我有機會在DATAVERSITY的DGIQ + AIGov 2024會議上進行工作坊。像這樣的活動提供了一個機會，可以了解全球數據管理領域的最新趨勢，交流想法，並直接向經驗豐富的專業人士學習。
在這系列的部落格文章中，我想分享一些活動的關鍵收穫：我對整體專業的印象以及會議核心主題區域中最重要的話題的高層次回顧，包括數據治理、數據質量和人工智慧治理。請注意，這個回顧提供了一個一般性的觀點，並不引用活動中的具體報告。
我想感謝許多數據管理專家，他們慷慨分享了他們在數據治理方面的知識、發展和經驗。這篇文章分享了數據治理中的一般觀察和趨勢話題。
一般觀察
從以IT為中心轉向以人為中心的治理
數據治理正在從主要由IT驅動的功能轉變為以人為中心，強調合作、責任和文化變革。這一轉變反映了成功治理需要利益相關者的支持、明確的角色和全組織的積極參與。賦權數據管理者、促進數據素養以及將治理融入日常業務流程已成為建立可持續治理實踐的核心主題。
推進各行各業的數據治理
許多組織在實施數據治理方面取得了顯著進展，根據特定行業的需求和挑戰量身定制其方法。分享的案例研究突顯了治理成熟度的多樣性，從基礎性倡議到先進框架不等。這些例子還提供了可操作的模板、實用框架和成功故事，專業人士可以將其適應於自己的組織，為可擴展性和可持續性提供了路線圖。這些豐富的知識反映了數據治理被越來越多地認識為商業成功的關鍵推動力。
對數據治理和數據管理的不同觀點
數據管理專業人士對於如何定義和區分數據治理與數據管理常常持有不同的觀點，導致他們的角色和目標有多種解釋。這種多樣性涵蓋了兩個極端。
一方面，一些專業人士遵循DAMA-DMBoK2的定義，認為數據治理涉及對數據資產管理的權威、控制和共同決策。這一框架中的數據治理交付成果包括數據管理操作模型、組織結構、角色和責任。數據治理確立了戰略願景，定義了數據管理應該做什麼，並確定了實現商業目標所需的能力。數據管理則負責開發、實施和監督執行這一戰略願景所需的活動。在DAMA-DMBoK2的背景下，數據治理被視為眾多能力中的一種，例如企業架構、安全性、質量等。
另一方面，一些專業人士則用數據治理取代了DAMA-DMBoK2對數據管理的定義，將所有相關能力納入數據治理的範疇。
我並不想評判哪種觀點是對是錯——這最終取決於術語和定義。然而，這種對數據治理的多重個人解釋的趨勢在我們的社區中創造了“巴比倫”語言。我建議對這個主題感興趣的人參考我最新的一系列文章。
數據管理中的新興能力
數據治理的領域正在擴展，以包括滿足新興需求和不斷變化的組織優先事項的新能力。數據素養已成為一個重要焦點，強調員工不僅需要訪問數據，還需要有效理解和利用數據。數據故事講述的興起反映了以能夠推動參與和決策的方式傳達數據見解的重要性，改變了治理倡議在組織中的採納方式。此外，隨著數據生態系統的日益複雜，像數據產品治理這樣的能力也出現了，使組織能夠管理和標準化針對特定業務用例的可重用數據資產。這些創新代表了向賦權人們和使治理實踐與動態商業和技術環境保持一致的轉變。
趨勢話題
實施數據治理的挑戰
文化抵抗和參與差距
組織經常面臨對治理倡議的抵抗，這是由於優先事項的競爭、缺乏信任或對治理價值的理解不足。員工可能會將治理視為限制或負擔，導致參與和採納率低。建立數據驅動的文化並確保利益相關者的支持仍然是關鍵挑戰。
角色清晰度和責任
為數據管理者、擁有者和治理團隊定義明確的角色和責任是一個持續存在的問題。角色定義的模糊性常常導致責任的缺口，使得在整個組織中一致地執行治理政策和標準變得更加困難。
數據質量和整合問題
許多組織在數據質量差、數據來源孤立和標準不一致方面掙扎。確保數據的清晰、準確和整合仍然是一個重要的障礙，尤其是在擁有複雜系統和舊基礎設施的大型組織中。
平衡集中式和分散式運營模型
選擇合適的治理模型——集中式、分散式或聯邦式——在組織試圖平衡統一標準與特定領域的靈活性時會面臨挑戰。集中治理政策與本地操作需求之間的錯位可能會妨礙有效性。
技術過載或未充分利用
雖然現代工具如數據目錄和自動化技術對治理至關重要，但組織往往難以有效選擇和實施它們。對技術的過度依賴而沒有適當的策略或培訓可能導致解決方案未被充分利用和倡議失敗。
法規遵從和數據隱私
不斷變化的法規要求，如GDPR、HIPAA和CPRA，迫使組織確保合規。滿足這些標準通常涉及克服挑戰，如實施數據安全措施、監控合規性和維護可擴展的審計跟蹤。
成功數據治理倡議的關鍵教訓
從數據治理倡議中學到的關鍵教訓總結如下：
早期成功的重要性
在治理倡議的早期展示快速、具體的成功可以建立動力並獲得利益相關者的支持。試點項目和小規模實施提供了寶貴的見解，減少了抵抗，並為在整個組織中擴大治理工作奠定了基礎。
利益相關者參與是關鍵
可持續的數據治理依賴於技術和業務利益相關者之間的合作和支持。持續的溝通、角色清晰度和與組織目標的一致性確保治理倡議在各級得到良好的整合和支持。
靈活性和適應性推動成功
組織必須根據其獨特需求量身定制治理框架，平衡標準化與靈活性。根據反饋、不斷變化的商業需求和新出現的挑戰調整治理策略，有助於促進長期的相關性和可擴展性。
