數據治理的價值，指對企業(yè)和整個數據管理的價值。所有市場都要求數據治理變得比以往任何時候都靈活易變，以適應更多需求的出現。很多企業(yè)組織正在認識到，嘗試完全預先確定每一種可能的數據治理突發(fā)事件并為此做好相應準備是很困難的。

2023 Trends in Data Governance

數據治理的價值，指對企業(yè)和整個數據管理的價值。2023年，將體現在塑造該學科的兩個最明顯的趨勢中。

首先，這個術語已經被專門從事訪問管理、數據控制和企業(yè)安全內部方面的供應商所使用。這些供應商專注于法規(guī)遵從性、數據隱私和數據保護——在如今高度監(jiān)管的環(huán)境中，這些已經迅速成為決定當代企業(yè)成敗的因素。

其次，這個趨勢體現出數據治理對越來越多的環(huán)境、用例和市場條件的實時適用性，所有市場都要求數據治理變得比以往任何時候都靈活易變，以適應更多需求的出現。很多企業(yè)組織正在認識到，嘗試完全預先確定每一種可能的數據治理突發(fā)事件并為此做好相應準備是很困難的。

相反，他們現在試圖調整數據治理結構，以便在發(fā)生這種情況時能夠動態(tài)地進行調整。

TopQuadrant首席技術官Ralph Hodgson表示:“知道可能發(fā)生什么(通常數據治理就是要表達這一點)、已經發(fā)生了什么和正在發(fā)生什么是有區(qū)別的。在數據治理的操作方面，正在發(fā)生的是一個非常難以解決的問題。如果面對一家企業(yè)的【數字孿生應用】，那就是‘正在發(fā)生的事情’數據治理理念的未來。”

盡管數字孿生還沒有普及到整個數據領域，但是數據治理的許多基本方面——當通過實時訪問控制和情景適應性的鏡頭應用時——可以模擬它們詳細描述當前發(fā)生的事情的能力。

這只是一個從知識到控制和利用知識以實現治理目標的邏輯過程。

管理元數據

元數據管理很可能一直是數據治理的核心。組織可以從許多旨在優(yōu)化這一任務的工具中進行選擇。目前有大量的數據目錄、主數據管理工具，以及Privacera首席執(zhí)行官所稱的“敏感數據目錄”，可以通過各種元數據模型實現數據發(fā)現和分類的自動化。根據Hodgson的說法，有六種基本形式的元數據與數據治理的突出領域接壤，包括:

數據表達：該維度涉及“數據如何表達;什么數據類型；什么數據表達式；它是可以量化的嗎？它是否有測量單位等等。

數據質量：高質量的數據對于信任數據和鼓勵業(yè)務采用這些數據是不可或缺的。

用法：該區(qū)域處理數據的重要性、數據安全性和數據機密性。

數據管理：數據管理需要“所有權、指標和可訪問性”。

法規(guī)遵從性：關于法規(guī)遵從性的元數據通常為策略和標準提供信息。

數據來源：數據沿襲或數據來源表示數據的起源和企業(yè)旅程。

根據Gartner的說法，元數據已經從被動變?yōu)橹鲃?，為實時用例提供信息，比如數據結構的數據集成。因此，所描述的元數據(以及伴隨的數據治理結構)關鍵的方面是，具備表達事物之間關系的共同需求，清楚地了解這些數據治理領域中的元素如何相互關聯，使組織能夠調整它們以滿足新的需求、數據源或用例。

數據模型

Hodgson所說的“元關系”是動態(tài)修改數據治理組件以滿足新興環(huán)境和業(yè)務條件的必要條件。概念性數據模型包括這些關系、它們的定義和消除它們歧義的語義(如果必要的話)——在部門或應用程序之間。這樣的數據模型有助于與數據治理相關的一切，從呈現數據訪問控制到促進生命周期管理必需品(如保留策略)。定義良好的概念數據模型可能是調整數據治理協議以滿足不斷出現的情況的起點。為此，這樣的模型由特定的領域(模型是關于什么的)和規(guī)程組成。

