社区编辑申请
注册/登录
轻松搞跨数据治理,我们就靠这七招!
大数据 CIOAge
随着企业对数据重视程度的不断增加,数据治理解决方案越来越成熟,技术越来越先进。但不幸的是,仍有很多IT从业者,正陷入数据治理的泥潭中,无法自拔。为了帮助更多企业解决数据治理难题,本文梳理了7个常犯的错误。

相信,所有 CIO 都明白一个道理,如果数据治理失败,会给企业带来重大损失,包括财产损失、品牌名誉受损等,甚至会带来法律方面的风险。所以,如何制定一个强大的数据治理策略,以确保企业数据在满足安全和合规性要求的同时,更易于访问和管理,成为企业数字化转型过程中必修的一个课题。

随着企业对数据重视程度的不断增加,数据治理解决方案越来越成熟,技术越来越先进。但不幸的是,仍有很多IT从业者,正陷入数据治理的泥潭中,无法自拔。为了帮助更多企业解决数据治理难题,本文梳理了7个常犯的错误。

一、把数据治理视为一个技术项目

数据治理方案,不是一个一成不变的技术项目,而是需要灵活调整。换言之,与数据治理相关的政策制定,不应该是一个简单的规划,或者是一个项目式发布。因为,无法跟上变化的数据治理策略,最终结果一定是失败的。

另外,不合理的数据治理策略,会阻碍企业业务的正常发展,导致各个部门不得不靠自己的力量,自行解决。

反之,好的数据治理策略,会为业务助力。比如:有的企业可能会通过流程管理的方式,来处理现金流。员工表示完全能够接受这种方式,因为他们深知确保现金流安全的重要性。

如果说,数据是企业需要保护的重要资产,而评估、收集和保留一定的数据量和数据类型,就是一项艰巨的工作。如果数据治理得好,可以产生重大的经济价值;而如果只是一味地存储数据,没有权衡好数据的优劣,则会造成巨大的资源浪费。

二、忽视与集团领导层及业务层的高效沟通

数据治理是一个属于企业范围内的整体计划。在规划之初,就应该与业务部门提前沟通,达成一致意见,以免出现方向性的错误。

数据治理不应该被视为 IT 部门的“宠儿”,取得公司领导层以及整个业务部门的认可,同样重要。为了确保数据治理工作的可扩展性和可持续性发展,CIO在提出数据治理规划前,就应该明确业务目标,看重价值成果,关注生产力能力提升。

三、未能将数据真正的所有人纳入数据治理流程

很多数据治理项目最终失败,最大的失误是没有把真正的数据所有人拉入项目,并取得他们的认可和支持。

要知道,要进行数据治理的企业或者组织,不一定拥有和使用这些数据,而只是充当数据管理员的作用。所以,如何找到真正拥有或者使用数据的人,让他们对数据治理的计划和收益一目了然,是一个重大挑战。

数据治理是一个从上到下的工作,只有获得全链条的支持,最终才能取得成效。反之,如果期间有一方反对,那说明数据治理工作还有待继续改进。

对于一个数据管理员来说,购买一个能对数据进行分类或者管理的平台很容易,但如果你想更改数据结构,或者清理无价值的数据,一定要获得真正的数据拥有者的支持。

四、不重视各种条例和规范

将数据保护影响评估(GDPR)与隐私影响评估(PIA)结合,是了解、收集和使用数据的最有效手段,也是将与数据处理相关的人员、内容、时间、地点、原因和方式关联起来的最佳方法。

一些没有按照DPIA/PIA的要求来处理数据的企业,会失去数据保护能力,还会因使用未经授权的数据而处于不利地位,包括会遭遇严厉的监管处罚。

五、没有足够的底层技术能力

许多 IT 领导者常常会犯一个严重的错误,那就是在没有底层技术支撑能力前提下,引入数据治理策略。

如果你将本地集中式架构的数据,迁移到一个云平台,却没有云平台管理能力,那么业务团队不得不自己想办法,以自己的方式管理数据。显然,如果没有最好充分准备,冒然让数据上云,会让数据治理团队处于被动地位。

相反,如果我们在决定进行数据治理之前,就制定一个完整策略,让大家在同一个规划下,通过有效的工具和平台来管理和使用数据,那一定会取得事半功倍的效果。

六、没有建立全面的培训体系

如果没有相关的政策指导,进一步完善和巩固数据治理成果,鼓励员工使用新的数据共享平台,最终的数据治理工作也还是会失败。

建议在数据管理平台上线前,所有员工都要接受培训,以避免员工在无意间使用未经授权的数据或者应用。

数据管理团队在对特定的信息进行标准化之前,也要尽量听取员工的意见,了解他们的需求,确定哪些信息或者哪些协作工具更重要。另外,还要通过使用有效工具,控制敏感信息的泄露,最大化确保数据安全。

七、未指定项目责任人

在制定数据治理策略时,应指定具体的项目责任人,并且这位负责人要与业务高层深度沟通、相互配合,最终共同敲定方案。

同时,负责数据治理的主管,还应该与IT部门以及公司高层管理团队,定期召开会议,不断优化和调整数据治理方案。

总之,数据治理策略非常重要,需要精心设计。如果没有统一规划,每个业务单元都开发自己的业务系统,最终就失去了数据治理的意义。尤其是,随着时间的推移,应用越来越多,数据量越来越大,如果数据的格式都不统一,那后期的管理肯定越来越复杂。

 

责任编辑:未丽燕 来源: ITPUB
相关推荐

2022-05-10 09:53:45

数据治理数据开发DataOps

2022-05-13 11:24:09

数据美团

2022-04-14 14:09:25

数据治理数字化转型工具

2022-04-15 10:36:11

数据治理企业

2022-03-10 10:06:57

数据治理美团体系化建模

2022-04-20 07:48:09

微服务链路服务器

2022-04-25 14:55:31

数据管理数据驱动架构

2022-02-17 11:29:17

数据治理项目数据使用

2022-05-18 23:42:08

网络安全安全分析工具

2022-05-25 16:52:55

数据智能瑞数信息API

2022-05-20 14:54:33

数据安全数字化转型企业

2022-05-20 11:25:59

中台计算数据

2022-04-29 13:15:13

数据中台管控

2021-12-23 13:50:33

2022-04-21 10:49:30

智慧城市物联网

2022-05-12 13:44:35

2022-05-26 18:06:29

华为数据中心

2022-04-25 14:06:28

数据分析人工智能机器学习

2022-04-25 21:25:38

数据模式

2022-05-19 19:26:33

区块链大数据数据分析

同话题下的热门内容

2022中国城市人才吸引力排名2022年优秀预测分析工具和软件具备可视化的数据不仅可以节流,还可以开源详解元宇宙的七层产业链大数据技术的成功案例及趋势使用替代数据的五个隐性成本用 Spark SQL 进行结构化数据处理实施合理的数据收集策略的重要性

编辑推荐

使用Pandas&NumPy进行数据清洗的6大常用方法2018年7款最佳免费数据分析工具pyspark访问hive数据实战【漫谈数据仓库】 如何优雅地设计数据分层人工智能、大数据与深度学习之间的关系和差异
我收藏的内容
点赞
收藏

51CTO技术栈公众号