数据治理（R）演变

数据治理继续发展 - 并且很快。

从历史上看，Data Governance 1.0是在IT中分散的，主要关注编目数据以支持搜索和发现。然而，由于它忽略了 数据资产的含义及其在更广泛的数据环境中的关系，因此在增值方面做得不够  。

然后推动数字化转型和大数据创造了DG摆脱IT阴影的需求 - 数据治理2.0引入了为现代数据驱动业务设计的原则。这种方法承认了对协作数据治理的需求，拆除组织孤岛以及将责任分散到更多角色。

但是在过去的一年里，我们都目睹了数据治理的觉醒 - 或者正如“ 华尔街日报”所称的那样，“全球数据治理计算”。数据引人瞩目，创造了巨大的创伤 - 从Facebook到Equifax，从雅虎到Aetna。这个清单一直在继续。然后，欧盟的通用数据保护条例（GDPR）生效，许多组织都争先恐后地遵守法规。

那我们今天在哪里？

简而言之，数据治理需要成为公司文化中无处不在的一部分。您的利益相关者在协作关系中包含IT和业务用户，从而使数据治理每个人的业务。

数据治理是数据隐私，安全性和合规性的基础。此外，大多数组织不会使用他们所充斥的所有数据来深入了解如何增加收入，实现合规性或制定战略决策。他们面临数据困境：不知道他们拥有什么数据或者其中的某些数据 - 以及从众多系统中集成各种格式的已知数据，而无法自动化该流程。

为了加速将关键业务信息转换为准确且可操作的洞察力，组织需要一个自动化，实时，高质量的数据管道。然后，每个利益相关者 - 数据科学家，ETL开发人员，企业架构师，业务分析师，合规官，CDO和CEO - 都可以根据可靠的信息推动所需的结果。

将数据治理连接到您的组织

1.数据映射和数据治理

自动生成数据沿袭的物理实施例 - 用于协调和聚合的事务和运营数据的创建，移动和转换 - 为使利益相关者理解其数据，将其信任为治理良好的资产并使用它提供了最佳途径。有效。能够为标准化的非技术环境快速记录谱系，为构建和维护分析平台的任务带来业务一致性和灵活性。

2.数据建模和数据治理

数据建模发现并收集数据模式，并分析，表示和传达数据需求。它为了清晰度和一致性而合成和标准化数据源，以备份治理要求以仅使用受控数据。它可以自动将集成和编目数据映射到模型和从模型中映射，从而可以将它们存储在中央存储库中，以便在整个组织中重复使用。

3.业务流程建模和数据治理

业务流程建模揭示了使用特定数据元素的工作流，业务功能和应用程序。这要求这些资产是基于自动数据沿袭和业务术语表创建的集成数据管道的适当管理组件。

4.企业架构与数据治理

企业架构中的数据流和架构图受益于自动评估和记录当前数据架构的能力。自动提供和持续维护业务词汇表本体和集成数据目录是治理流程的关键部分。

EDGE革命

 通过将企业架构，  业务流程，  数据映射  和  数据建模结合在一起  ，erwin的数据治理方法使组织能够掌握如何处理数据并实现其最大价值。凭借最广泛的元数据连接器和自动代码生成，数据映射和编目工具，erwin EDGE平台简化了整个数据管理和数据治理生命周期。

这种单一的集成解决方案可以通过为自动化，高质量和实时的数据管道提供支持，从而收集  商业智能，进行IT审计，确保合规性并实现任何其他组织目标。

erwin  EDGE  创建了“ 企业数据治理体验”  ，促进了IT和业务之间的协作，以发现，  理解和解锁静态和动态数据的价值。

通过erwin EDGE，数据管理和数据治理统一并相互支持业务利益相关者和IT部门：

• 发现数据：识别和集成来自各种数据管理孤岛的元数据。
• 收获数据：自动收集来自各种数据管理孤岛的元数据，并将其整合到单一来源中。
• 结构数据：将物理元数据连接到特定的业务术语和定义以及可重用的设计标准。
• 分析数据：了解数据与业务的关系以及它具有的属性。
• 地图数据流：确定数据集成的位置并跟踪其移动和转换的方式。
• 治理数据：制定治理模型以管理标准和政策并制定最佳实践。
• 社交数据：使利益相关者能够在一个地方和他们的角色环境中查看数据。