Os líderes de dados em diferentes setores estão enfrentando um problema comum: como podem aplicar efetivamente a inteligência artificial e o aprendizado de máquina quando se trata de seus governança de dados programas? Insights mais profundos, escalabilidade e eficiência 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 tópico específico.
Em nossa recente cúpula digital, Modernizando a governança de dados: aproveitando 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 Zoetis; Prisca Doe, líder de governança de dados consultivos, em eMoney; e Wendy Turner-Williams, vice-presidente de Gestão de Informações e Estratégia, da Salesforce. Continue lendo para ver os destaques e principais conclusões do painel Aproveitando IA/ML para fornecer um programa de governança de dados.
Programas de Governança de Dados
Criar uma estratégia de governança de dados bem-sucedida depende muito do porte da organização. Às vezes, a centralização de dados é a melhor opção, enquanto outras vezes um modelo de hub e spoke faz mais sentido.
A fim de capacitar os responsáveis pela custódia dos dados e administradores de dados – e passar a responsabilidade e a propriedade dos dados para eles – é importante que os líderes de dados conduzam os serviços compartilhados e as plataformas de dados que permitem que as equipes não apenas inovem, mas também garantam que a governança esteja incorporada ao processo do Ciclo de Vida de Desenvolvimento de Software (SDLC), ao mesmo tempo em que garantem que ele incorpore confiança.
Para nossos painelistas, a estratégia para criar programas de governança gira em torno da identificação de estruturas, principais participantes e porta-vozes, e do trabalho para criar confiança e parceria com as diferentes equipes da organização para identificar não apenas quais são suas prioridades, mas quais são as prioridades compartilhadas em toda a empresa para impulsionar a maturidade do gerenciamento de dados de forma mais rápida.
As ferramentas baseadas em IA e ML são tradicionalmente vistas como uma solução para toda a empresa focada no desempenho identificação de dados dentro da organização. Uma vez identificados e classificados os dados, ferramentas específicas do departamento são integradas a essas soluções para evitar que as equipes de liderança imponham ferramentas padronizadas para todas as unidades de negócios.
Governança de dados encontra privacidade
Hoje, à medida que mais regulamentações de privacidade e proteção continuam a surgir, os líderes de dados devem trabalhar em estreita colaboração com as equipes jurídicas e de conformidade. GDPR foi a ponta da lança que agora está revigorando a comunidade de governança de dados. Durante o debate, nossos painelistas destacaram que, neste mundo que prioriza o GDPR, garantir a confiança significa garantir a boa gerenciamento de metadados e privacidade.
Os limites entre as equipes de governança de dados e privacidade estão se esvaindo. Ambas as equipes precisam trabalhar em estreita colaboração para monitorar, operar e gerenciar dados a fim de atender aos requisitos de confiança de forma realista e proativa, em vez de reativa. Para que os componentes legais sejam implementados nos sistemas de toda a empresa, governança de dados é necessário primeiro – se você não sabe onde estão seus ativos, não pode garantir a confiança.
E falando em linhas borradas, retenção de dados frequentemente se situa entre as equipes de privacidade e governança. A próxima geração de governança de dados envolve compartilhamento de dados, funções apropriadas para o consumo de dados, metadados apropriados, privacidade e outros facilitadores que a acompanham. Trata-se de questões éticas e uso responsável dos dados, além de proteger os direitos de dados de clientes, funcionários e outras partes interessadas. Esses não são mais elementos discretos, e as empresas precisam pensar nisso como uma conversa 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 muita ênfase no consentimento. No entanto, as empresas também precisam pensar sobre todo o ciclo de vida dos dados à medida que os dados envelhecem, como o uso dos dados passa do uso primário para o secundário e como as empresas mantêm a fidelidade aos conceitos originais sob os quais os dados foram coletados. Retenção de dados, assim como o consumo de dados ao longo do ciclo de vida, é um conceito de extrema importância dentro de qualquer empresa.
Catalogação de Dados e Glossário
É claro que as equipes de governança de dados têm um amplo escopo e, à medida que mais elementos entram em seu campo de visão, dois que permanecem em destaque nos programas de governança de dados são catalogação de dados e funções de glossário de negócios.
Entendendo onde estão seus ativos, catalogando-os e certificando-se de que você tem o direito marcação de metadados direciona decisões da maneira certa, seja seu foco o gerenciamento do ciclo de vida e da retenção de dados ou a 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 de forma manual já se foram – não é mais possível escalá-los.
Há mudanças constantes de dados que acontecem diariamente e é importante que as organizações tenham sistemas de ML altamente eficientes e escaláveis. catálogos de dados que estão apoiando essas mudanças.
Catálogos de dados pode impulsionar a adoção de ML e IA, pois as equipes de dados veem melhorias substanciais em relação à redução de custos operacionais para responder a perguntas, juntamente com maior agilidade empresarial por meio da democratização e descoberta de dados.
Catálogos de dados também estão sendo utilizados para avaliações de risco, 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.
O que há de novo em qualidade de dados
Qualidade de 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 de dados é um iceberg clássico: há foco acima e abaixo da linha d'água. Tradicionalmente, tem havido muito interesse abaixo da linha d'água; métricas e medições de qualidade de dados focadas na gestão dos dados 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 acima e abaixo da linha d'água para a qualidade dos dados.
Nos últimos anos, a qualidade dos dados tem sido definida de forma mais ampla, abrangendo diferentes dimensões. Trata-se de contextualizar as medidas de qualidade em um caso de uso de valor comercial. Dessa forma, pode ser uma estratégia muito mais eficaz, capaz de garantir conversas bem-sucedidas com públicos de negócios e tecnologia.
Não há administração de dados ou capital humano suficientes para enfrentar os desafios de qualidade de dados sozinhos: isso só pode ser alcançado por meio da combinação homem-máquina. Isso significa aplicar IA e ML para enfrentar 80% dos desafios de qualidade de dados, enquanto utiliza o capital humano altamente valioso para os 20% restantes. As empresas precisam adotar uma abordagem que priorize o ML para resolver esses desafios, especialmente com a crescente heterogeneidade de dados e o volume com o qual todos temos que lidar.
Embora não exista uma receita única para o sucesso, uma coisa que podemos extrair 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 alinhar os objetivos de negócios da organização e usar a governança de dados como uma ferramenta essencial.
Na governança de dados, IA e ML podem ser aproveitados para introduzir inovações significativas. Com dados de alta qualidade, as equipes de dados podem apoiar uma cultura orientada por dados para acelerar a inovação dentro da organização: pense na administração, qualidade e governança de dados como uma combinação homem-máquina para escalar estrategicamente seus programas de governança.