数据治理需要转变

如果你在一年前问我，我会指出什么是数据治理的最佳实践，我的回答是看看哪些金融服务公司为满足其监管要求所做的工作。快进到GDPR时代以及来自加利福尼亚州（CCPA）的新隐私权要求，您不仅需要考虑客户的需求，还必须注意安全隐患。

从表面上看，您似乎可以为数据治理做以下事情：站起来处理人员和流程，分析数据，对数据进行分类，以及下推控制服务。

现在，我们可以讨论如何解决隐私，安全性，偏好和法规遵从性的所有要点。老实说，我们面对的是更大的画面旁边的学术。数据过于动态，联合和所有权复杂，无法应用相同的合规性做法作为数据治理的黄金标准。

是的，我是这样说的：立即终止您的数据治理计划。

在你们全部跳出管家的阴影告诉我，我已经失去了理智，并且不知道我在说什么，请听我说。

我们在数据治理计划中从未真正解决的问题 - 以及数据管理 - 是数据意图和护栏之间的真正联系。我们还假设您可以设想并识别可能发生数据风险的所有情景，并对其进行管理，以防止罚款或解雇。我在这里说这是绝对的h;（我有更好的话，但Forrester不会欣赏我的卡车司机嘴......）。

我已经谈了很多关于数据的个性化，联合管理，甚至在之前的博客文章，报告和网络研讨会中从一开始就将数据治理需求嵌入到DataOps交付中。这至少可以让您转向战略性和敏捷的数据治理方法。

但那只能让你到目前为止。您真正需要做的是将数据治理和策略执行推送到生态系统中存在的所有流程和自动化中。我们称之为环境数据治理。

当我们需要考虑客户和端点时（与GDPR和CCPA一样），我们不能再单独处理人员，流程，数字，分析和数据之间的界限。首选项捕获需要链接到公司策略和数据使用。

无论手动或自动生态系统如何，都需要考虑跨渠道，流程和业务单位/部门控制，删除或混淆数据的能力。

数据安全性不是作为单独的函数存在，而是存在执行权限和首选项的附加控制机制，而不是单独执行规则。如果您需要满足最后期限，数据治理官僚机构，规则编码，流程设计和报告将永远不会让您履行合规义务。

我们需要做的是采用我们的DataOps和敏捷开发方法，并将数据治理需求转化为应该是的智能数字解决方案。数字和人工智能不仅能够使数据为业务和客户更自然，更直观地工作，而且还是使治理的攻击性和防御性目标保持同步的自适应引擎。

正如我们将数字和人工智能视为运营我们业务的变革能力一样，这些相同的功能也将运行我们的数据。数字是我们传达数据和见解意图的窗口。AI是基于数据交互的意图（明确地和隐含地）生成，执行和调整策略，规则，标准和定义的分析辅助。

我们今天以有限的方式做到这一点。有一些数据治理服务可以帮助提高数据质量，因为在业务应用程序中工作的员工可以更正，更新并避免记录重复。

数据准备和编目工具使用机器学习来协助和建议采购，策划，挖掘和使用数据的方法。数据治理服务在后台智能运行，以自动更正和管理数据使用。

明天，我们需要将这些智能扩展到我们的数字生态系统中，以进一步提高我们因数据策略和边缘责任而减少数据使用的能力。智能应该利用意图，用法，沿袭，用例和策略之间的见解，并调整控制和启用数据的方法。

环境数据治理是一种策略和方法，它不仅可以扩展您的数据治理工作，还可以作为解决方案，以满足我们为新用例，法规和新出现的数字功能扩展数据时存在的模糊性。环境数据治理是数据背后的智能。