Datenexperten aus verschiedenen Branchen stehen vor einem gemeinsamen Problem: Wie können sie künstliche Intelligenz und maschinelles Lernen effektiv einsetzen, wenn es um ihre Datenverwaltung Programme? Tiefere Einblicke, Skalierbarkeit und Effizienz sind häufige Ziele bei der Implementierung moderner Programme und Prozesse in diesem Bereich. Aus diesem Grund hat BigID eine Gruppe von Führungskräften aus verschiedenen Branchen zu einer Podiumsdiskussion zu diesem speziellen Thema zusammengebracht.
Auf unserem jüngsten digitalen Gipfeltreffen „Modernisierung der Datenverwaltung: Nutzung von KI und Minimierung von Risiken“ haben wir untersucht, wie wir diese moderne Datenverwaltung Herausforderungen mit einem Gremium von Data-Governance-Experten, darunter Krishna Cheriath, VP of Digital Data and Analytics bei Zoetis; Prisca Doe, Leiterin der Advisory Data Governance, bei eGeld; und Wendy Turner-Williams, VP für Informationsmanagement und Strategie, bei SalesforceLesen Sie weiter, um die Highlights und wichtigsten Erkenntnisse des Panels zu erfahren. Nutzung von KI/ML zur Bereitstellung eines Data-Governance-Programms.
Data Governance-Programme
Die Entwicklung einer erfolgreichen Data-Governance-Strategie hängt stark von der Größe des Unternehmens ab. Manchmal ist eine Datenzentralisierung die beste Option, während ein Hub-and-Spoke-Modell sinnvoller ist.
Um Datenverwalter zu stärken und Datenverwalter – und ihnen die Verantwortung und das Eigentum an den Daten zu übertragen – ist es für Datenverantwortliche wichtig, die gemeinsamen Dienste und Datenplattformen voranzutreiben, die es den Teams nicht nur ermöglichen, Innovationen zu entwickeln, sondern auch sicherzustellen, dass die Governance in den Software Development Life Cycle (SDLC)-Prozess integriert ist und gleichzeitig dafür zu sorgen, dass Vertrauen entsteht.
Für unsere Diskussionsteilnehmer dreht sich die Strategie zum Aufbau von Governance-Programmen darum, Rahmenbedingungen, Schlüsselakteure und Ansprechpartner zu identifizieren und Vertrauen und Partnerschaften mit den verschiedenen Teams im gesamten Unternehmen aufzubauen, um nicht nur deren Prioritäten, sondern auch die gemeinsamen Prioritäten im gesamten Unternehmen zu ermitteln und so die Reife des Datenmanagements schneller voranzutreiben.
KI- und ML-basierte Tools wurden traditionell als unternehmensweite Lösung angesehen, die sich auf die Durchführung konzentriert Datenidentifikation innerhalb der Organisation. Sobald die Daten identifiziert und klassifiziert sind, lassen sich abteilungsspezifische Tools in diese Lösungen integrieren. So wird vermieden, dass die Führungsteams den Geschäftsbereichen Einheitstools aufzwingen.
Datenverwaltung trifft Datenschutz
Da heutzutage immer mehr Datenschutz- und Sicherheitsbestimmungen auftauchen, müssen Datenverantwortliche eng mit Compliance- und Rechtsteams zusammenarbeiten. GDPR war die Spitze des Speeres, der die Data-Governance-Community nun neu belebt. Während der Diskussion betonten unsere Diskussionsteilnehmer, dass in dieser DSGVO-orientierten Welt die Gewährleistung von Vertrauen die Gewährleistung von gutem Metadatenverwaltung und Privatsphäre.
Die Grenzen zwischen Data Governance- und Datenschutzteams verschwimmen. Beide Teams müssen eng zusammenarbeiten, um Daten zu überwachen, zu verwalten und zu verwalten und so Vertrauensanforderungen realistisch und proaktiv statt reaktiv zu erfüllen. Um rechtliche Komponenten unternehmensweit in die Systeme zu implementieren, Datenverwaltung ist zunächst erforderlich – wenn Sie nicht wissen, wo Ihre Vermögenswerte sind, können Sie kein Vertrauen gewährleisten.
Und wenn wir schon von verschwimmenden Grenzen sprechen, Datenaufbewahrung Die nächste Generation der Datenverwaltung dreht sich um Datenaustausch, geeignete Rollen für die Datennutzung, geeignete Metadaten, Datenschutz und andere damit verbundene Faktoren. Es geht um ethische Fragen und den verantwortungsvollen Umgang mit Daten sowie um den Schutz der Datenrechte von Kunden, Mitarbeitern und anderen Stakeholdern. Dies sind keine eigenständigen Elemente mehr, sondern Unternehmen müssen die Datenkommunikation als umfassendere, zusammenarbeitende Säulen betrachten.
