你需要知道的数据治理、数据管理以及数据民主化的最新趋势
2021年的数据治理趋势反映了不断变化的数据管理格局，更加侧重于集中化、改善的数据安全性和简单的数据远程访问。在很大程度上，数据治理趋势受到了新冠疫情带来的持续影响，当时企业面临着突然将工作模式转向远程办公的情况。下面五个影响2021年软件市场的数据治理趋势表明，公司关注合规，以满足越来越多的数据隐私法规的要求，并改善与数据治理任务相关的数据管理、性能和效率。根据欧文的《2021年数据治理和赋权状况》报告，2021年的数据治理趋势可能与过去几年保持不变的驱动因素，包括:该公司指出，还有两个新的数据治理政策的实施驱动力:这些新的驱动因素反映了新冠疫情流行带来的独特数据安全挑战。对企业数据资产的广泛远程访问带来了跨企业网络的新漏洞，包括那些影响数据隐私遵从等数据治理目标的漏洞。与过去几年一样，数据治理将继续与其他数据管理工具(包括端到端数据管理平台中的工具)一起发挥互补或集成的作用。企业认识到，不同的数据孤岛经常会导致重大问题，特别是涉及到快速访问、审计和报告时。统一的数据存储库更容易监督和保护。根据最近的一项调查，73%的IT决策者表示，他们在做业务决策时比以往任何时候都更依赖数据。然而，41%的受访者表示，他们无法轻易获得所需的数据。基于云的解决方案在简化数据访问和存储方面越来越受欢迎。云数据存储库允许远程工作人员和客户端从任何地方访问数据，比许多本地解决方案更具可伸缩性。越来越多的组织倾向于集中化，值得注意的是，数据安全变得更加重要，因为更广泛的数据池对不良行为者更具吸引力。还必须保护集中数据，防止由于自然灾害、意外删除和机器故障造成的数据丢失。不断扩大的数据池正在影响组织收集数据的方式。在此之前，企业可能会根据客户偏好使用许多不同的数据收集方法，而更加标准化的数据收集有助于确保数据治理中的数据完整性。从一开始就一致的数据收集大大减少了数据监督所涉及的时间，因为分析师不需要手动调整数据的一致性。统一的数据收集也有利于某些人工智能(AI)增强的软件解决方案，特别是那些涉及基于规则的机器学习(ML)的解决方案，这是一个影响网络安全平台和数据治理工具的问题。数据对于机器学习软件来说至关重要——当数据结构不一致时，丢失大量数据的风险是非常常见的。数字分析专家Declan Owens表示，数据质量是一种必须持续保持的方法，以保证数据的可靠性。Owens说:“可以考虑创建一个数据治理机构，以永久监控流程的效率。”“如果一个数据项包含错误，研究它，纠正它，记录它，然后采用适当的规则，这样它就不会再发生。”企业越来越注重提高员工的数据素养，以提高跨部门和角色对数据的整体护理和处理。这种整体的方法可以全面改进数据治理。企业让员工更深入地了解他们日常使用的数据,在数据安全性、数据处理和配置的最佳实践和工具方面进行培训,可以帮助公司取得更好的数据治理。在这种情况下，围绕数据素养的想法是，从数据被添加到企业网络的那一刻起，数据将被更仔细地处理。优先考虑数据完整性和安全性的公司文化肯定会带来更好的审计、报告和遵从性。数据管理总体上已经转向基于云的模式，在这种模式下，加密数据可以被远程访问和存储。这些设置不仅能使业务实践更加高效，而且还能帮助企业以各种方式将数据货币化。无论数据如何使用，云中的数据治理都是必须的。行业分析师预测，未来的数据隐私法规可能会考虑云存储如何影响风险。各公司有望看到专门针对云数据的新法规即将出台。大多数在云中执行数据治理任务的企业都在混合云或多个云环境中运行，这可以降低总体成本，因为并非所有数据都需要在更昂贵的私有云网络中得到严密保护。据IDC称，到2021年底，全球超过90%的企业可能会依赖混合云模型，包括私有云和公有云结合传统平台。人工智能和机器学习已经成为许多企业数据治理任务的规范。机器学习平台可以自动化数据组织和遵从性审计等任务，为分析人员腾出时间处理安全功能等高优先级问题。机器学习工具使用的增加与数据完整性和一致性高度相关。这些平台的可靠性取决于提供给它们的数据。现代机器学习在找出隐藏数据方面做得更好，但当数据被统一存储时，它的表现仍然要准确得多。当前的数据治理趋势主要关注围绕数据处理的共享目标，以及有组织和统一的数据收集和存储方法。