指数技术时代的数据治理

新兴的数据需求和数据生成技术需要两种类型的数据治理：安全性，以及整体企业级治理的需求，而不是逐个孤岛的治理。

企业中出现了一个重要的新价值来源：与所谓的指数技术相关的数据，例如物联网（IoT），增强现实（AR），人工智能（AI）和机器人技术。

这些技术生成并消耗大量数据，通过适当的治理，这些数据可以成为新的和破坏性的客户参与模式，新产品和服务，新业务模型以及数字转换的基础。虽然每个领域都有自己独特的机遇和挑战，但有两个领域的数据治理对所有这些领域至关重要：安全性，以及对整体企业级治理的需求，而不是对孤立的治理。筒仓基础。

弥合信任差距

公司与客户和利益相关者之间的关系始终建立在相互信任的基础上，但最近很多公司都没有跟上交易的结束。像GDPR和新加利福尼亚州消费者隐私法案这样的法规是信任鸿沟的症状，这些信任是由无休止的数据泄露和超出客户意图或授权的数据使用造成的。 

要恢复信任，仅 基于法规遵从性的数据治理是不够的。公司必须成为真正的数据保管人，数据治理必须由客户和利益相关者的需求驱动。鉴于当今企业中复杂而分散的数据世界，这需要广泛的端到端战略。

整体观点

每个接触数据的人都熟悉数据碎片的强烈倾向。例如，理想采购的数据可能无法满足工厂车间的需求，更不用说仓储系统或零售店的需求，即使这些业务功能之间存在很大的相互依赖性。

指数技术也不例外，这种数据孤岛的趋势。这些技术的早期迭代可能更多地被视为试验或实验，因此从业务的其他部分集成和共享数据和元数据的优先级可能是最小的。但在架构层面，为这些技术提供支持的所有必要数据的集成和治理必须是核心设计原则，而不是事后的想法。否则，从实验走向现实的过程将大大延迟。

物联网

在物联网方面，数据治理挑战涉及所有“3 V - 容量，速度和变化。公司仍然在学习如何处理大数据，而物联网将大量数据量大大减少。此外，物联网产生流数据，这与传统的交易数据非常不同。如果公司要实时利用这些数据，他们将需要学习如何动态解析和处理流媒体事件，通常无法控制数据的来源或如何收集数据。能够实现这一目标的公司将能够为其客户提供引人注目的功能。例如，制造商监控的联网汽车可以在发生任何损坏之前通知驾驶员低油或传感器问题。

摄取，过滤和聚合所有这些数据需要仔细规划，而像传感器读数频率这样的“小”细节可以在成功中发挥重要作用。存储是另一个问题。目前批量捕获的方法在长期基础上是不可行的，因为任何公司存储的数据都太多了。最后，必须找到将这些数据与其他企业数据（包括驻留在遗留系统中的数据）集成的方法，以便从这些数据可以阐明的新见解中真正生成价值。

增强现实

增强现实依赖于两种类型的数据：位置数据（位置，方向）以及增加用户所看到的内容所需的文本和视觉相应资产。该领域的良好治理意味着立即使所需资产可用，这可能会影响存储选项。某些资产（例如与零售相关的资产）也需要定期更新，但AR可以提供的体验值得付出努力。例如，进入百货商店的顾客可以根据他们的购买历史被引导到特定的展示，一旦他们到达，他们就可以在装有AR的“魔镜”中看到自己穿着最新的时尚而不必亲自穿上衣服。