
三要点告诉你如何降低大数据合规风险?
由于大数据众所周知,数据的数量和复杂性已大大增加,这与事务记录系统(SOR)的时代已不可同日而语。来自新数据源的这些新型数据,加上企业组织将数据变成其他信息的种种方式,给隐私、安全和妥善保管方面的合规实践带来了独特的挑战。
一位专家在《CSO》杂志上的一篇文章中写道:“大数据合规方面的挑战,加上这越来越多的一堆乱糟糟的法律、监管、标准和合同义务,让人不知所措。”这是一位主管技术交易及外包、隐私、安全和信息管理等业务的工作者。
即便没有任何个人身份信息岌岌可危,企业还是有义务要落实适当的安全措施,保护其他高度敏感的信息,比如与其商业机密、营销活动、业务合作伙伴关系等方面有关的信息。许多公司常常只关注法律、监管、标准和指引这片森林中的某一颗树或树枝,而没有认识到或者甚至没有看到其他附近的树及其关系,当然很少拉开适当的后退距离,冷静地分析一下,以便全面了解合规这片森林。
这片大数据合规森林涉及多个物种,驻留在其中的数据来自视频、照片、音频记录、机器和第三方厂商。数据分析员执行数据清理和混合,以便获得业务领导人需要的基本分析结果。在这个过程中,数据开始转换成新的数据形式。数据不断演变成新的数据形式时,全部这些活动让公司很难执行合规工作。
公司想要应对大数据合规挑战,唯一的办法就是制定一套企业框架,以应对大数据合规。这套框架要处理好诸多方面,除了数据外,还要兼顾数据驻留在其中的系统,谁可以访问这些系统,以及是否可以信赖这些数据是准确的数据。
大数据合规方面要考虑的另外问题包括:评估各种类型的大数据风险,评估知识产权的保护情况,以及向利益相关方和客户做出适当的法律透露和承诺。企业在评估这些方面、制定政策时,应该向外面的法律顾问或审计人员寻求忠告,讨教最佳实践。
向IT管理员及领导大数据项目的其他人传达的讯息就是,现在考虑大数据合规,并为此采取措施不算太早。你应该围绕大数据制定一套可灵活扩展的合规框架,确保所有利益相关方都了解它。下面是大数据和分析管理员除保护系统和数据访问安全外还应该采取的三个步骤:
1、评估大数据合规工作
大多数公司很少开始制定大数据合规计划。它们使用之前用于事务记录系统的数据保管、隐私和安全方面的IT准则,它们向利益相关方和客户发布年度隐私和安全报告。遗憾的是,这其实并没有真正考虑到大数据和大数据转换的独特性。
如果公司决定销售数据,现在没有太多的政策针对这些数据的隐私、安全和所有权。在这一系列数据转换和改头换面中,企业组织必须确定在哪些点执行合规、如何执行以及为何执行。
2、评估贵企业如何保护文档的安全
在许多情况下,孤立的业务部门有纸张记录,但是它们也一直在实行数字化,增添这些记录。其中一些信息是高度敏感的,包括患者健康记录和财务记录,可能还包括公司商业机密和专利设计。
可能已落实了标准的安全措施(包括限制进入房间、访问系统),但是如果你的大数据策略认为这种数据与其他记录系统或第三方数据结合起来很重要,该如何是好?开始越过拥有自己的合规规则的传统数据库之间的界线时,就需要重新考虑合规。
3、制定管理大数据合规的新策略
在关系数据库使用结构化数据的早期日子,很容易识别和检索敏感数据,因为数据搜索简单又直观。大数据就不是这样,大数据是完全非结构化的,也不可预测,很难搜索按照监管准则需要保护的敏感数据。这就是为何制定管理大数据合规的新策略很重要。
跟上大数据合规方面的最新进展
大数据合规涉及另外许多方面,包括专门针对大数据新涌现出来的合规措施。IT决策者及其他负责大数据的人士应该密切关注这些新方面的动向。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25