京公网安备 11010802034615号
经营许可证编号:京B2-20210330
CIO如何轻松玩转移动和云端的大数据
移动,云计算和大数据都被赋予了很多期待,人们希望这些技术能帮助企业提高工作和生产效率,提高决策能力和降低成本。其中最大的希望就是使企业 变得更有竞争力,但是对于企业的IT部门,合规团队来说,这些新技术常常会增加复杂性,由于大量的数据正在移动到不断增长的终端,其中包括各种移动设备和 第三方托管服务,因此失去了对成本的控制,甚至还增加了成本。不过,办法总比困难多,可以用规范信息元数据的新方法来克服这些挑战。
如果IT系统不能完全清楚存在什么数据以及各种不同类型的信息所在的位置,那么它就不能确保合适的人在合适的时间的合适的访问权限,也肯定不能 充分地免遭破坏和盗窃,或者不能按照新隐私法律的要求删除隐私信息。随着需要收集的数据的数量的增长,电子披露成本也随之猛增。甚至企业用户会遭受他们日 常活动所需的信息和大数据分析所需要的数据变得更难找到和管理的情况,从而降低工作效率,事倍功半,同时消弱提高决策能力的期望。
要持久地掌控迅速发展的数据存储,企业需要有长远而深刻的洞见和规划,适用于所有的数据,无论由谁创造,无论存于哪里,无论由谁分享。不幸的 是,大部分企业觉得这需要大笔的花费,将其视为一项艰巨的挑战。然而,事实上有一个非常简单和具有成效的方法可以实现,那就是你愿意持续地去做,这样会比 什么都不做要好得多。
该策略是基于将典型的使用在结构化数据库的相同的元数据标准化应用到企业内部部署和云端的所有其他数据上面,包括所有信息类型(电子邮件,文本 文件和SMS,社交媒体等),文档(文字处理,电子表格,演示文稿等),甚至还包括日志文件。在某些受管制的行业,如金融服务,元数据标准化还可以应用到 语音通信数据,如通话录音和语音邮件文件。
比如说,你有一个主要的“工人”ID数据库(例如,员工,在飞机上的外部职员)。使用这个ID来标记每个文档,信息和数据库,并记录由谁创建, 由谁更改,由谁删除,这使得在各个平台的一系列业务进程以和需求相符的数据传回特定人员成为可能,不管数据是否是经过云存储的方式或者在移动设备之间几经 周折。仅这一步也能有助于使得电子披露更有效率,使数据保护和隐私保护变得容易。然后它将还可能确定每个个体其所有数据源(应用程序,共享服务,本地,云 端等)完整的“数据足迹”。
标准化元数据不仅使查找和检索数据更容易一些,还给大数据分析项目带来重要价值。例如,如果你也开始持续标记数据,其中数据即包括客户数据,也 包括产品数据,而且这些数据还分别拥有客户ID和产品ID,你自然会加入分析价值,不管是否和判定公司产品(尽管公司可能还没有产品)的市场需求,为能够 在创收产品中做出贡献的员工提高支持力度,确定客户沟通和客户投资之间的关系,以及很多其他现在实现起来可能有困难或者根本不可能实现的机会这些相关。使 数据丰富起来,降低或消除数据的单一化,调节,映射以及其他和时间资源非常相关的精细的手动工作将会有积极的影响。
让我们来看看另外一个重要的使用案例。对于CIO来说,越过防火墙迁移数据加剧了已有的挑战,这一挑战就是从企业中大约75%的杂乱的碎片信息 中区分出有价值的信息。如果你想实现无论数据在哪里,你都能管理好数据,如果你想摆脱数据中心,将数据有效率地迁移到云端,那么确定当前数据中心中有什么 数据,哪些是重要的,哪些是没有任何价值的,这些至关重要。将标准化元数据应用到企业的所有数据中能够显著地提高鉴定重要信息的能力,连同业务,法律,记 录,合规性和安全价值,所有这些开始让企业的暗数据重焕光彩。
不是革命,而是演进
你使用的标签能显著地改善数据管理,支持电子披露,法规遵从,数据碎片处理,网络安全和威胁响应这些方面,使之变得不再不可逾越。如上所述,使 用员工ID,客户ID和产品ID可能是一个很好的起点。关键是创建足够的有用标签,但是标签也不能太多,那样会适得其反,标签创建完后,将其应用到公司所 能影响或控制的存在于所有地方的所有类型的数据。
另外,你很可能希望随着时间的推移,不断发展变化的系统和用户行为应用标准化,而不破坏或改变它。实现这一想法的一个策略是随着IT自然生命周 期发展。每次你改变应用程序,平台或服务器的时候,你需要嵌入标准化元数据。最终,使用标准化元数据可能会变成习惯,系统化和普遍性。然后,一旦产生价值 而且你已经证明了其投资回报率,你就可以接着改变传统的系统了。
通过规范方法的元数据标准化,你可以让你的企业更有效地利用新兴的移动,云计算和大数据的机会。有了更全面的知识和对信息的把握,你将会为企业的所有业务流程,包括创收,可持续发展,控制风险,法规遵从,网络安全和电子披露等方面带来巨大的机遇。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24