在数据输入/输出和治理需求随着时间的增长而增加的情况下，找出能够支持这些优先级的软件解决方案将有助于更好的支撑企业开展数据治理。2021年的数据管理趋势反映了商业世界几年来一直在经历的数字发展。企业比以往任何时候都要负责管理更多的数据——在可靠的数据管理框架下工作的各个行业的公司比竞争对手有明显的优势。以下的五种重要的数据管理软件趋势反映了对大规模、整体方法的日益增长的需求。数据管理已成为企业的重要组成部分。数据是每个流程的核心，必须根据众多的法规遵循需求进行治理。例如，数据科学专业人士已经成为就业市场上最抢手的求职者之一，这一点也不奇怪，而不仅仅是在技术类职位中。根据QuantHub的数据，2020年，美国面临着超过25万名数据科学家和数据工程师的短缺。这种短缺有助于利用人工智能(AI)和自动化新兴趋势的数据管理软件的进步。在企业采用基于云计算的数据资源方面，疫情就像在已经燃烧的火焰上再加汽油。突然之间，数百万员工需要访问公司数据并进行远程协作，而基于云的解决方案往往具有明显的优势。特别是混合和多云方法，已经成为云数据管理策略的关键驱动因素。云基础设施服务市场在2020年以来一直强劲增长，许多公司都签约了多个云环境。根据Flexera的《2020年云状况报告》，93%的企业正在实施多云、多供应商战略，而87%的企业专注于混合云方法，即本地和私有云资源连接到公共云存储库。为什么多重云?总之就是多样化。企业日益认识到跨不同云环境共享数据资源的财务、安全和技术效益。例如，当涉及到保护私有数据资产时，私有云存储是必须的，但一些数据可以从更便宜的公共云网络安全地存储和访问。软件制造商越来越多地提供端到端混合数据管理平台解决方案，这些解决方案允许公司在集中位置获得更好的可视性和对分散数据的控制。IBM一直是这个领域的领导者，其对现代混合数据管理平台的定义是:“确保完全可访问性，不论来源或格式，支持各种部署选项，消除限制，使数据访问民主化，并利用嵌入式机器学习的智能分析能力。”这种数据管理趋势是几年来主要由大数据驱动的趋势的延续。企业要管理的数据量是前所未有的，这与整个科技行业持续存在的人员短缺相冲突，尤其是与数据相关的角色。人工智能和机器学习(ML)为容易出现人为错误的人工过程引入了非常有价值的自动化。AI/ML领域的先进技术可以更有效、准确地处理数据识别和分类等基础数据管理任务。企业也在使用AI和ML解决方案来支持更先进的数据管理任务，包括:业内专家预计AI/ML将继续发展。我们可以期待看到提供智能的、基于学习的方法的软件解决方案，包括搜索、发现和容量规划。据Gartner称，到2021年底，增强数据管理可能会将手工数据管理任务减少45%。在数据量呈指数级增长、数据科学人才数量不断减少的情况下，这种改善的重要性无论怎么强调都不过分。当公司想要留住数据科学专业人员时，他们希望最大限度地发挥他们的才能，而不是指导他们从事数据清理等手工工作。增强数据管理解决方案通常通过人工智能和ML来摄取、存储、组织和维护数据。数据准备和数据清理等手工密集型任务可以通过增强数据方法来执行。分布式分类账系统使企业能够维护更安全的交易记录、资产跟踪和审计跟踪。该技术与区块链技术一起，以一种无法更改的分散形式存储数据，提高了数据处理相关记录的真实性和准确性，包括金融交易数据、敏感数据检索活动等。数据结构是一个较新的术语，它包含了将不同的数据从多个来源编织在一起的概念。专注于改善企业数据结构的软件包括单一统一的平台，用于管理本地和云环境中的数据差异。数字分析专家德克兰·欧文斯(Declan Owens)表示，尽管似乎任何公司都可以收集数据，但数据必须“结构化、定性、安全、易于内部获取，才能推动收入和增长。”数据结构技术的另一个突出焦点是效率。这些程序可以通过连接到多个数据源的互连架构加速和简化提取、转换和加载(ETL)过程。使用该技术可以显著节省时间，特别是在应用程序之间手动移动和复制数据所需的时间。所谓的“无障碍接入和共享”是一个新兴趋势，在不久的将来肯定会继续得到发展。在寻求数据管理软件解决方案时，一定要记住这些当前的趋势。如果程序和平台不包括像现代AI/ML、区块链和整体、集中的特性这样的进步，它们很快就会过时。与过去几年一样，2021年的数据民主化趋势将集中在以直观、可访问的方式将用户与数据和信息链接起来。