作为EMC的企业数据治理高级总监,Barbara Latulippe 向 Potential at Work 社区讲述了她在制定企业数据质量和治理路线图方面的工作经历。 她提倡采取一种协作型、统一的方法来定义数据质量,并强调在所有业务部门(而不仅仅在 IT 与个别业务部门之间)开展合作的必要性。 凭借超过 25 年的 MDM 和企业应用系统实践经验,她对自己的上述见解确信无疑。
信息负责人如何与企业不同人员开展合作,以帮助他们定义数据质量?
Latulippe: 我们会设立自己的信息治理委员会,该委员会由不同业务部门以及不同职能部门参与。 我们不断努力为所有企业属性建立通用定义,这些定义一旦获得审批,我们就会将其纳入自己的业务词汇表中。 现在,可以说我们已经建立了一个通用定义,该定义已获得治理委员会的批准,并受到变更管理的控制。 如果某人提出一个方案,希望为特定字段添加值,或者以不同的方式使用该字段,则他们需要提供业务方案以及成本影响说明,并获得治理委员会的批准。
您是否曾经因数据质量定义而产生冲突?
Latulippe: 需要让数据使用者与数据创建者进行交流。 我认为这样可以帮助双方更加深刻地认识到数据是如何在需要它的业务流程中使用的。 以往,这些团队无法真正进行协作。 如果发生无法解决的实际冲突,通常意味着需要一个新的数据字段。 需要做的是,跟踪数据在企业中的移动,并提供相应财务支持。
例如,我们对缺少邮政编码所造成的影响进行了成本分析, 结果发现,并非所有应用系统都需要在其数据模型或数据输入屏幕中提供邮政编码。 该委员会跟踪整个流程,发现某个数据点一旦缺失,就会对公司产生巨大的成本影响。 因此,该数据点现在已成为全球范围的必填字段,在输入时会对此进行实时检查。
在治理委员会中,不同领域的人员会共同定义数据质量。 同一组数据可以具有不同的数据质量定义吗?
Latulippe: 让我们回到数据生命周期中寻找答案,使用者所定义的高质量数据以及营销需要的数据与某人应 CRM 需要尝试填入销售订单中的数据是不同的。 数据在其使用生命周期中的位置将决定每个属性所需的质量级别。 随着该生命周期从营销活动到数据保留的成熟度,以及所使用属性数量的增加,预期的数据质量也会提高。
是否要让企业的业务部门分担数据质量和治理责任? 请考虑根据您的角色获得相应级别的数据质量认证。
好文章,需要你的鼓励
OpenAI明确表示要成为互联网一切事物的主导界面。AI智能体正在改变用户的数字习惯,从健康记录分析到购物指导,ChatGPT已经在多个领域扩展影响力。用户快速采用AI工具,但企业和生态系统的适应速度滞后。电商领域的权力分配尚不明确,用户偏好AI驱动的答案优先体验,品牌则推动生成式引擎优化。研究旨在了解用户与企业在AI变革中的适应差异。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。