Líderes de dados em diferentes setores estão enfrentando um problema comum: como aplicar efetivamente inteligência artificial e aprendizado de máquina em seus projetos? governança de dados programas? Análises mais aprofundadas, escalabilidade Eficiência e otimização são objetivos comuns a serem alcançados ao se buscar implementar programas e processos modernos nessa área. Por isso, a BigID reuniu um grupo de executivos de diferentes setores para um painel de discussão sobre esse tema específico.
Em nossa recente cúpula digital, Modernizando a Governança de Dados: Alavancando a IA e Minimizando Riscos, exploramos como abordar essas questões. governança de dados moderna desafios com um painel de especialistas em governança de dados, incluindo Krishna Cheriath, vice-presidente de Dados Digitais e Análises da ZoetisPrisca Doe, Líder de Governança de Dados Consultiva, em eMoneye Wendy Turner-Williams, vice-presidente de Gestão e Estratégia da Informação, na Força de vendasContinue lendo para conferir os destaques e principais conclusões do painel. Aproveitando a IA/ML para implementar um programa de governança de dados.
Programas de Governança de Dados
Quando se trata de criar uma estratégia de governança de dados bem-sucedida, tudo depende do tamanho da organização. Às vezes, a centralização de dados é a melhor opção, enquanto outras vezes um modelo de hub e spoke faz mais sentido.
Para capacitar os responsáveis pela custódia de dados e gestores de dados – e transferir a responsabilidade e a propriedade dos dados para eles – é importante que os líderes de dados impulsionem os serviços compartilhados e as plataformas de dados que permitam às equipes não apenas inovar, mas também garantir que a governança esteja integrada ao processo do Ciclo de Vida de Desenvolvimento de Software (SDLC), assegurando que incorpore a confiança.
Para os nossos painelistas, a estratégia para construir programas de governança centra-se na identificação de estruturas, principais intervenientes e porta-vozes, e no trabalho para construir confiança e parceria com as diferentes equipas em toda a organização, de forma a identificar não só as suas prioridades, mas também as prioridades partilhadas em toda a empresa, para impulsionar a maturidade da gestão de dados de uma forma mais rápida.
Tradicionalmente, as ferramentas baseadas em IA e ML têm sido vistas como uma solução corporativa focada em desempenho. identificação de dados dentro da organização. Uma vez que os dados são identificados e classificados, as ferramentas específicas de cada departamento se integram a essas soluções para evitar que as equipes de liderança imponham ferramentas genéricas às unidades de negócios.
Governança de dados aliada à privacidade
Hoje, com o surgimento de cada vez mais regulamentações sobre privacidade e proteção de dados, os líderes da área precisam trabalhar em estreita colaboração com as equipes de compliance e jurídicas. RGPD foi a ponta de lança que agora está revitalizando a comunidade de governança de dados. Durante a discussão, nossos palestrantes destacaram que, neste mundo onde o GDPR é prioridade, garantir a confiança significa garantir a boa governança de dados. gerenciamento de metadados e privacidade.
As linhas que separam as equipes de governança de dados e privacidade estão se tornando cada vez mais tênues. Ambas as equipes precisam trabalhar em estreita colaboração para monitorar, operar e gerenciar dados, a fim de atender aos requisitos de confiança de maneira realista e proativa, em vez de reativa. Para que os componentes legais sejam implementados nos sistemas de toda a empresa, governança de dados É preciso primeiro garantir a segurança financeira – se você não sabe onde estão seus bens, não pode assegurar a fideicomisso.
E por falar em limites tênues, retenção de dados A governança de dados muitas vezes fica em uma posição intermediária entre as equipes de privacidade e governança. A próxima geração da governança de dados se concentra no compartilhamento de dados, nas funções apropriadas para o consumo de dados, nos metadados adequados, na privacidade e em outros mecanismos que a acompanham. Trata-se de questões éticas e do uso responsável dos dados, bem como da proteção dos direitos de dados de clientes, funcionários e outras partes interessadas. Esses não são mais elementos isolados, e as empresas precisam considerá-los como uma discussão mais ampla sobre dados, com muitos pilares que precisam trabalhar em conjunto.