企业和其他组织使用直观的工具和接口来帮助他们实现数据民主化的目标。这些工具通常包括代码片段和插件、机器学习人工智能模型以及开源数据和代码。下面列出的5个值得注意的数据民主化趋势，展示了组织在员工和许多面向客户的方式中接受数据民主化的一些方式。从几个角度来看，将人与数据直接安全地连接起来，可以让组织采用更精简的策略。特别是，数据民主化是组织从他们已经拥有的数据中获得更多价值的一种方式。数据民主化的主要目标是将非专业人士与他们自己的数据联系起来。在关于数据民主化的讨论中，经常使用术语“公民访问”，这是对消除或减少访问障碍这一首要目标的认可，在这一点上，绝大多数企业员工可以自主收集和分析数据。为什么要推动数据更易获取?首先，过去几年进行的许多研究一致表明，以数据为中心的组织:Forrester预测，到2021年底，以数据为中心的企业每年将赚取1.8万亿美元。根据Experian 2020年数据民主化报告，81%的受访商业领袖表示，数据民主化是一项关键举措。现代数据分析平台越来越多地提供自助数据分析，这些数据分析对编码知识要求很低(或根本不需要)。易于理解的仪表板接口允许非专业人员访问和创建基于任意数量参数的数据可视化。这些特征变得很重要，不仅因为核心焦点有助于简化工作流程，还因为技术人员持续短缺。数据分析师和工程师几乎是每个就业领域最受欢迎的专业职位。能够绕过这些专家完成某些任务，比如数据可视化，这将帮助组织以更有效的方式利用他们的技术人员。在美国即将出台的卫生与公共服务条例以将医疗记录的所有权直接交到病人手中。目前，医疗数据存在于不同的医疗保健系统中，大多数患者无法以整体的方式查看自己的健康数据。相反，健康数据通常以碎片形式存储。心脏病专家可能只持有与患者心脏健康相关的记录，而他们的糖尿病治疗信息只能通过内分泌专家的数字门户网站访问。病历可以共享，但对于患者和医务人员来说，这往往是一个劳动密集型的过程，容易出现错误和疏忽。使用集中式的、个人拥有的健康记录消除了访问的障碍，比如需要注册多个在线账户。它还赋予病人更多的权利，让他们能够控制自己的记录何时被共享。行业观察人士预计，实现这一目标的一种方式是通过智能应用程序，让供应商扫描代码，获取药物和其他健康指标。例如，当开出新处方时，药剂师可以快速扫描病人的设备以检查药物相互作用。谷歌的夜莺项目(Project Nightingale initiative)，该项目使用机器学习数据和人工智能，根据存储在平台之外的个人健康记录提出患者护理建议。医疗保健初创公司肯定会以类似的方式应用预测分析，推动一种全新的医疗保健方法，这种方法由可选择的医疗数据共享推动。与即将出台的有关医疗数据所有权的法规类似，员工数据也可能成为个人拥有的资产。行业观察人士预计，将出台针对人工智能偏见的立法，让雇主有责任确保他们使用的算法符合现实世界的道德规范。从逻辑上讲，人工智能在提供数据的基础上存在一种固有的偏见，因此雇主需要尽可能不带偏见的数据。理想情况下，围绕员工数据的立法将有助于为历史上被边缘化的群体创造公平的竞争环境。当员工离开他们在组织的职位时，他们将能够把他们的数据足迹带回家。有助于促进数据民主化的软件通常包括自动统一分析功能。该软件允许用户使用拖放来创建与搜索、存储和分析数据相关的自动化操作。从这里开始，通常只需再点击几下即可创建引人注目的数据可视化。统一分析自动化平台将在未来发挥关键作用，因为它将吸引越来越多的非技术员工。数据分析师和工程师是有价值的公司资产，他们可以更好地把时间花在更深入的工作上，而不是数据发现和重复分析任务。销售和客户服务等面向客户的部门可以提供更无缝的体验，更多地获取决策数据和洞察，如过去的客户行为。当企业工作流中客户服务人员和客户数据之间存在多重障碍时，响应时间和客户满意度就会受到影响。如果组织的建立方式允许面向客户的员工安全地访问关键数据，就可以在提高效率和降低总成本的同时，提供更全面、更积极的客户体验。数据民主化可以以多种方式加强组织流程。尽管如此，谨慎地采取数据民主化步骤还是很重要的。从收集到处理再到分析，每一个过程都必须保护数据。
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
