如果你在一年前問我，我會指出什么是數據治理的最佳實踐，我的回答是看看哪些金融服務公司為滿足其監管要求所做的工作。快進到GDPR時代以及來自加利福尼亞州（CCPA）的新隱私權要求，您不僅需要考慮客戶的需求，還必須注意安全隱患。從表面上看，您似乎可以為數據治理做以下事情：站起來處理人員和流程，分析數據，對數據進行分類，以及下推控制服務。
現在，我們可以討論如何解決隱私，安全性，偏好和法規遵從性的所有要點。老實說，我們面對的是更大的畫面旁邊的學術。數據過于動態，聯合和所有權復雜，無法應用相同的合規性做法作為數據治理的黃金標準。
是的，我是這樣說的：立即終止您的數據治理計劃。
在你們全部跳出管家的陰影告訴我，我已經失去了理智，并且不知道我在說什么，請聽我說。
我們在數據治理計劃中從未真正解決的問題 - 以及數據管理 - 是數據意圖和護欄之間的真正聯系。我們還假設您可以設想并識別可能發生數據風險的所有情景，并對其進行管理，以防止罰款或解雇。我在這里說這是絕對的。
我已經談了很多關于數據的個性化，聯合管理，甚至在之前的博客文章，報告和網絡研討會中從一開始就將數據治理需求嵌入到DataOps交付中。這至少可以讓您轉向戰略性和敏捷的數據治理方法。但那只能讓你到目前為止。您真正需要做的是將數據治理和策略執行推送到生態系統中存在的所有流程和自動化中。我們稱之為環境數據治理。
當我們需要考慮客戶和端點時（與GDPR和CCPA一樣），我們不能再單獨處理人員，流程，數字，分析和數據之間的界限。首選項捕獲需要鏈接到公司策略和數據使用。無論手動或自動生態系統如何，都需要考慮跨渠道，流程和業務單位/部門控制，刪除或混淆數據的能力。數據安全性不是作為單獨的函數存在，而是存在執行權限和首選項的附加控制機制，而不是單獨執行規則。如果您需要滿足最后期限，數據治理官僚機構，規則編碼，流程設計和報告將永遠不會讓您履行合規義務。
我們需要做的是采用我們的DataOps和敏捷開發方法，并將數據治理需求轉化為應該是的智能數字解決方案。數字和人工智能不僅能夠使數據為業務和客戶更自然，更直觀地工作，而且還是使治理的攻擊性和防御性目標保持同步的自適應引擎。
正如我們將數字和人工智能視為運營我們業務的變革能力一樣，這些相同的功能也將運行我們的數據。數字是我們傳達數據和見解意圖的窗口。AI是基于數據交互的意圖（明確地和隱含地）生成，執行和調整策略，規則，標準和定義的分析輔助。
我們今天以有限的方式做到這一點。有一些數據治理服務可以幫助提高數據質量，因為在業務應用程序中工作的員工可以更正，更新并避免記錄重復。數據準備和目錄工具使用機器學習來協助和建議采購，策劃，挖掘和使用數據的方法。數據治理服務在后臺智能運行，以自動更正和管理數據使用。明天，我們需要將這些智能擴展到我們的數字生態系統中，以進一步提高我們因數據策略和邊緣責任而減少數據使用的能力。智能應該利用意圖，用法，沿襲，用例和策略之間的見解，并調整控制和啟用數據的方法。
環境數據治理是一種策略和方法，它不僅可以擴展您的數據治理工作，還可以作為解決方案，以滿足我們為新用例，法規和新出現的數字功能擴展數據時存在的模糊性。環境數據治理是數據背后的智能。
（部分內容來源網絡，如有侵權請聯系刪除）