其他維度包括企業(yè)對主題的觀點、模型的專一程度、它的方面和時間信息。用必需的數據標識符、術語系統(tǒng)和模式指定模型的這些元素，可以很容易地將它們組合起來進行部門間的分析，在源系統(tǒng)、客戶360、數據隱私需求等之間進行分析。TopQuadrant首席執(zhí)行官尼米特?梅塔闡述了一個用例，在這個用例中，機構致力于野火預防，每個機構都有自己的術語。當面對那么多不同的宗教，怎么讓他們都說同一種語言？圖表允許你以一種標準驅動的方式，創(chuàng)建一個元模型，并使那些聯邦語言學保持它們的位置。”

分布式數據管理

數據環(huán)境的分布及其對數據管理的影響將繼續(xù)是明年數據治理領域的首要挑戰(zhàn)。除了云計算和多云計算的日益流行之外，數據結構和數據網格等體系結構也加劇了這個問題。當然，它影響數據治理的所有方面，從生命周期管理到元數據管理。然而，正如Ganesan正確指出的那樣，“這就是數據治理的作用所在:在公司內部。他們是如何看待和對待這些數據的?”為此，對專門用于擴展交付受治理數據訪問能力的解決方案的投資——同時減少跨源的策略實施措施的數量，不太可能在新的一年里減少。

Ganesan指出，實現這些成果的方式多種多樣，包括“提供一個可以管理所有平臺的窗口”。策略減少是通過基于屬性的訪問控制(ABAC)及其相應的基于目的的訪問控制(PBAC)實現的，兩者對于維護流暢、響應性強的數據治理都有影響。根據Immuta首席技術官Steve Touw的說法，“基于數據標簽標記數據和推送策略并不是ABAC。這是ABAC的一個組成部分。ABAC的真正威力在于使訪問成為動態(tài)的運行時決策，而不是預先計算的、基于角色的決策?！盤BAC利用這一優(yōu)勢，僅為特定目的(例如處理某個報告)授予訪問權。

數據隱私和法規(guī)遵從性

ABAC和PBAC都是實現法規(guī)合規(guī)性的基礎，特別是在橫向數據隱私要求方面，并向監(jiān)管機構展示這些事實?！澳悴粌H得到了控制和屏蔽，你還得到了法律監(jiān)督，讓你的用戶同意他們只會為特定目的使用這些東西，并在他們訪問數據時按照該目的行事，”Steve Touw表示。

數據來源支持這個用例和其他此類用例的法規(guī)遵從性演示，它也普遍適用于數據治理的許多方面。生成日志文件，記錄誰訪問了哪些數據、何時訪問了哪些數據、使用PBAC和其他方法訪問了哪些數據、目的是什么。也許，應用于法規(guī)遵從性和治理的其他維度的數據譜系的更廣泛的分支與它所交付的上下文有關——這有助于告知修改治理概念以滿足不斷變化的環(huán)境的能力。

數據的質量

數據領域的分布越來越廣，加上可用的大量非結構化數據的種類越來越多，使得數據質量成為良好治理數據的先決條件。Ganesan表示：治理部分圍繞元數據、質量和訪問部分，以減少用戶查找和使用數據的阻力，盡管數據質量有很多指標，但最核心的指標不可避免地與“完整性、正確性、清晰度、一致性等諸如此類的指標”有關。

與統(tǒng)計和非統(tǒng)計人工智能用于發(fā)現和分類數據的大量自動化類似，也有這樣的機制來幫助確定數據質量存在缺陷的領域，并對其進行糾正。模糊匹配和精確匹配也可以提供這些好處。因此，這種現代數據質量機制“在我們可以建議映射到詞匯表的地方使用機器學習，然后以詞匯表的形式，例如，可以表達一致性的規(guī)則，”霍奇森說。

態(tài)勢感知，實時響應

正如Hodgson之前指出的，理想的數據治理是業(yè)務及其數據流程的實時模型，以確保后者的長期價值，同時豐富前者。這種范式隱含著修改數據模型、權限、術語甚至治理策略的能力(如果需要的話)，以一種內聚的方式提供業(yè)務價值，同時降低風險。動態(tài)訪問控制功能、活動元數據和流動的分布式數據管理可以促進這些收獲。

實現這種可變形式的數據治理比人們想象的要快得多。