Высокая доступность данных, передовые технологии обработки данных и повышенная вычислительная мощность вместе составляют смертельную комбинацию для результатов, основанных на данных. С приближением экономики открытых данных отлаженные возможности управления данными станут целью многих компаний.

Существующие методы управления данными сосредоточены на соблюдении нормативных требований и безопасном обмене данными. В экономике открытых данных меньший риск обмена данными и механизмы высокого управления имеют решающее значение для успеха. По мере того, как управление данными возобновляет свою деятельность в бизнес-моделях, основанных на данных, компании будут вкладывать средства в передовые технологии обработки данных, такие как Разработка искусственного интеллекта и машинного обучения, чтобы обеспечить соответствие требованиям, качество и безопасность в нужном масштабе, согласно управляющему партнеру. в KPMG, Билл Томазин.

Качество данных ожидает большее значение в мире аналитики самообслуживания, ориентированной на машинное обучение, поскольку бизнес-пользователи не имеют права проверять качество используемых данных. Компании теперь понимают, что если сначала не решить проблемы качества данных, их финансирование может быть направлено на большие объемы данных, каналы и неорганизованные типы данных, которые усугубляют проблемы управления данными, в основном в областях управления данными и качества данных, как заявил автор книги. Влияние качества данных в эпоху машинного обучения.

Борьба за качество данных в цифровых компаниях

В то время как данные из нескольких источников и нескольких типов увеличили количество бизнес-данных, управление данными стало серьезной проблемой из-за плохого качества данных, управление качеством данных снова преследует специалистов по управлению данными, и они знают, что если проблемы с качеством данных не будут решаться правильно. , компании могут потерять прекрасную возможность получения информации о конкурентах.

Некоторые исследователи считают, что проблемы с качеством данных препятствуют раскрытию фактического потенциала бизнеса, основанного на данных. Использование технологии машинного обучения для решения проблем с качеством данных по-прежнему ограничено, хотя некоторые лидеры отрасли уверены, что машинное обучение может решить проблемы с качеством данных напрямую. Решения, предоставляемые передовыми платформами решений AI/ML для управления качеством данных, часто очень экономичны и эффективны.

Решения для машинного обучения в настоящее время могут проверять качество активов данных, прогнозировать отсутствующие значения и давать предложения по очистке, тем самым предотвращая сложность и усилия, затрачиваемые специалистами и учеными по качеству данных.

Количество точек ввода данных растет с каждым днем, и компании сталкиваются с трудностями при эффективном сборе и сохранении данных. ИИ дает возможность автоматизировать процесс ввода данных за счет сбора интеллектуальных данных, тем самым повышая качество входящих данных. Данные отличного качества улучшают качество маркетинговых кампаний и прогнозной аналитики.

Борьба за управление данными в цифровых компаниях

Неотъемлемая проблема качества данных еще больше усложнила сложность управления бизнес-данными из-за значительных объемов данных, неорганизованных типов данных и разрозненных источников данных. В то время как системы с поддержкой ML / AI продолжают расти в цифровых компаниях, отсутствие надежных сред управления данными может привести к раскрытию ненадежных и вводящих в заблуждение данных и неожиданным дорогостоящим накладным расходам.

Ниже приведены некоторые распространенные и часто обсуждаемые трудности управления данными, с которыми сталкиваются предприятия, использующие AI/ML.

Контроль доступа к данным, например, кто имеет доступ к каким данным?

Непротиворечивость, надежность и точность данных.

Существующие инфраструктуры хранения и интеграции данных — но достаточны ли они?

Проблемы безопасности, связанные с перемещением данных с компаниями и без них.

Выполненные планы управления данными — чего не хватает?

Автор Forbes обнаружил неотъемлемые вопросы плана управления данными в среде управления данными с поддержкой ИИ, включая безопасность данных, целостность данных, управление данными и интеграцию данных. Помимо качества данных, согласованности, контроля доступа и методов интеграции хранилищ, в этом блоге также исследуется неограниченный потенциал анализа данных в бизнес-экосистеме с поддержкой ML/AI.

Машинное обучение спасает управление данными

Статья «Управление данными и машинное обучение» раскрывает текущий статус внедрения ИИ в этом секторе. Принимая во внимание, что руководители C-Suite стремятся внедрить решения для управления данными на основе ИИ, в то время как технические эксперты уверены, что внедрение технологий ИИ/МО может остаться далекой мечтой, если не будут разработаны надежные планы стратегии данных.

В блоге под названием «Метаданные и машинное обучение в управлении данными» автор обсуждает, что в мире после GDPR метаданные играют ключевую роль в управлении данными, о чем свидетельствует рост актуальных дискуссий о роли метаданных в управлении данными. Ранее Gartner объявила, что к 2020 году 50 или более процентов политик управления данными будут основываться на метаданных.

Любой современный бизнес должен иметь правильную инфраструктуру управления данными, чтобы использовать преимущества «технической поддержки принятия решений», обеспечиваемой передовыми системами искусственного интеллекта и машинного обучения. Однако для того, чтобы эти передовые технологии предоставляли конкурентную информацию, поток данных должен отслеживаться, контролироваться и контролироваться на протяжении всего пути в комплексной системе бизнес-аналитики.

Финансовый сектор: известный пример использования управления данными

Один из авторов статьи подчеркивает, что успех решений машинного обучения тесно связан с методами управления данными, используемыми внутри бизнеса. В настоящее время, в то время как обычные предприятия США заняты применением CCPA или его различными вариантами в разных странах, финансовая индустрия, похоже, нашла убедительный ответ в решениях с поддержкой ML.

Поскольку цифровые фирмы в своей деятельности рассчитывают исключительно на силу данных, управление данными играет важную роль в обеспечении конкурентного преимущества. Данные в сочетании с передовыми технологиями могут привести бизнес к успеху, если их правильно использовать. Но, как показано в отчете KPMG International, около 2200 руководителей предприятий обеспокоены трудностями управления данными на общей платформе, например, в производственных или медицинских компаниях.

Команды данных и бизнеса играют в командные виды спорта

Блог DBTA, посвященный обоснованию затрат на инвестиции в технологии качества данных в системах AI/ML, показывает, что основным источником неправильных данных о качестве являются отделы продаж, где торговые представители часто вводят неполные или неверные данные в систему CRM. Плохие данные могут легко культивировать другие отделы или функции через связанные приложения или процессы. Фундаментальной проблемой управления данными является отсутствие связи между бизнесом и ИТ-персоналом. Бизнес-сотрудник считает, что данные — это ИТ-проблема, тогда как ИТ-отдел считает, что чистая информация — это обязанность бизнес-персонала, который создает данные.

На недавнем бизнес-саммите высшие руководители признали важность стратегии данных для анализа данных и не смогли поделиться своим успехом с четко определенной стратегией данных. Они считали, что методы работы с данными должны включать сотрудников по бизнесу и данным как часть команды. «Переводчики» будут служить связующим звеном, соединяющим разрыв в общении между техническими и бизнес-профессионалами.

Первоначально опубликовано на https://www.hdatasystems.com.