共计 3317 个字符，预计需要花费 9 分钟才能阅读完成。
对于数据驱动的企业，数据治理已不再是一种抉择——而是必需品。企业越来越依赖数据治理来治理数据的策略、数据合规性和数据品质。
因为这些起因，企业的数据治理办法至关重要。领导者必须思考哪种类型的治理最适宜业务需要和指标，企业在数据治理办法方面有选择权。
常见的传统数据治理（或称被动数据治理）次要通过危险的视角来感知数据，从而数据的合规性危险以及对数据品质进行预警。为了升高数据应用的危险，这种办法强制规定了数据的应用规定，包含谁能够做什么而不能做什么。企业调配了新角色，而很少思考以后谁在做什么。这种形式，传统数据治理疏忽了一个简略的事实，而使其数据治理打算失败，那就是——他们曾经在治理数据，而最佳的治理应是交融在日常的流程中！
相比之下，被动数据治理是在人类行为中施行数据治理工作的新模式。人工智能和机器学习将这些口头具体化为一个所有人都能够看到的共享过程。没有强加于人的构造。相同，构造是从以后行为中浮现进去的，而工作流程不间断。
通过这种形式，通过积极主动的治理，速度更快、响应更麻利。这就是为什么许多企业正在从被动转向被动数据治理打算。
数据民主化
数据民主化是使信息系统的一般非技术用户能够拜访数字信息的过程，而无需 IT 参加。它是自助剖析的根底，这种办法容许这些非技术用户（即：业务线人员）收集和剖析数据，而无需寻求数据管理员、系统管理员或 IT 人员的帮忙。
被动数据治理优先思考数据民主化
这种办法不是将数据锁定在须要它的人之外，而是欢送更多用户应用数据——但减少了领导应用的“护栏”，即：对产品的能力要求较高。例如：自动化预警、主动 SQL 和品质标记是“护栏性能”的典型用例。它们能够避免人们谬误地应用数据，并领导合规应用，从而升高违规危险。
监管压力越来越大
欧盟的 GDPR、美国的 CCPA、中国的数据安全法、个人信息保护法要求正确合规的应用数据，并对违规者处以巨额罚款。企业必须恪守合规和隐衷准则，否则将面临巨额罚款。然而，这些法规一直变动，新的更新须要一直地应用新的应用模式。
传统的数据治理不具备疾速适应新法规的灵活性
在一直变动的世界中，被动数据治理会实时调整，以促成信息流向须要的人。数据民主化是踊跃治理的要害支柱，因为它使人们可能拜访最佳数据，并邀请他们无所畏惧地应用它。
传统数据治理的常见陷阱
传统的数据治理是一种数据优先的治理办法。这种传统办法不足响应数据用户需要的流动性——或者在新法规呈现时适应新法规的灵活性。传统数据治理办法概述了用户角色、创立数据规范、调配责任并创立企业范畴的数据策略。因为它强调对数据的管制，这种办法威逼数据文化的状况并不少见。
这种对数据管制的传统形式减弱了团队合作。事实上，这种传统的治理模式制订了僵化的政策，经常疏远甚至吓倒数据工作者。在应用任何特定数据集之前，人们必须参考文档。相似一揽子的政策会产生额定的工作，从而升高整体效率。人们被要求恪守简单的规定，“否则”……
在这种恐怖的氛围中，人们做出“战斗或逃跑”的反馈并不常见。许多人没有遵循简单的数据集应用规定，而是齐全放弃了该数据。其他人可能会在数据管理和应用方面变得平易近人。许多人将传统办法称为“命令和管制”格调，是有起因的。
随着数据治理成为一种累赘，数据分析师的工作效率会降落，这通常会导致数据品质降落。然而，施行正确的治理模型能够在反对企业倒退方面施展重要作用。如果分析师和其余数据用户失去与他们一起工作的治理策略的反对，则能够在收集、存储和剖析的整个周期内保持数据品质。
为什么要从传统数据治理转向被动数据治理？
什么决定了被动 / 传统模型与被动治理模型的好坏？需要因业务而异。有一点是必定的：传统办法是一种宽泛的、孤立的办法，不会将数据用户带入波及治理的畛域。
数据不是变化无穷的，它必须在一个间断的过程中进行改良。同样，无效的数据治理必须随着工夫的推移进行调整和改良。明天的数据治理必须采纳麻利的 DevOps 思维并建设在机器学习的根底上，这样随着工夫的推移，它会以更少的致力变得更好。
