5 Data Governance for Big Data Anal

5 Data Governance for Big Data Analytics:
Considerations for Data Policies and Processes

It should not come as a surprise that in a big data environment, much like any environment, the end users might have concerns about the believability of analytical results. This is particularly true when there is limited visibility into trustworthiness of the data sources. One added challenge is that even if the producers of the data sources are known, the actual derivation of the acquired datasets may still remain opaque. Striving for data trustworthiness has driven the continued development and maturation of processes and tools for data quality assurance, data standardization, and data cleansing. In general, data quality is generally seen as a mature discipline, particularly when the focus is evaluating datasets and applying remedial or corrective actions to data to ensure that the datasets are fit for the purposes for which they were originally intended.
5.1 THE EVOLUTION OF DATA GOVERNANCE
In the past 5 years or so, there have been a number of realizations that have, to some extent, disrupted this perception of “data quality maturity,” namely:
• Correct versus correction: In many environments, tools are used to fix data, not to ensure that the data is valid or correct. What was once considered to be the cutting edge in terms of identifying and then fixing data errors has, to some extent, fallen out of favor in lieu of process-oriented validation, root cause analysis, and remediation.
• Data repurposing: More organizational stakeholders recognize that datasets created for one functional purpose within the enterprise (such as sales, marketing, accounts payable, or procurement to name a few) are used multiple times in different contexts, particularly for reporting and analysis. The implication is that data quality can no longer be measured in terms of “fitness for purpose,” but instead must be evaluated in terms of “fitness for purposes,” taking all downstream uses and quality requirements into account.
• The need for oversight: This realization, which might be considered a follow-on to the first, is that ensuring the usability of data for all purposes requires more comprehensive oversight. Such oversight should include monitored controls incorporated into the system development life cycle and across the application infrastructure.
These realizations lead to the discipline called data governance. Data governance describes the processes for defining corporate data policies, describing processes for operationalizing observance of those policies, along with the organizational structures that include data governance councils and data stewards put in place to monitor, and hopefully ensure compliance with those data policies.
Stated simply, the objective of data governance is to institute the right levels of control to achieve one of three outcomes:

1. Alert: Identify data issues that might have negative business impact.
2. Triage: Prioritize those issues in relation to their corresponding business value drivers.
3. Remediate: Have data stewards take the proper actions when alerted to the existence of those issues.

When focused internally, data governance not only enables a degree of control for data created and shared within an organization, it empowers the data stewards to take corrective action, either through communication with the original data owners or by direct data intervention (i.e., “correcting bad data”) when necessary.

Kết quả (Việt) 1:

5 dữ liệu các quản trị lớn dữ liệu Analytics:Xem xét cho dữ liệu chính sách và quy trìnhNó không nên đến như là một bất ngờ rằng trong một môi trường dữ liệu lớn, giống như bất cứ môi trường, người dùng cuối có thể có mối quan tâm về believability của phân tích kết quả. Điều này đặc biệt đúng khi không có giới hạn khả năng hiển thị các tin cậy của nguồn dữ liệu. Một thêm thách thức là rằng ngay cả khi các nhà sản xuất của các nguồn dữ liệu được biết đến, các derivation thực tế của datasets mua lại có thể vẫn còn mờ. Phấn đấu cho dữ liệu tin cậy đã thúc đẩy phát triển và trưởng thành của quy trình và công cụ để đảm bảo chất lượng dữ liệu, tiêu chuẩn hóa dữ liệu và dữ liệu làm sạch. Nói chung, chất lượng dữ liệu nói chung được xem như là một kỷ luật trưởng thành, đặc biệt là khi tập trung việc đánh giá datasets và áp dụng hành động khắc phục hậu quả hoặc khắc phục cho các dữ liệu để đảm bảo rằng các datasets có phù hợp cho các mục đích mà họ được ban đầu được dự định.5.1 SỰ TIẾN TRIỂN CỦA QUẢN TRỊ DỮ LIỆUTrong 5 năm qua, hay như vậy, đã có một số realizations mà có, để một số phạm vi, phá vỡ nhận thức của "trưởng thành chất lượng của dữ liệu", cụ thể là:• Đúng so với chỉnh: trong nhiều môi trường, công cụ được sử dụng để sửa chữa dữ liệu, không để đảm bảo rằng dữ liệu hợp lệ hoặc chính xác. Những gì một lần được coi là cắt cạnh trong điều khoản của việc xác định và sau đó sửa chữa lỗi dữ liệu đã, để một số phạm vi, rơi ra khỏi lợi thay cho xác nhận quá trình theo định hướng, gốc gây ra các phân tích, và khắc phục.• Dữ liệu repurposing: bên liên quan tổ chức nhiều nhận ra datasets tạo ra cho một mục đích chức năng trong doanh nghiệp (chẳng hạn như bán hàng, tiếp thị, tài khoản nợ phải trả, hoặc mua sắm đến tên một vài) được sử dụng nhiều lần trong ngữ cảnh khác nhau, đặc biệt là cho báo cáo và phân tích. Ngụ ý ở đây là chất lượng dữ liệu không còn có thể được đo lường trong điều khoản của "phù hợp cho mục đích", nhưng thay vào đó phải được đánh giá trong điều khoản của "thể dục cho các mục đích," tham gia tất cả hạ lưu sử dụng và yêu cầu chất lượng vào tài khoản.• Sự cần thiết cho giám sát: nhận thức này, mà có thể được xem xét theo để là người đầu tiên, là rằng đảm bảo khả năng sử dụng dữ liệu cho tất cả các mục đích yêu cầu giám sát toàn diện hơn. Giám sát như vậy nên bao gồm theo dõi điều khiển tích hợp vào hệ thống phát triển đời và trên cơ sở hạ tầng ứng dụng. Những realizations dẫn đến kỷ luật được gọi là dữ liệu quản trị. Quản trị dữ liệu mô tả các quá trình để xác định công ty dữ liệu chính sách, mô tả quá trình cho operationalizing chấp hành các chính sách, cùng với các cấu trúc tổ chức bao gồm hội đồng quản trị dữ liệu và dữ liệu stewards đặt vào nơi để giám sát, và hy vọng đảm bảo tuân thủ những chính sách dữ liệu. Nói đơn giản, mục tiêu của quản trị dữ liệu là viện cấp quyền kiểm soát để đạt được một trong số ba kết quả:1. cảnh báo: Xác định dữ liệu các vấn đề có thể có tác động tiêu cực kinh doanh.2. phân loại: Ưu tiên những vấn đề liên quan đến của trình điều khiển tương ứng giá trị kinh doanh.3. remediate: Có dữ liệu tiếp viên có những hành động thích hợp khi thông báo sự tồn tại của những vấn đề.Khi tập trung trong nội bộ, quản trị dữ liệu không chỉ cho phép một mức độ kiểm soát đối với dữ liệu tạo ra và chia sẻ trong một tổ chức, nó giup nâng cao những stewards dữ liệu để thực hiện hành động sửa sai, hoặc thông qua giao tiếp với các chủ sở hữu dữ liệu gốc hoặc bởi sự can thiệp trực tiếp dữ liệu (tức là, "chỉnh xấu dữ liệu") khi cần thiết.