2022年组织数字化转型的五大数据治理趋势

随着我们步入 2022 年，数据的重要性成倍增加，数据管理的重点是主动数据管理和主动数据治理。而且也因为新技术和IT工具的发展，我们现在已可以实现密集型数据和隐私计算的自动化操作。在组织进行数字化转型、数据隐私计算和数据资产化过程中可采用的五种数据治理趋势。

 

1. 将数据质量治理扩展到客户驱动和洞察交付过程中

 

2022 年，数据资产价值的重要性正在得到充分认可，因此对于有效数据的需求正在增加。然而，许多公司仍然存在“数据孤岛”，影响数据的跨组织使用，公司中各部门认为部门内数据与公司其他产品无关，而且数据也不是以领域为中心。因此，很难利用跨部门的关键数据来产生有意义的洞察力，如营销分析和提升客户个性化体验。

先进的公司会意识到数据质量治理应优先向运营和提供更好的客户服务转变。当数据被准确地采集管理时，就可以实现这种情况；因此，从 2021 年开始，数据采集的质量管理是一个关键优先事项，并将继续下去。但是如果数据在人员和流程以及系统的过程中经历了转换，假如缺乏一致性就可能会影响客户服务。

 

跨产品和渠道协调的数据质量规则将带来一致的采集正确数据并利用它实现卓越运营。数据质量规则管理工具是公司必须具备的必要能力。此类工具可以带有分析、工作流管理功能，可用于批处理和实时数据。我们也可以在主数据和参考数据管理解决方案上执行统一的通用数据质量规则，而基于上下文的专门规则仍需要访问数据质量的工具和技能。

 

此外，对于许多公司而言，2022 年的重点将是纠正不良数据和解决数据输入以及应用程序管理客户数据中的 IT 问题。当然这也受到全球数据保护政策的影响，这些政策强调维护数据主体的准确数据以确保完整性。

 

Gartner 预测公司将在今年花费” 4.5 万亿美元 “在数字化转型方面，比 2021 年增长 5.5%。随着重点转向实现数字化旅程并在较短的服务时间内更好地为人们提供服务，基础数据需要是正确有效的。包括实时质量分析、数据恢复的自动校正以及数据标准化、集成以及使用 ELT 将其交付到数据仓库或数据湖的智能自动化等方面将是一个优先事项。用于实时质量管理的 Web 服务和 API 集成，同时向消费应用程序提供数据将是数据质量工具中的一个关键问题。

 

分析和 数据科学 人员将投入 50% 的精力用于数据准备。分析数据的质量并使其可用于数据科学建模是数据准备的重要组成部分。准确的数据是从人工智能模型中获得可交付见解的关键需求。现实世界中的数据有多准确才能给出可用的结果？这是可以优先考虑的数据质量的一个关键维度。

 

此外，人工智能模型的预测效率取决于输入数据的多样性、规模和质量。数据的覆盖范围和可用性将是确保数据科学人员产生的洞察质量的关键维度。

 

2. 以领域为中心的数据编目

 

集中式数据平台使级联主动管理数据和向业务和数据所有者交付利益变得更加复杂。由于传统数据平台基于特殊技能集的可用性，以及基于即时要求的数据产品工程，这导致在管理与客户服务或营销等特定领域相关的数据时不灵活。随着新数据产品的发展，与某些领域相关的数据的覆盖范围必须以一定的速度进行管理。这将为新产品开发、新模型和报告以及敏捷的集成视图提供服务。

 

作为一项基本原则，将数据按逻辑分组到域和数据集中可以轻松定义和主动管理数据。使用包括业务数据管理员在内的强大元数据管理运营模式对数据进行编目将是 2022 年的优先事项。获取数据目录只能支持一种记录元数据和定义的方式，而正确启用数据管理员、数据所有者和将需要平台来使用这些工具推动编目和可观察性。可以使用像 BIAN 这样的总体框架进行银行业务，它可以帮助对数据进行逻辑分类。

 

3. 数据网格和数据民主化

 

随着数据种类和数量的增加，更好地管理数据面临着越来越大的挑战，据估计，每天会产生 7.5 septillion GB 的数据。此外，在组织中，在没有正确指导的情况下，通过多个数据湖或数据仓库创建了孤岛，这最终将成为管理这种数据增长的挑战。为了实现灵活性，我们可以通过使用基于强大的元数据管理操作模型的语义网格（通常称为数据网格）来简化数据网格。这可以进一步使部门和职能之间的数据互操作，同时发挥竞争优势。数据网格简化了跨云和本地数据源的数据管理，即使数据是作为域进行管理的。

 

此外，数据民主化可以成为轻松管理跨域数据并使数据可用和可互操作的强大推动力。允许业务用户获取和使用相关数据以进行即时报告或生成洞察，可以显示减少传统上获取或获取数据的周转时间。数据民主化的另一个优势是让数据消费者对获取的新数据以及对数据的更改进行评估。

 

4. 数据隐私和客户同意偏好的主视图

 

2022 年，新的数据隐私法将继续通过，例如预计在印度推出的个人数据保护法案 (PDPB)，以及欧洲数据保护委员会等行业机构关于传输和去识别化概念的进一步指导和匿名化。同时，许多组织通过向客户发布隐私政策来启动数据保护计划。以易于理解的媒介向客户发布隐私政策是对客户的组织内部隐私原则的清晰表示。这为客户提供了关于如何将个人数据作为资产进行处理和保护的保证。但是，在发布隐私政策之前，那些启动数据保护功能的组织将专注于获取所需的功能，例如识别数据以进行隐私分类。他们还将专注于将隐私域定义和加密为优先域。数据办公室可以开始利用图表来设计处理客户个人数据的偏好，以用于营销或分析等目的。虽然主数据管理解决方案可以扩展同意和客户偏好框架，但图形数据库可以自然地回答诸如“客户通过哪个渠道提供的同意最多？”之类的问题。或“哪些客户及其关系同意营销？” 此外，跨首选渠道的产品、客户及其家庭的单一偏好视图可以很容易地分析。

 

数据发现解决方案或目录将有助于跨系统对数据进行分类，而隐私工程可以根据客户偏好通过基于控制的方法帮助清理数据，以实现个性化等目的。隐私自动化是一个重要的推动因素，它可以通过设计来帮助管理隐私风险，同时通过数据所有者跟踪控制，以结束工作流。这将简化通信管理以及对隐私风险所有权的混淆。

 

5. 数据管理和数据治理的价值实现

 

数据办公室的一个常见障碍是让这些部门拥有监控治理活动价值的指标。虽然存在降低运营成本和风险等常见的企业收益，但也有直接影响部门价值链的收益，例如客户服务效率。

 

1. 每个治理推动者都应该有一个与衡量相关的指标，例如花在元数据管理上的工时或词汇表中包含的业务术语的数量。

2. 然后，每个业务部门内的数据管理员可以管理有关运营和数据价值链的信息。

3. 数据管理员与部门一起发现用于衡量部门商业成功的成功因素和指标，例如服务时间、客户服务有效性、交叉销售率等等。

4.然后，建议在治理推动者和部门价值链之间建立追溯。

5. 企业主人可以认可这些指标并定期对其进行监控，例如数据完整性的提高。

所述方法在您希望治理渗透的公司中建立意识。正如我之前所说，该框架应该清楚地涵盖数据治理推动力、技术和流程影响之间的可追溯性，然后是业务影响和价值。

 

 

来源：转型数据治理

作者：Addagada