2023TrendsinDataGovernance数据治理的价值指的是对企业的价值，对整个数据管理的价值。到2023年，它将反映在塑造该学科的两个最明显的趋势中。首先，该术语已被专门从事访问管理、数据控制和企业安全内部方面的供应商使用。这些供应商专注于合规性、数据隐私和数据保护——在当今高度监管的环境中，这些已迅速成为当代企业成败的区别。其次，这一趋势反映了数据治理对越来越多的环境、用例和市场条件的实时适用性，所有这些都要求数据治理变得比以往任何时候都更加灵活，以适应更多出现的需求。许多组织意识到，尝试完全预先确定和准备每一种可能的数据治理突发事件是很困难的。相反，他们现在正试图调整数据治理结构，以便在发生这种情况时能够动态调整。TopQuadrant首席技术官RalphHodgson表示：“了解可能发生的事情（通常数据治理就是要阐明这一点）、已经发生的事情和正在发生的事情之间存在差异。在数据治理的运营方面，正在发生的是一个非常棘手的问题。如果面对企业的【数字孪生应用】，那就是‘正在发生什么’数据治理理念的未来。”通过实时访问控制和情境适应的镜头应用——可以模拟他们详细描述当前正在发生的事情的能力。这只是一个从知识到控制和使用知识以实现治理目标的逻辑过程。管理可能仍然是数据治理的核心。组织可以从许多旨在优化此任务的工具中进行选择。有大量的数据目录、主数据管理工具，以及Privacera的CEO称之为“敏感数据目录”的自动化通过各种元数据模型进行数据发现和分类。根据Hodgson的说法，有六种基本形式的元数据与数据治理的显着区域接壤财务，包括：数据表示：该维度处理“数据如何表示；什么数据类型；什么数据表达；它是可量化的吗？”它是否有测量单位等。数据质量：高质量数据对于信任数据和鼓励企业采用数据是不可或缺的。用途：该领域涉及数据、数据安全和数据机密性的重要性。数据管理：数据管理需要“所有权、指标和可访问性”。法规遵从性：有关法规遵从性的元数据通常为政策和标准提供信息。数据来源：数据沿袭或数据来源代表数据的来源和企业旅程。根据Gartner的说法，元数据已经从反应性转变为主动性，为实时用例提供信息，例如数据结构的数据集成。因此，所描述的元数据（以及伴随的数据治理结构）的一个关键方面是存在表达事物之间关系的共同需求，清楚地了解这些数据治理域中的元素如何相互关联，使组织能够使它们符合新的要求、数据源或用例。数据建模Hodgson所说的“元关系”对于动态修改数据治理组件以满足新出现的环境和业务条件是必要的。概念数据模型包括部门或应用程序之间的这些关系、它们的定义和语义，以消除它们（如果需要）的歧义。这样的数据模型有助于与数据治理相关的一切，从呈现数据访问控制到促进生命周期管理必需品（如保留策略）。定义良好的概念数据模型可以作为调整数据治理协议以满足新情况的起点。为此，这样的模型由一个特定的领域（模型是关于什么的）和学科组成。其他维度包括公司对该主题的看法、模型的特殊性、它的方面和时间信息。使用所需的数据标识符、术语和模式指定模型的这些元素可以很容易地组合起来，用于部门间分析、源系统之间、客户360、数据隐私要求等。TopQuadrant首席执行官NimitMehta阐述了一个用例，其中机构预防野火的工作，每个都有自己的术语。面对这么多不同的宗教，你如何让他们都说同一种语言？图允许您以标准驱动的方式创建元模型并将这些联合语言学保留在原位。分布式数据管理数据环境的分布及其对数据管理的影响将继续成为明年数据治理领域的首要挑战。除了云计算和多云计算的日益普及，数据结构和数据网格等架构也会加剧这个问题。当然，它会影响数据治理的方方面面，从生命周期管理到元数据管理。然而，正如Ganesan正确指出的那样，“这就是数据治理的目的：在公司内部。他们如何看待和处理这些数据？”为此，对解决方案的投资旨在扩大提供受监管数据访问的能力，同时减少跨年政策执行措施的数量。Ganesan指出，有多种方法可以实现这些结果，包括“提供一个可以管理所有平台的单一窗口”。策略减少是通过基于属性的访问控制(ABAC)及其相应的基于目的的访问控制(PBAC)实现的，这两者都对保持平稳和响应迅速的数据治理有影响。根据Immuta首席技术官SteveTouw的说法，“基于数据标签标记数据和推送策略不是ABAC。它是ABAC的一个组成部分。ABAC的真正力量是使访问成为一个动态的运行时决策，而不是一个预先计算的、基于角色的决策——制作。”PBAC通过仅为特定目的授予访问权限（例如处理特定报告）来利用这一点。SteveTouw说：“你不仅获得了控制和阻止，还获得了法律监督，即你的用户同意他们只会将这些东西用于特定目的，并在访问数据时按照该目的采取行动。”此用例和其他此类用例的合规性演示，它也普遍适用于数据治理的许多方面。生成日志文件，记录谁访问了哪些数据，何时使用PBAC和其他方法以及出于什么目的。也许，更广泛的分支应用于合规性和其他治理维度的数据沿袭与其交付环境相关——这有助于告知修改能力适应不断变化的环境的治理理念。数据质量数据域的分布不断增加，加上可用的大量非结构化数据的种类越来越多，使得数据质量成为良好数据治理的先决条件。Ganesan说：治理部分围绕元数据、质量和访问，以减少用户查找和使用数据的阻力。虽然数据质量的指标有很多，但核心指标不可避免地与“完整性、正确性、清晰性、一致性等”相关。类似于统计和非统计AI用于发现和分类数据的广泛自动化，有一些机制可以帮助识别数据质量缺陷的区域并纠正它们。模糊和精确匹配也可以提供这些好处。因此，这种现代数据质量机制“使用机器学习，我们可以建议映射到词汇表，然后以词汇表的形式，例如，可以表达一致性规则，”霍奇森说。态势感知，实时响应正如霍奇森此前指出的那样，理想的数据治理是业务及其数据流程的实时模型，以确保后者的长期价值，同时丰富前者。此范例中隐含的是修改数据模型、权限、术语甚至治理策略（如果需要）的能力，以在降低风险的同时以一致的方式提供业务价值。动态访问控制功能、活动元数据和流畅的分布式数据管理可以促进这些收益。实现这种可变形式的数据治理的速度比人们想象的要快得多。
