Goals:目标
Business Outcomes:业务成果
Enablers:支持要素
Organizational Structures & Awareness:组织结构和认识
Stewardship:管理人员
Data RiskManagement:数据风险管理
policy:策略
Core Disciplines:核心准则
Data Quality Management:数据质量管理
Information Lifecycle Management:信息生命周期管理
Information Security and Privacy:信息安全性和隐私
Supporting Disciplines:支持准则
Data Architecture:数据架构
Classification & Metadata:分类和元数据
Audit Information Logging & Reporting:审计信息日志记录和报告
如今的市场中充斥着有关大数据无所不在、无所不能的新闻、轶事和传闻。市场营销人员正竭力将数以 ZB 计的海量数据转化为收入,而全球各地的数据科学家则在挑灯夜读学习新技术(例如流式处理、Hadoop 和其他 NoSQL 存储)、商业软件和云计算,致力于改变整个世界。
组织将这些技术视为改变游戏规则的因素,特别是由于其中某些技术支持原生格式的数据,无需对这些数据进行转换或建模即可对它们加以处理。在大数据生命周期的这一时刻,组织并非总是了解哪些数据源是有价值的,不一定会投入大量资源来收集需求并赞助正式的信息治理计划。
显而易见,大数据“特殊研发团队”项目的探索阶段推动了业务价值,最终导致正式计划,组织也随之将其注意力转向信息管理领域的基本问题:
我们是否已经完全认识到与处理大数据相关的责任?
大数据将如何改变信息的传统概念,将其转变为一种企业资产?
与隐私相关的新型需求有哪些?
所有这些大数据技术与我们的当前 IT 基础架构有怎样的关系?
所有这些有关大数据的传闻都给 CIO 带来了超出其心理准备的更多疑虑。根据我们的经验,许多组织都缺乏足够的治理策略,他们相信大数据“有所不同”,这在一定程度上回避了真正的问题。简而言之,大数据技术逐渐融入运营(而非探索),因此需要使用与传统数据管理方法相似的治理准则。
在实施信息治理计划时,首先采取的步骤之一就是评估当前成熟度状态,预测所需的未来成熟度状态。土耳其 Akbank Information Technologies 公司的商务智能副总裁 Banu Ekiz 表示:“从治理的角度来看,大数据具备‘小数据’的全部特征。惟一的差别就是大数据来源渠道的复杂性和多样性。尽管组织在治理大数据时需要付出更多精力、更多资源,但业务价值方面的收益也更为可观。如果能分析来自 Web 的大数据,并采取必要的措施,企业的利润就会受到显著影响。在这个过程中,大数据治理成熟度模型是至关重要的第一步。”
我们利用了 IBM 信息治理委员会成熟度模型(如图所示)的十一种分类。下面给出了一组用于评估大数据治理成熟度的示例问题:
1. 业务成果
您是否已经确定了大数据治理计划的关键业务相关人员,例如:
o 市场营销部门负责社交媒体治理
o 供应链部门负责 RFID 治理
o 法律部门负责数据保留策略
o 人力资源部门负责治理与员工相关的社交媒体
o 运营和维护部门负责传感器数据治理
o 电信业的计费部门负责通话详单治理
o 医疗保险业的医疗信息和索赔管理部门负责索赔记录治理
您是否对大数据治理能提供的财务收益进行了量化?例如:
o 降低了因数据违规而造成的罚款和法律诉讼风险
o 降低了遇到违约事件的可能性
o 避免有关数据不当使用的负面宣传对品牌产生不利影响
o 降低了因命名方法不一致而两次付款购买同一数据集(例如地震数据)的可能性
o 通过社交媒体与主数据环境的集成增加交叉销售和向上销售机会
o 可预测的维护计划、传感器数据、一致和优质的资产数据相结合,缩短了设备停机时间。