括那些影響數據隱私遵從等數據治理目標的漏洞。與過去幾年一樣，數據治理將繼續與其他數據管理工具(包括端到端數據管理平臺中的工具)一起發揮互補或集成的作用。企業認識到，不同的數據孤島經常會導致重大問題，特別是涉及到快速訪問、審計和報告時。統一的數據存儲庫更容易監督和保護。根據最近的一項調查，73%的IT決策者表示，他們在做業務決策時比以往任何時候都更依賴數據。然而，41%的受訪者表示，他們無法輕易獲得所需的數據。基于云的解決方案在簡化數據訪問和存儲方面越來越受歡迎。云數據存儲庫允許遠程工作人員和客戶端從任何地方訪問數據，比許多本地解決方案更具可伸縮性。越來越多的組織傾向于集中化，值得注意的是，數據安全變得更加重要，因為更廣泛的數據池對不良行為者更具吸引力。還必須保護集中數據，防止由于自然災害、意外刪除和機器故障造成的數據丟失。不斷擴大的數據池正在影響組織收集數據的方式。在此之前，企業可能會根據客戶偏好使用許多不同的數據收集方法，而更加標準化的數據收集有助于確保數據治理中的數據完整性。從一開始就一致的數據收集大大減少了數據監督所涉及的時間，因為分析師不需要手動調整數據的一致性。統一的數據收集也有利于某些人工智能(AI)增強的軟件解決方案，特別是那些涉及基于規則的機器學習(ML)的解決方案，這是一個影響網絡安全平臺和數據治理工具的問題。數據對于機器學習軟件來說至關重要——當數據結構不一致時，丟失大量數據的風險是非常常見的。數字分析專家Declan Owens表示，數據質量是一種必須持續保持的方法，以保證數據的可靠性。Owens說:“可以考慮創建一個數據治理機構，以永久監控流程的效率。”“如果一個數據項包含錯誤，研究它，糾正它，記錄它，然后采用適當的規則，這樣它就不會再發生。”企業越來越注重提高員工的數據素養，以提高跨部門和角色對數據的整體護理和處理。這種整體的方法可以全面改進數據治理。企業讓員工更深入地了解他們日常使用的數據,在數據安全性、數據處理和配置的最佳實踐和工具方面進行培訓,可以幫助公司取得更好的數據治理。在這種情況下，圍繞數據素養的想法是，從數據被添加到企業網絡的那一刻起，數據將被更仔細地處理。優先考慮數據完整性和安全性的公司文化肯定會帶來更好的審計、報告和遵從性。數據管理總體上已經轉向基于云的模式，在這種模式下，加密數據可以被遠程訪問和存儲。這些設置不僅能使業務實踐更加高效，而且還能幫助企業以各種方式將數據貨幣化。無論數據如何使用，云中的數據治理都是必須的。行業分析師預測，未來的數據隱私法規可能會考慮云存儲如何影響風險。各公司有望看到專門針對云數據的新法規即將出臺。大多數在云中執行數據治理任務的企業都在混合云或多個云環境中運行，這可以降低總體成本，因為并非所有數據都需要在更昂貴的私有云網絡中得到嚴密保護。據IDC稱，到2021年底，全球超過90%的企業可能會依賴混合云模型，包括私有云和公有云結合傳統平臺。人工智能和機器學習已經成為許多企業數據治理任務的規范。機器學習平臺可以自動化數據組織和遵從性審計等任務，為分析人員騰出時間處理安全功能等高優先級問題。機器學習工具使用的增加與數據完整性和一致性高度相關。這些平臺的可靠性取決于提供給它們的數據。現代機器學習在找出隱藏數據方面做得更好，但當數據被統一存儲時，它的表現仍然要準確得多。當前的數據治理趨勢主要關注圍繞數據處理的共享目標，以及有組織和統一的數據收集和存儲方法。在數據輸入/輸出和治理需求隨著時間的增長而增加的情況下，找出能夠支持這些優先級的軟件解決方案將有助于更好的支撐企業開展數據治理。2021年的數據管理趨勢反映了商業世界幾年來一直在經歷的數字發展。企業比以往任何時候都要負責管理更多的數據——在可靠的數據管理框架下工作的各個行業的公司比競爭對手有明顯的優勢。以下的五種重要的數據管理軟件趨勢反映了對大規模、整體方法的日益增長的需求。數據管理已成為企業的重要組成部分。數據是每個流程的核心，必須根據眾多的法規遵循需求進行治理。