文化轉型是必需的
創建數據驅動的文化不僅需要工具和政策，還需要持續努力提高數據素養、促進責任感，並將治理嵌入日常流程中。通過講故事和清晰的溝通治理的價值，可以幫助克服抵抗並推動採納。
實施數據治理計劃或商業案例的統一步驟
幾個報告強調了作者成功實施數據治理倡議、計劃和用例的方法論。以下是涉及的共同步驟的摘要：
建立清晰的願景和目的
組織應該定義其數據治理計劃的戰略目標，並將其與業務目標對齊。應該制定一個引人注目的敘述，以獲得領導支持和利益相關者的支持。這一願景應該在各部門中清晰傳達，以確保一致性。
從高影響領域開始小規模實施
組織應該從與戰略優先事項對齊的關鍵領域或關鍵數據元素開始。試點項目可以展示早期的成功，並在擴大治理倡議之前完善流程。
制定政策、角色和責任
組織應該創建政策和框架，明確治理流程並建立責任。指派數據管理者和擁有者等角色，以確保明確的責任和一致的執行。
確保利益相關者的參與和合作
組織應該積極讓業務和技術利益相關者參與，以促進合作和信任。定期的溝通和培訓應該提高數據素養，確保有效的參與。
建立可擴展的流程和工具
組織應該設計可擴展且適應增長的治理流程。應利用自動化工具提高效率，而不妨礙靈活性。
衡量成功並進行迭代
組織應該定義關鍵績效指標(KPI)，以跟踪治理進展並確定改進的領域。定期的反饋和評審允許持續的完善和適應治理工作。
培養數據驅動的文化
組織應該強調數據作為戰略資產的重要性，並將治理融入其文化中。慶祝成功和展示結果可以推動採納和長期承諾。
治理計劃的核心組成部分
多個報告專注於實施數據治理計劃的關鍵方面，分享了制定策略、定義角色、建立運營模型、制定政策、設計流程、管理績效和創建全面路線圖的手冊和方法，如圖4所示。
框架和手冊
有趣的是，除了提到DAMA-DMBoK2和DCAM等行業指導方針外，許多專家還分享了他們自己的實用方法論、框架和手冊，以實施數據治理。他們提供了結構化的、可操作的指南，特別是對於資源有限的組織。
運營模型
治理運營模型定義了管理數據治理的結構和方法，許多用例展示了不同模型如何根據特定行業需求進行調整。從集中式到聯邦式的方法，報告強調了將運營模型與組織的規模、複雜性和目標對齊的重要性。這些真實的例子展示了可調整的運營模型如何推動各個行業的成功治理。
政策
報告突顯了制定數據治理政策的多種方法，反映了組織的不同需求和優先事項。一些強調自上而下的集中政策創建，以確保整個企業的一致性和合規性，特別是在高度監管的行業中。其他則倡導協作的、以領域為驅動的政策開發，使其對特定業務單位或功能具有靈活性和相關性。
角色
組織如何定義數據治理與數據管理的範疇對角色的設計和實施有重大影響。報告強調了將責任分配給“數據管理者”、“數據擁有者”和“數據保管者”角色的不同方法。在討論中，缺少“數據使用者”角色的提及是值得注意的，因為這是受治理數據的最終消費者。這些變化強調了組織對治理責任的解釋如何影響角色的命名、範疇和層級，從而在實現清晰度和一致性方面創造挑戰。
流程
報告中討論的流程範圍根據組織如何定義數據治理與數據管理而有所不同。更廣泛的定義往往涵蓋操作活動，如數據訪問和使用監控、元數據管理、數據質量等，而較狹隘的解釋則主要集中在政策執行和合規性上。將治理流程整合到日常業務操作中是確保其有效性而不被視為孤立任務的關鍵。
用例研究
數據治理的實施在各行各業中差異很大，每個行業根據獨特的挑戰和組織需求量身定制其方法。以下是不同產業中觀察到的關鍵策略和結果的摘要：
醫療保健
醫療保健行業突顯了數據孤島、不一致報告和分析透明度不足等挑戰。解決方案包括實施數據目錄、將指標與戰略目標對齊，以及促進跨部門合作。這些方法導致了數據可訪問性的改善、更好的決策和對分析系統的信任增加。
政府
政府案例研究強調了解決數據系統分散和滿足法規要求的必要性。倡議包括建立治理委員會、採用聯邦模型和實施管理計劃，以增強數據共享和合規性。成功的實施在中央控制和靈活性之間取得了平衡，以滿足獨特的部門需求。
保險和金融服務
保險和金融行業專注於遵守隱私法規和改善數據質量以進行戰略決策。努力包括自動化元數據管理、簡化數據工作流程和確保健全的治理流程。這些倡議帶來了時間節省、提高了運營效率並確保了合規性。
製造業
製造業面臨管理全球數據標準和在不同地區整合治理的挑戰。治理計劃強調主數據管理、數據質量監控和管理實踐，以改善一致性和運營效率。這些措施支持了更好的決策和精簡的操作。
非營利和研究
非營利和研究部門展示了從被動治理模型轉向主動治理模型的轉變。努力包括建立集中數據政策、創建標準化數據集和鼓勵部門間合作。這些倡議改善了數據的可靠性，並支持了更廣泛的組織目標，如更好的參與和運營對齊。
下一篇文章將討論數據質量中的趨勢話題。
本文由 AI 台灣 運用 AI 技術編撰，內容僅供參考，請自行核實相關資訊。
歡迎加入我們的 AI TAIWAN 台灣人工智慧中心 FB 社團，
隨時掌握最新 AI 動態與實用資訊！