被动数据治理通过在应用点显示策略和护栏来取得成功。这种非侵入性办法意味着人们在解决数据时理解治理最佳实际。此外，机器学习检测人类行为模式，这些模式表明工作中的数据治理过程。管理员会留神这种模式，他们能够反过来揭示他们的团队，因为他们正式制订了一个曾经在实践中的流程。
通过将数据用户纳入决策制定，整体购买减少，这导致治理人员和前端用户之间增强单干。这容许一组自适应策略，能够随着业务需要的变动而继续优化。实际上，从传统数据治理到被动数据治理的转变将您的治理办法从被动变为被动。
被动治理是一种“秀而不说”的办法。人们在应用数据时天生就在治理数据；然而，它没有正式化。灵便的模型应用数据目录来标准这些流程，而不会影响数据用户的工作流程。通过关注人的行为而不是数据，能够齐全打消数据流转循环中的谬误。
随着数据用户遵循工作流程中的指南，安全性和隐衷性的改良也会减少。被动数据治理反对迭代过程，以便数据用户和管理者制订推动公司指标并牢记员工利益的政策。
被动数据治理有什么不同，有哪些特点？
1、被动发现和治理数据策略
通过盘点、分类和治理数据和常识，被动数据治理为企业数据资产提供了无可比拟的可见性。与耗时的自上而下的孤立办法相比，被动数据治理使企业可能将其治理工作集中在最要害的数据资产上，以便对业务产生最大的影响。
2、施行策略、工作流程和治理
被动数据治理反对对数据治理策略、工作流和规范的麻利批准和沟通。通过提供剖析和仪表板来监控和跟踪策展进度，被动数据治理使治理团队可能优先思考他们的工作。
3、踊跃吸引一线用户
被动数据治理没有限度业务线用户应用数据，而是将治理、合作和通信性能间接放入他们的日常工作流程中，以激励精确、合规的数据驱动决策。
4、自动化数据治理流程
被动数据治理平台将机器学习和众包相结合，以自动化和减速数据管理、数据分类、业务词汇表和数据品质文档。
5、建设对数据的信赖
被动数据治理平台对数据质量指标、形容和仪表板进行编目，并在生产和剖析点实时向消费者展现数据品质信息。借助触手可及的数据分析信息，数据消费者能够看到无关数据的重要特色、统计数据和数字图表，从而使他们可能自信地疾速采取行动。
6、被动升高危险
被动数据治理平台提供数据血统可帮忙用户理解数据的起源、使用者以及应用形式。而且，通过影响剖析报告，用户能够全面理解变更的上游影响——帮忙被动升高危险。
如何从传统数据治理转向被动数据治理
尽管能够分明地看到被动数据治理模型的大量机会，但扭转现有流程并不总是那么容易。以下是减速您的企业向被动数据治理过渡的一些情谊提醒：
● 施行数据目录以轻松组织并为员工解决的数据增加上下文，数据目录使您的员工能够轻松查找、了解和信赖数据。
● 提供尽可能多的信息以使数据更易于信赖。
● 应用数据目录为您的数据分析师和科学家腾出工夫，从而加重耗时的工作，例如：无休止的数据争执，让人们有更多工夫进行剖析和迷信解决。
● 通过正式化元数据责任来进步数据品质。因为，数据不会自行治理。
延聘业务专家和技术专家
● 延聘业务专家和技术专家。让他们参加提供与您的新过渡相一致的数据文化。向所有团队廓清指标是进步对数据的信赖，这将进步您对彼此的信赖。
写在最初的话
扭转企业的数据治理模型不仅仅是扭转数据处理形式。事实上，您对数据作为资产的态度，以及您对应用它的人的认识，都呈现在您的数据治理办法中。您是否置信您的员工会做正确的事件（在领导下）？您是否置信您企业中的人们想要对数据做正确的事件？
如果是这样，那么被动数据治理就适宜您。这种办法通过民主化拜访来优先思考数据用户和数据之间的关系。数据民主化，本着社区合作的精力，欢送人们应用数据。它向他们展现了如何在合规的框架内智能地解决数据。它将信赖置于恐怖之上。
如果做得好，踊跃的数据治理能够加强数据文化。在您的企业，曾经有人具备施行和传播这些变动的能力。一种踊跃的办法将激活这些人，并正式确定围绕数据的责任，让所有人都能看到。
随着社会越来越依赖数据，数据的采集量将持续增长。
为了跟上步调，咱们必须迅速行动！
咱们必须使数据拜访民主化！
咱们必须放弃踊跃的态度！