Muitas vezes, quando os dados são coletados nos estágios iniciais de um relacionamento, há um grande foco no consentimento. No entanto, as empresas também precisam pensar na... todo o ciclo de vida dos dados À medida que os dados envelhecem, e como o uso dos dados passa de primário para secundário, e como as empresas mantêm a fidelidade aos conceitos originais sob os quais os dados foram coletados. Retenção de dadosAssim como o consumo de dados ao longo de seu ciclo de vida, é um conceito de extrema importância em qualquer empresa.
Catalogação de dados e glossário
É evidente que as equipes de governança de dados têm um escopo amplo e, à medida que mais elementos passam a ser analisados, dois permanecem como prioridade nos programas de governança de dados: catalogação de dados e funções de glossário de negócios.
Entender onde estão seus ativoscatalogando-os e garantindo que você tenha o correto marcação de metadados Orienta as decisões da maneira correta, seja qual for o seu foco: gestão do ciclo de vida e retenção de dados ou classificação de dados. Vivemos em um mundo de dados onde a velocidade e a escalabilidade dos dados são imensas. Os dias de tentar catalogar dados manualmente já ficaram para trás – não é escalável.
Há constantes mudanças nos dados que ocorrem diariamente, e é fundamental que as organizações contem com soluções de aprendizado de máquina altamente eficientes e escaláveis. catálogos de dados que apoiam essas mudanças.
Catálogos de dados Pode impulsionar a adoção de aprendizado de máquina e inteligência artificial, uma vez que as equipes de dados observam melhorias substanciais em relação à redução de custos operacionais para responder a perguntas, juntamente com o aumento da agilidade dos negócios por meio da democratização e descoberta de dados.
Catálogos de dados também estão sendo utilizados para avaliações de risco, avaliações de segurança e verificação de conformidade. Há muitos termos que precisam ser extraídos dos sistemas de origem e garantir que sejam gerenciados de forma padronizada e repetível. O aprendizado de máquina (ML) é um aspecto fundamental desse processo para tornar esses mecanismos de regras padrão consistentes e escaláveis.
Novidades em Qualidade de Dados
A qualidade dos dados definitivamente não é um tópico novo, mas para nós, da comunidade de dados, dados de alta qualidade são um dos objetivos finais. Alguns podem pensar que a qualidade dos dados é como um iceberg clássico: há foco acima da linha d'água e abaixo dela. Tradicionalmente, o interesse tem sido muito maior abaixo da linha d'água; as métricas e medições de qualidade de dados se concentram na gestão e na qualidade dos dados. Mas, recentemente, tem havido mais ênfase acima da linha d'água: qual é a aplicação dos dados para um contexto de valor de negócio? E qual é a qualidade e a veracidade dos dados para esse caso de uso de negócio?
As empresas precisam aproveitar abordagens tanto acima quanto abaixo da linha d'água para a qualidade dos dados.
Nos últimos anos, a qualidade dos dados passou a ser definida de forma mais abrangente, englobando diferentes dimensões. Trata-se de contextualizar as métricas de qualidade dentro de um caso de uso que agregue valor ao negócio. Dessa forma, a estratégia torna-se muito mais eficaz e garante diálogos bem-sucedidos com públicos tanto da área de negócios quanto da área de tecnologia.
Não há recursos humanos ou de gestão de dados suficientes para enfrentar os desafios da qualidade de dados sozinhos: isso só pode ser alcançado por meio de uma combinação de humanos e máquinas. Isso significa aplicar IA e ML para lidar com 80% dos desafios de qualidade de dados, enquanto se utiliza o valioso capital humano para os 20% restantes. As empresas precisam adotar uma abordagem que priorize o ML para resolver esses desafios, especialmente considerando a crescente heterogeneidade dos dados, bem como o volume com que todos temos que lidar.
Embora não exista uma fórmula mágica para o sucesso, uma das principais conclusões que podemos tirar do nosso painel de especialistas é que a estratégia de governança de dados precisa ser adaptada a cada organização específica. Uma estratégia de governança bem-sucedida deve estar alinhada aos objetivos de negócios da organização e utilizar a governança de dados como uma ferramenta essencial.
Na governança de dados, a IA e o ML podem ser aproveitados para introduzir inovações significativas. Com dados de alta qualidade, as equipes de dados podem apoiar uma cultura orientada a dados para acelerar a inovação dentro da organização: pense na gestão, qualidade e governança de dados como uma combinação de humanos e máquinas para escalar estrategicamente seus programas de governança.
Clique aqui para assistir à reprise da discussão.
Autor