例如，數據科學專業人士已經成為就業市場上最搶手的求職者之一，這一點也不奇怪，而不僅僅是在技術類職位中。根據QuantHub的數據，2020年，美國面臨著超過25萬名數據科學家和數據工程師的短缺。這種短缺有助于利用人工智能(AI)和自動化新興趨勢的數據管理軟件的進步。在企業采用基于云計算的數據資源方面，疫情就像在已經燃燒的火焰上再加汽油。突然之間，數百萬員工需要訪問公司數據并進行遠程協作，而基于云的解決方案往往具有明顯的優勢。特別是混合和多云方法，已經成為云數據管理策略的關鍵驅動因素。云基礎設施服務市場在2020年以來一直強勁增長，許多公司都簽約了多個云環境。根據Flexera的《2020年云狀況報告》，93%的企業正在實施多云、多供應商戰略，而87%的企業專注于混合云方法，即本地和私有云資源連接到公共云存儲庫。為什么多重云?總之就是多樣化。企業日益認識到跨不同云環境共享數據資源的財務、安全和技術效益。例如，當涉及到保護私有數據資產時，私有云存儲是必須的，但一些數據可以從更便宜的公共云網絡安全地存儲和訪問。軟件制造商越來越多地提供端到端混合數據管理平臺解決方案，這些解決方案允許公司在集中位置獲得更好的可視性和對分散數據的控制。IBM一直是這個領域的領導者，其對現代混合數據管理平臺的定義是:“確保完全可訪問性，不論來源或格式，支持各種部署選項，消除限制，使數據訪問民主化，并利用嵌入式機器學習的智能分析能力。”這種數據管理趨勢是幾年來主要由大數據驅動的趨勢的延續。企業要管理的數據量是前所未有的，這與整個科技行業持續存在的人員短缺相沖突，尤其是與數據相關的角色。人工智能和機器學習(ML)為容易出現人為錯誤的人工過程引入了非常有價值的自動化。AI/ML領域的先進技術可以更有效、準確地處理數據識別和分類等基礎數據管理任務。企業也在使用AI和ML解決方案來支持更先進的數據管理任務，包括:業內專家預計AI/ML將繼續發展。我們可以期待看到提供智能的、基于學習的方法的軟件解決方案，包括搜索、發現和容量規劃。據Gartner稱，到2021年底，增強數據管理可能會將手工數據管理任務減少45%。在數據量呈指數級增長、數據科學人才數量不斷減少的情況下，這種改善的重要性無論怎么強調都不過分。當公司想要留住數據科學專業人員時，他們希望最大限度地發揮他們的才能，而不是指導他們從事數據清理等手工工作。增強數據管理解決方案通常通過人工智能和ML來攝取、存儲、組織和維護數據。數據準備和數據清理等手工密集型任務可以通過增強數據方法來執行。分布式分類賬系統使企業能夠維護更安全的交易記錄、資產跟蹤和審計跟蹤。該技術與區塊鏈技術一起，以一種無法更改的分散形式存儲數據，提高了數據處理相關記錄的真實性和準確性，包括金融交易數據、敏感數據檢索活動等。數據結構是一個較新的術語，它包含了將不同的數據從多個來源編織在一起的概念。專注于改善企業數據結構的軟件包括單一統一的平臺，用于管理本地和云環境中的數據差異。數字分析專家德克蘭·歐文斯(Declan Owens)表示，盡管似乎任何公司都可以收集數據，但數據必須“結構化、定性、安全、易于內部獲取，才能推動收入和增長。”數據結構技術的另一個突出焦點是效率。這些程序可以通過連接到多個數據源的互連架構加速和簡化提取、轉換和加載(ETL)過程。使用該技術可以顯著節省時間，特別是在應用程序之間手動移動和復制數據所需的時間。所謂的“無障礙接入和共享”是一個新興趨勢，在不久的將來肯定會繼續得到發展。在尋求數據管理軟件解決方案時，一定要記住這些當前的趨勢。如果程序和平臺不包括像現代AI/ML、區塊鏈和整體、集中的特性這樣的進步，它們很快就會過時。與過去幾年一樣，2021年的數據民主化趨勢將集中在以直觀、可訪問的方式將用戶與數據和信息鏈接起來。企業和其他組織使用直觀的工具和接口來幫助他們實現數據民主化的目標。這些工具通常包括代碼片段和插件、機器學習人工智能模型以及開源數據和代碼。