数字经济以数据为发展动力，这种情况下，以数据为中心的组织占据了明显的优势。为了保持竞争力，组织必须要有数据管理策略，以有效地摄取、存储、组织和分析数据，同时确保数据的准确性和可访问性。然而，考虑到云和大数据等新兴技术的兴起以及对实时数据的需求，制定一个面向未来的数据管理策略并不那么简单。
此外，数据保护和隐私的新法规的实施以及个人可识别信息 (PII) 的使用也对组织影响不小。越来越多的业务用户和监管机构要求交付数据的整个“加工平台”变得更加透明，这意味着要使用更多的最新数据目录和元数据。
我们将在本文中介绍：为了制定有效的数据管理策略，需要克服的一些关键挑战。
实时数据访问
为了快速应对市场变化并支持实时分析应用场景，诸如监察使用者行为、优化广告和向使用者提供相关产品建议，组织需要访问实时数据。然而，大多数组织的数据架构并不支持这一点。商业智能 (BI) 和分析最常见的方法是使用多个提取、转换和加载 (ETL) 流程，将数据从源系统复制到数据仓库和数据湖等存储解决方案中。这种方法还适用于定期的业务报告，却不支持实时分析应用场景。
充分利用大数据的功能
为了进行高级分析，组织需要能够存储和分析越来越多各种各样的大数据源。其中包括文本（如合同和社交媒体信息）、语音信息（如空管和飞行员之间的对话）、图像（如事故损失照片）和视频（如机场和零售商店的安全摄像头所拍摄的视频）。组织也热衷于存储新业务程序生成的数据、需要推送到实时流媒体应用的流数据、游戏控制器等可穿戴设备的数据，以及来自连接装置的遥测数据。抛开分析不谈，海量多样的大数据将直接影响数据架构。
云平台互操作性
云计算技术的发展速度快于以往任何时候，而且数据集成平台正在精简网络连接并跨越平台界限，使得混合云与多云架构成为实际标准。新的数据架构策略应该支持云平台互操作性。借助于此，对于需要从多个云平台提取数据的业务场景，这进一步实现了对相关场景进行业务报告和分析。
数据科学
数据科学支持组织通过分析模型发现数据中隐藏的模式。这些分析模型使用统计学、深度学习、机器学习 (ML) 和人工智能 (AI) 等技术创建。然而，一些研究表明，数据科学家通常耗费 80% 的时间在数据准备任务上，如数据清洗和数据探索，而只有区区 20% 的时间是真正用来创建预测模型。因此，现代数据架构方案应将工具囊入其中，让数据科学家能够专注于他们的核心技能。
理想的数据管理策略
分析技术的环境已发生重大改变，当今的企业并不局限于执行简单的运营报告，而是应该使用高级分析来解决复杂业务挑战。从技术的角度来看，企业需要灵活的数据架构，为所有企业数据提供逻辑上整合的视图。这样的架构可以随时为数据使用应用程序、业务用户和高级分析团队提供数据，而不用考虑数据存储位置以及数据存储格式。数据虚拟化平台可以作为企业的语义层实施，起到架构核心的作用。数据虚拟化可以根据所有数据使用应用程序、业务用户或数据科学团队的需要，实时提供简化、集成的可信业务数据视图。数据虚拟化集成不同来源、位置和格式的数据，无需将数据复制到中央存储库，便可创建单一的、统一的数据访问层，将数据交付给多个数据使用应用程序。最终降低了实时访问企业数据的总成本。
2022/09/06
添加新评论