2021年的數據治理趨勢反映了不斷變化的數據管理格局，側重點主要在數據安全和遠程訪問。在很大程度上，數據治理趨勢受到了2020年應對大流行帶來的持續影響，當時企業面臨著突然將工作場所結構轉向遠程設置的情況。

數據治理現狀

根據歐文的《2021年數據治理和賦權狀況》報告，2021年的數據治理趨勢可能類似于過去幾年保持不變的驅動因素，包括:

• 數據分析能力
• 法規遵從性
• 更好的決策

該公司指出，還有兩個新確定的數據治理政策的實施驅動力:

• 改進的數據安全
• 提高數據質量

這些新的驅動因素反映了COVID-19大流行帶來的獨特數據安全挑戰。對企業數據資產的廣泛遠程訪問引入了跨企業網絡的新漏洞，包括那些影響數據隱私遵從等數據治理目標的漏洞。

與過去幾年一樣，數據治理將繼續與其他數據監督工具(包括端到端數據管理平臺中的工具)一起發揮互補或集成的作用。

數據治理軟件的5個趨勢

1.增加對建立單一真相來源的關注

企業認識到，不同的數據豎井經常會導致重大問題，特別是涉及到快速訪問、審計和報告時。統一的數據存儲庫更容易監督和保護。

根據Druva最近的一項調查，73%的IT決策者表示，他們在做業務決策時比以往任何時候都更依賴數據。然而，41%的受訪者表示，他們無法輕易獲得所需的數據。

基于云的解決方案在簡化數據訪問和存儲方面越來越受歡迎。云數據存儲庫允許遠程工作人員和客戶端從任何地方訪問數據，比許多本地解決方案更具可伸縮性。

當組織趨向于集中化時，重要的是要注意數據安全變得更加重要，因為更廣泛的數據池對壞參與者來說是更有吸引力的目標。還必須保護集中數據，防止由于自然災害、意外刪除和機器故障造成的數據丟失。

2.形式化的數據收集

不斷擴大的數據池正在影響組織收集數據的方式。在此之前，企業可能會根據客戶偏好使用許多不同的數據收集方法，而更加形式化的數據收集有助于確保數據治理中的數據完整性。

從一開始就一致的數據收集大大減少了數據監督所涉及的時間，因為分析師不需要手動調整數據的一致性。統一的數據收集也有利于某些人工智能(AI)增強的軟件解決方案，特別是那些涉及基于規則的機器學習(ML)的解決方案，這是一個影響網絡安全平臺和數據治理工具的問題。干凈的數據對機器學習軟件至關重要——當數據結構不一致時，丟失大量數據的風險是非常真實的。

全球分析和激活平臺Piano的數字分析專家Declan Owens表示，數據質量是一種必須持續保持的方法，以保證數據的可靠性。

Owens說:“可以考慮創建一個數據治理機構，以永久監控流程的效率。”“如果一個數據項包含錯誤，研究它，糾正它，記錄它，然后采用適當的規則，這樣它就不會再發生。”

3.增加對數據素養的關注

企業越來越注重提高員工的數據素養，以提高跨部門和角色對數據的整體護理和處理。這種整體的方法可以全面改進數據治理。

企業正在更深入地教育員工他們每天使用的數據，傳授數據安全知識，數據處理和配置的最佳實踐，以及幫助公司實現更好的數據治理的工具培訓。

在這種情況下，圍繞數據素養的想法是，從數據被添加到企業網絡的那一刻起，數據將被更仔細地處理。優先考慮數據完整性和安全性的公司文化肯定會帶來更好的審計、報告和遵從性。

4.云集成

數據管理總體上已經轉向基于云的模式，在這種模式下，加密數據可以被遠程訪問和存儲。這些設置不僅能使業務實踐更加高效，而且還能幫助企業以各種方式將數據貨幣化。

無論數據如何使用，云中的數據治理都是必須的。行業分析師預測，未來的數據隱私法規可能會考慮云存儲如何影響風險。各公司有望看到專門針對云數據的新法規即將出臺。

大多數在云中執行數據治理任務的企業都在混合云或多個云環境中運行，這可以降低總體成本，因為并非所有數據都需要在更昂貴的私有云網絡中得到嚴密保護。據IDC稱，到2021年底，全球超過90%的企業可能會依賴混合云模型，包括私有云和公有云結合傳統平臺。

5.人工智能

人工智能和機器學習已經成為許多企業數據治理任務的規范。ML平臺可以自動化數據組織和遵從性審計等任務，為分析人員騰出時間處理安全功能等高優先級問題。

機器學習工具使用的增加與數據完整性和一致性高度相關。這些平臺的可靠性取決于提供給它們的數據。現代機器學習在找出隱藏數據方面做得更好，但當數據被統一存儲時，它的表現仍然要準確得多。

當前的數據治理趨勢主要聚焦在數據共享，以及有組織和統一的數據收集和存儲方法。而只有將這些優先級牢記于心的軟件解決方案，才能夠有效滿足企業不斷增加的數據治理需求。