下面列出的5個值得注意的數據民主化趨勢，展示了組織在員工和許多面向客戶的方式中接受數據民主化的一些方式。從幾個角度來看，將人與數據直接安全地連接起來，可以讓組織采用更精簡的策略。特別是，數據民主化是組織從他們已經擁有的數據中獲得更多價值的一種方式。數據民主化的主要目標是將非專業人士與他們自己的數據聯系起來。在關于數據民主化的討論中，經常使用術語“公民訪問”，這是對消除或減少訪問障礙這一首要目標的認可，在這一點上，絕大多數企業員工可以自主收集和分析數據。為什么要推動數據更易獲取?首先，過去幾年進行的許多研究一致表明，以數據為中心的組織:Forrester預測，到2021年底，以數據為中心的企業每年將賺取1.8萬億美元。根據Experian 2020年數據民主化報告，81%的受訪商業領袖表示，數據民主化是一項關鍵舉措。現代數據分析平臺越來越多地提供自助數據分析，這些數據分析對編碼知識要求很低(或根本不需要)。易于理解的儀表板接口允許非專業人員訪問和創建基于任意數量參數的數據可視化。這些特征變得很重要，不僅因為核心焦點有助于簡化工作流程，還因為技術人員持續短缺。數據分析師和工程師幾乎是每個就業領域最受歡迎的專業職位。能夠繞過這些專家完成某些任務，比如數據可視化，這將幫助組織以更有效的方式利用他們的技術人員。在美國即將出臺的衛生與公共服務條例以將醫療記錄的所有權直接交到病人手中。目前，醫療數據存在于不同的醫療保健系統中，大多數患者無法以整體的方式查看自己的健康數據。相反，健康數據通常以碎片形式存儲。心臟病專家可能只持有與患者心臟健康相關的記錄，而他們的糖尿病治療信息只能通過內分泌專家的數字門戶網站訪問。病歷可以共享，但對于患者和醫務人員來說，這往往是一個勞動密集型的過程，容易出現錯誤和疏忽。使用集中式的、個人擁有的健康記錄消除了訪問的障礙，比如需要注冊多個在線賬戶。它還賦予病人更多的權利，讓他們能夠控制自己的記錄何時被共享。行業觀察人士預計，實現這一目標的一種方式是通過智能應用程序，讓供應商掃描代碼，獲取藥物和其他健康指標。例如，當開出新處方時，藥劑師可以快速掃描病人的設備以檢查藥物相互作用。谷歌的夜鶯項目(Project Nightingale initiative)，該項目使用機器學習數據和人工智能，根據存儲在平臺之外的個人健康記錄提出患者護理建議。醫療保健初創公司肯定會以類似的方式應用預測分析，推動一種全新的醫療保健方法，這種方法由可選擇的醫療數據共享推動。與即將出臺的有關醫療數據所有權的法規類似，員工數據也可能成為個人擁有的資產。行業觀察人士預計，將出臺針對人工智能偏見的立法，讓雇主有責任確保他們使用的算法符合現實世界的道德規范。從邏輯上講，人工智能在提供數據的基礎上存在一種固有的偏見，因此雇主需要盡可能不帶偏見的數據。理想情況下，圍繞員工數據的立法將有助于為歷史上被邊緣化的群體創造公平的競爭環境。當員工離開他們在組織的職位時，他們將能夠把他們的數據足跡帶回家。有助于促進數據民主化的軟件通常包括自動統一分析功能。該軟件允許用戶使用拖放來創建與搜索、存儲和分析數據相關的自動化操作。從這里開始，通常只需再點擊幾下即可創建引人注目的數據可視化。統一分析自動化平臺將在未來發揮關鍵作用，因為它將吸引越來越多的非技術員工。數據分析師和工程師是有價值的公司資產，他們可以更好地把時間花在更深入的工作上，而不是數據發現和重復分析任務。銷售和客戶服務等面向客戶的部門可以提供更無縫的體驗，更多地獲取決策數據和洞察，如過去的客戶行為。當企業工作流中客戶服務人員和客戶數據之間存在多重障礙時，響應時間和客戶滿意度就會受到影響。如果組織的建立方式允許面向客戶的員工安全地訪問關鍵數據，就可以在提高效率和降低總成本的同時，提供更全面、更積極的客戶體驗。數據民主化可以以多種方式加強組織流程。盡管如此，謹慎地采取數據民主化步驟還是很重要的。從收集到處理再到分析，每一個過程都必須保護數據。
本站僅提供存儲服務，所有內容均由用戶發布，如發現有害或侵權內容，請
點擊舉報。
