
课程咨询: 400-996-5531 / 投诉建议: 400-111-8989
认真做教育 专心促就业
我喜欢蜘蛛侠的这句名言:“能力越大,责任越大。”每家组织都希望自己的数据科学家、数据可视化专家和平民数据分析员能不断获取洞察力,进而帮助决策。但是这种能力还要求数据团队、分析团队和机器学习团队采用积极主动的数据治理和数据运营(DataOps)实践,以满足组织在数据质量、安全、隐私、主数据管理和数据集成等方面的要求。
因此,分析团队竭力变得更加敏捷,经常拿出成果,并增加分析中使用的数据集的数量,同时数据团队必须基于合规要求和不断变化的业务预期目标,夯实底层的数据处理基础。
这种敏捷性不是免费或通过强行规定就能获得的。只有跨部门团队认识到敏捷性的重要性,并协同工作以改善分析交付和数据处理基础,数据和分析流程才会日趋完善。这里有几个例子:
平民数据科学计划要求各参与部门在发布新的数据可视化之前,定义并维护数据目录和定义。
数据科学团队记载机器学习模型、定义漂移参数,并基于定义的生命周期维护生产级模型。
数据集成团队和数据质量团队将分析团队视为客户或利益相关者。他们定期审查分析团队执行的数据管理工作,评估和调整数据模型和集成机制,以减少下游数据处理。
所有获准处理数据的团队定期审查数据安全、合规和隐私要求方面的变化。他们列出安全、数据或技术债务等方面的不足,为补救工作确定轻重缓急。
数据运营团队和云运营团队主动提升监测、容量规划和基础架构自动化的级别,以满足数据处理和分析团队越来越高的性能要求。
敏捷性是通过协作,并兼顾想要完成的工作与需要完成的工作来获得的。否则,这新一代的大数据、机器学习和自助式商业智能(BI)计划很容易带来一大堆新的数据债务、数据孤岛和数据安全风险。
【免责声明】本文系本网编辑部分转载,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题,请在30日内与管理员联系,我们会予以更改或删除相关文章,以保证您的权益!