Bei der Datenerfassung in der Anfangsphase einer Beziehung steht häufig die Einwilligung im Vordergrund. Unternehmen müssen jedoch auch über die gesamten Datenlebenszyklus mit der Alterung der Daten, und wie sich die Nutzung der Daten von der primären zur sekundären Nutzung weiterentwickelt und wie Unternehmen die Treue zu den ursprünglichen Konzepten wahren, unter denen die Daten erfasst wurden. Datenaufbewahrungsowie der Datenverbrauch über einen Lebenszyklus hinweg sind Konzepte von äußerster Wichtigkeit in jedem Unternehmen.
Datenkatalogisierung und Glossar
Es ist klar, dass Data-Governance-Teams einen breiten Aufgabenbereich haben, und da immer mehr Elemente in ihren Blick geraten, sind zwei, die in Data-Governance-Programmen im Vordergrund stehen, Datenkatalogisierung und Business-Glossar-Funktionen.
Verstehen, wo sich Ihre Vermögenswerte befinden, katalogisieren Sie sie und stellen Sie sicher, dass Sie die richtigen Metadaten-Tagging Führt Entscheidungen auf die richtige Weise, egal ob Ihr Fokus auf Lebenszyklus- und Datenaufbewahrungsmanagement oder Datenklassifizierung liegt. Wir leben in einer Datenwelt, in der Datengeschwindigkeit und Skalierbarkeit enorm sind. Die Zeiten, in denen Daten manuell katalogisiert wurden, sind längst vorbei – das ist nicht skalierbar.
Es gibt ständige Datenänderungen, die täglich stattfinden, und es ist wichtig, dass Unternehmen über hocheffiziente und skalierbare ML-gesteuerte Datenkataloge die diese Änderungen unterstützen.
Datenkataloge kann die Einführung von ML und KI vorantreiben, da Datenteams erhebliche Verbesserungen hinsichtlich der Senkung der Betriebskosten zur Beantwortung von Fragen sowie eine erhöhte Geschäftsflexibilität durch die Demokratisierung und Entdeckung von Daten feststellen.
Datenkataloge werden auch für Risikobewertungen, Sicherheitsbewertungen und Compliance-Prüfungen genutzt. Zahlreiche Begriffe müssen aus den Quellsystemen extrahiert und standardisiert und wiederholbar verwaltet werden. ML ist ein zentraler Aspekt dieses Prozesses, um die Konsistenz und Skalierbarkeit dieser Standardregel-Engines zu gewährleisten.
Neuigkeiten zur Datenqualität
Datenqualität ist definitiv kein neues Thema – aber für uns in der Daten-Community ist qualitativ hochwertige Daten eines der obersten Ziele. Manche denken vielleicht, Datenqualität sei ein klassischer Eisberg: Der Fokus liegt auf der Wasserlinie und auf der Wasserlinie. Traditionell lag das Interesse unter der Wasserlinie; Datenqualitätsmetriken und -messungen konzentrierten sich auf das Datenmanagement und die Datenqualität. In letzter Zeit liegt der Fokus jedoch stärker auf den Aspekten oberhalb der Wasserlinie: Welchen Nutzen haben die Daten im Kontext des Geschäftswerts? Und wie ist die Qualität und Richtigkeit der Daten für diesen Geschäftsanwendungsfall?
Unternehmen müssen zur Verbesserung der Datenqualität sowohl Ansätze oberhalb als auch unterhalb der Wasserlinie nutzen.
In den letzten Jahren wurde Datenqualität in verschiedenen Dimensionen breiter definiert. Es geht darum, die Qualitätsmaßstäbe in den Kontext eines Geschäftswert-Anwendungsfalls zu stellen. Auf diese Weise kann dies eine deutlich effektivere Strategie sein, die erfolgreiche Gespräche mit Wirtschafts- und Technologiepublikum garantiert.
Datenverwaltung und Humankapital reichen allein nicht aus, um Datenqualitätsprobleme zu lösen: Dies kann nur durch eine Kombination aus Mensch und Maschine erreicht werden. Das bedeutet, dass KI und ML eingesetzt werden, um 80 % der Datenqualitätsprobleme zu lösen, während das wertvolle Humankapital für die verbleibenden 20 % eingesetzt wird. Unternehmen müssen einen ML-First-Ansatz verfolgen, um diese Herausforderungen zu lösen, insbesondere angesichts der zunehmenden Heterogenität der Daten und des Datenvolumens, mit dem wir alle zu kämpfen haben.
Obwohl es kein Patentrezept für den Erfolg gibt, können wir aus unserer Expertenrunde lernen, dass die Data-Governance-Strategie auf jedes Unternehmen individuell zugeschnitten sein muss. Eine erfolgreiche Governance-Strategie muss die Geschäftsziele des Unternehmens aufeinander abstimmen und Data Governance als zentrales Instrument nutzen.
Im Rahmen der Datenverwaltung können KI und ML genutzt werden, um bedeutende Innovationen einzuführen. Mit hochwertigen Daten können Datenteams eine datengesteuerte Kultur fördern und so Innovationen im Unternehmen beschleunigen: Stellen Sie sich Datenverwaltung, -qualität und -verwaltung als eine Mensch-Maschine-Kombination vor, um Ihre Verwaltungsprogramme strategisch zu skalieren.
Klicken Sie hier, um die Aufzeichnung der Diskussion anzusehen
Autor
