各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。

各组织扩大了数据管理的参与范围,以支持大规模的数据驱动型决策

您是否考虑过数据的状态?您是否知道数据的位置、使用者以及使用频率?组织中的人员是否知道应该使用哪些数据进行决策,以及如何访问这些数据?

数据驱动型领导者正在通过新的解决方案来集成分布式数据管道,以这种方式使其组织获得差异化优势,而伴随着数据技术领域已经开始的变革,在整个企业内,准备、整理和共享数据的角色和流程也正在改变。IT 部门应该借鉴《魔鬼克星》:让质子流交汇并不是值得提倡的做法,但有时候它确可以解决最棘手、最恐怖的问题。对我们而言,如果我们允许 IT 和业务部门的数据管理职责之间出现一些模糊地带,组织就可以摆脱职能边界的限制,在整个企业实现大规模数据集成,使整个组织的人员能够及时获得正确的数据。

只有解决了这些数据集成难题,我们才能满足内部和外部的合规要求,让组织全面掌握业务状况,了解客户,并找到新的业务机会。 许多组织正在致力于寻找、准备和管控对整个组织最有价值的数据,并让这些数据能够得到大规模使用。成功必然伴随着数据管理的改变 — 从技术开始。

解决方案提供商越来越多地将数据管理功能与更广泛的用户结合在一起,而不是仅仅考虑 IT。随着功能越来越多地嵌入到业务用户的工作流中(包括分析平台),业务部门的员工将更加积极地承担以往由 IT 部门承担的数据管理责任。自助模式在商业智能领域的演进会自然而然地进入下面几个阶段:组织首先扩大数据访问范围,然后实现更深入的探索,让其他类型的用户能够编写分析内容。现在,一些业务用户能够参与涉及数据本身的流程。在上述每个阶段中,IT 都会学习如何在管控和自助之间实现平衡,从而使业务用户可以为他们减轻一些负担。随着采用率在整个企业不断扩大,要妥善管理数据和分析,让这些不同的流相互交汇至关重要。

自助式数据准备很好地阐释了这种变化。现在,借助与分析工作流集成的现代工具,传统提取-转换-加载流程中的多个环节能够以自助方式完成。这不仅让用户能够即时发现更多见解,还可以为新的用例提供一个测试起点,确保这些用例在推广到整个组织之前先经过验证。这是一种双赢的局面:业务部门能够承担更多数据管理责任,从而缩短了(过去)漫长的开发生命周期;IT 得以腾出时间来从事自己最擅长的高度专业化工作。

这种变化的另一个例子是数据目录 — 这是一种数据资产目录,有助于对数据进行定义和定性,同时跟踪数据源、内容和用户之间的关系。如果组织为数据的集成和管理建立了分散式问责制度,数据目录就非常重要,因为它可以集中反映公司数据资产的状况。目录让我们可以更加轻松地发现和推广数据、了解其相关性和新鲜度,以及监视谁在使用特定资产。

现代目录可以显示这些重要信息,并在用户的分析流程中直接提供业务上下文。因此,随着更多数据被整合并在组织中广泛提供,人们会学习如何了理数据的质量,以及如何在遵守政策准则的情况下使用数据。此时数据素养就非常关键 — 用户至少会学习如何解释数据指标,并找到具有相关性的可信数据。当数据用户可以成为自己数据的数据管家,IT 的负担就会得到减轻;这也有利于确保人们在决策时以负责任的方式使用数据。然后,掌握适当技能的高级用户可能会参与自助式数据准备,对组织可以使用的新数据源进行认证,或者在数据整理流程中为数据添加包含业务上下文信息的元数据。

职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。