Los líderes de datos de diferentes industrias están abordando un problema común: ¿cómo pueden aplicar eficazmente la inteligencia artificial y el aprendizaje automático cuando se trata de sus gobernanza de datos ¿Programas? Perspectivas más profundas, escalabilidad La eficiencia y la eficiencia son objetivos comunes al implementar programas y procesos modernos en este ámbito. Por ello, BigID reunió a un grupo de ejecutivos de diferentes sectores para una mesa redonda sobre este tema específico.
En nuestra reciente cumbre digital, Modernización de la gobernanza de datos: aprovechar la IA y minimizar el riesgo, exploramos cómo abordar estos gobernanza de datos moderna desafíos con un panel de expertos en gobernanza de datos, incluido Krishna Cheriath, vicepresidente de datos y análisis digitales de Zoetis; Prisca Doe, directora de gobernanza de datos consultivos, en Dinero electrónico; y Wendy Turner-Williams, vicepresidenta de gestión de información y estrategia, en Fuerza de ventasContinúe leyendo para conocer los aspectos más destacados y las conclusiones clave del panel. Aprovechar la IA y el aprendizaje automático para implementar un programa de gobernanza de datos.
Programas de gobernanza de datos
A la hora de crear una estrategia de gobernanza de datos exitosa, el tamaño de la organización depende en gran medida de su tamaño. A veces, la centralización de datos es la mejor opción, mientras que otras veces, un modelo de concentrador y radios resulta más conveniente.
Con el fin de empoderar a los custodios de datos y administradores de datos – y transferirles la responsabilidad y propiedad de los datos: es importante que los líderes de datos impulsen los servicios compartidos y las plataformas de datos que permiten a los equipos no solo innovar, sino también garantizar que la gobernanza esté integrada en el proceso del ciclo de vida del desarrollo de software (SDLC) al tiempo que se aseguran de que incorpore la confianza.
Para nuestros panelistas, la estrategia para desarrollar programas de gobernanza se centra en identificar marcos, actores clave y interlocutores, y trabajar para generar confianza y asociación con los diferentes equipos de la organización para identificar no solo cuáles son sus prioridades, sino también cuáles son las prioridades compartidas en toda la empresa para impulsar la madurez de la gestión de datos de una manera más rápida.
Las herramientas basadas en IA y ML se han considerado tradicionalmente como una solución para toda la empresa centrada en el rendimiento identificación de datos Dentro de la organización. Una vez identificados y clasificados los datos, las herramientas específicas de cada departamento se integran con dichas soluciones para evitar que los equipos directivos impongan herramientas universales a las unidades de negocio.
La gobernanza de datos se une a la privacidad
Hoy en día, a medida que surgen más regulaciones sobre privacidad y protección, los líderes de datos deben trabajar en estrecha colaboración con los equipos legales y de cumplimiento. GDPR Fue la punta de lanza que ahora está revitalizando la comunidad de gobernanza de datos. Durante el debate, nuestros panelistas destacaron que, en este mundo donde el RGPD es prioritario, garantizar la confianza significa garantizar la buena gestión de metadatos y privacidad.
La línea entre los equipos de gobernanza de datos y privacidad se está difuminando. Ambos equipos deben colaborar estrechamente para supervisar, operar y gestionar los datos y cumplir con los requisitos de confianza de forma realista y proactiva, en lugar de reactiva. Para que los componentes legales se implementen en los sistemas de toda la empresa, gobernanza de datos Es necesario primero: si no sabe dónde están sus activos, no puede garantizar la confianza.
Y hablando de difuminar líneas, retención de datos A menudo, la gobernanza de datos se encuentra entre los equipos de privacidad y gobernanza. La próxima generación de gobernanza de datos se centra en el intercambio de datos, los roles adecuados para su consumo, los metadatos apropiados, la privacidad y otros facilitadores que la acompañan. Se centra en cuestiones éticas y el uso responsable de los datos, así como en la protección de los derechos de los clientes, empleados y otras partes interesadas en relación con los datos. Estos ya no son elementos aislados, y las empresas deben considerarlo como una conversación más amplia sobre datos con múltiples pilares que deben trabajar conjuntamente.
Con frecuencia, cuando se recopilan datos en las etapas iniciales de una relación, se presta mucha atención al consentimiento. Sin embargo, las empresas también deben considerar... todo el ciclo de vida de los datos a medida que los datos envejecen, y cómo el uso de los datos pasa del uso primario al secundario y cómo las empresas mantienen la fidelidad a los conceptos originales bajo los cuales se recopilaron los datos. Retención de datos, así como el consumo de datos a lo largo de un ciclo de vida, es un concepto de suma importancia dentro de cualquier empresa.
Catalogación de datos y glosario
Está claro que los equipos de gobernanza de datos tienen un alcance amplio y, a medida que más elementos pasan a su vista, dos que siguen siendo centrales en los programas de gobernanza de datos son: catalogación de datos y funciones de glosario empresarial.
Entender dónde están sus activos, catalogándolos y asegurándose de tener la información correcta etiquetado de metadatos Toma decisiones de la manera correcta, ya sea que se centre en la gestión del ciclo de vida y la retención de datos o en la clasificación de datos. Vivimos en un mundo de datos donde la velocidad y la escalabilidad son inmensas. Atrás quedaron los días en que se intentaba catalogar los datos manualmente: no es escalable.
Hay cambios constantes de datos que ocurren a diario y es importante que las organizaciones tengan sistemas impulsados por ML altamente eficientes y escalables. catálogos de datos que apoyan esos cambios.
Catálogos de datos puede impulsar la adopción de ML y AI, ya que los equipos de datos ven mejoras sustanciales en lo que respecta a la reducción de costos operativos para responder preguntas, junto con una mayor agilidad empresarial a través de la democratización y el descubrimiento de datos.
Los catálogos de datos también se utilizan para evaluaciones de riesgos, evaluaciones de seguridad y verificación de cumplimiento. Hay muchos términos que deben extraerse de los sistemas de origen y garantizar su gestión estandarizada y repetible. El aprendizaje automático (ML) es un aspecto clave de este proceso para que estos motores de reglas estándar sean consistentes y escalables.
Novedades en calidad de datos
La calidad de los datos no es un tema nuevo, pero para quienes formamos parte de la comunidad de datos, la alta calidad de los datos es uno de los objetivos principales. Algunos podrían pensar que la calidad de los datos es un iceberg clásico: hay un enfoque por encima y por debajo de la línea de flotación. Tradicionalmente, ha habido mucho interés por debajo de la línea de flotación; las métricas y mediciones de calidad de los datos se centraban en la gestión y la calidad de los datos. Pero recientemente, se ha puesto más énfasis en lo que está por encima de la línea de flotación: ¿cuál es la aplicación de los datos para un contexto de valor empresarial? ¿Y cuál es la calidad y veracidad de los datos para ese caso de uso empresarial?
Las empresas necesitan aprovechar los enfoques tanto por encima como por debajo de la línea de flotación para abordar la calidad de los datos.
En los últimos años, la calidad de los datos se ha definido de forma más amplia en diferentes dimensiones. Se trata de contextualizar las medidas de calidad en un caso práctico de valor empresarial. De esta manera, puede ser una estrategia mucho más eficaz que garantice conversaciones exitosas con el público empresarial y tecnológico.
No existe suficiente gestión de datos ni capital humano para abordar los desafíos de calidad de datos por sí solo: solo se puede lograr mediante una combinación de personas y máquinas. Esto implica aplicar IA y ML para abordar el 80% de los desafíos de calidad de datos, mientras que el valioso capital humano se utiliza para el 20% restante. Las empresas deben adoptar un enfoque que priorice el ML para resolver estos desafíos, especialmente considerando la creciente heterogeneidad de los datos y el volumen con el que todos lidiamos.
Si bien no existe una receta única para el éxito, algo que podemos extraer de nuestro panel de expertos es que la estrategia de gobernanza de datos debe adaptarse a cada organización. Una estrategia de gobernanza exitosa debe alinear los objetivos de negocio de la organización y utilizar la gobernanza de datos como una herramienta esencial.
En la gobernanza de datos, la IA y el aprendizaje automático pueden aprovecharse para introducir innovaciones significativas. Con datos de alta calidad, los equipos de datos pueden impulsar una cultura basada en datos para acelerar la innovación dentro de la organización: considere la gestión, la calidad y la gobernanza de datos como una combinación de personas y máquinas para escalar estratégicamente sus programas de gobernanza.