数据管理就像是去看牙医一样：每个人都需要做，但却很少有人真正享受这一过程。而在现如今这样一个企业越来越多地采用自助式的商业智能工具，并将BI数据交由企业决策者和操作人员的手中的大环境下，企业制定清晰的规则，以便实现强大的数据管理政策要比以往任何时候都来得重要。

　　但这并不意味着企业的数据管理团队应采取强硬的措施，以旨在加强企业信息的准确性和一致性为目标的管理政策。不久前，在拉斯维加斯召开的2015年TDWI高管峰会上，几位发言者探讨了让企业的BI和IT经理们可以用来在确保其数据质量的同时，还能提升业务部门的人员和数据分析人员运行他们的查询和利用自助式软件建立数据可视化的新方式。

　　“我们并不希望成为警察，监视其他同时的如何使用数据。”CDPQ公司的数据管理副总裁Alexandre Synnett表示说，该公司负责为加拿大魁北克省管理公共部门的养老基金。 “长篇大论的写上数十页的规则文档，来规定员工必须遵照制定显然不是我们企业的风格。”

　　相反，CDPQ公司选择了一套更具协作性的方法。Synnett说，其所在企业不是采用自行开发一套数据管理框架的方法，而是通过让其数据管理和分析团队与公司业务部门的经理合作，以确定潜在的敏感数据，并规范设置这些数据如何被使用，同时还使业务部门的相关需求得到充分务实的满足。然后，他们企业在公司的后端系统建立起了数据管理控制及相关业务规则。这项工作还涉及到通过业务部门和集中存储，管理和访问实现从孤立系统中获取数据。

　　咨询公司Archipelago Information Strategies的管理合伙人迈克·兰帕德将这种方法称为“无为而治”。他说，在大多数企业中，传统的数据管理过程一直专注于限制什么身份的人员可以用数据来做什么。当然这样做是有充分的理由的：如果没有这样相关的限制，那么提供给最终用户的信息很可能不准确;或是让低质量的分析结果反馈到数据仓库;或无意中发布了原本基于法律监管因素应该保密的数据信息。

　　但兰帕德警告说，仅侧重于阻止用户的相关操作作为企业数据管理政策的一部分，势必会减少自助服务工具的价值，削弱分析师和其他员工从数据信息中获得潜在的有价值的见解的能力。

　　这就是为什么他建议企业采用更灵活的数据管理策略的原因了，特别是针对那些允许用户带入到其所使用的应用程序的数据类型。强行要求任何数据都需要安装某种特定格式的标准可能将会使得分析团队很难处理新的数据类型，如社交媒体数据或Web点击流数据，兰帕德说。他还补充道，如果企业的IT管理者担心杂乱的数据进入企业的数据库，他们可以为数据分析师们设置隔离的数据沙箱。但只是一味的说“不”并不是一个好的选择。

　　“企业必须具备让数据科学家们能够将外部数据与企业内部数据信息进行整合的能力。”兰帕德说。“现在，是时候把所有这些数据均算作企业资产负债表中的资产分类了。”

　　CDPQ公司已经采用了沙盘路线，并建立了所谓的“最终用户区”，纳入其数据仓库来支持分析原型和进一步的数据分析探索。但这类沙箱并不是无所不可的。CDPQ公司的建模和业务分析高级主管吕克·维耶特表示，该公司的数据管理方案包括一套规则的使用：例如，分析师必须尽可能的使用官方的数据源，并且只有个别业务部门可以利用他们的发现进行决策。

　　维耶特说，虽然这适合于注重协同管理，但IT开发人员和数据科学家及业务分析师一同使用沙箱工作，可以将分析模型和算法纳入到一个可管理的结构。

　　为特定的分析目的选择正确的工具可以支持使用不同类型的数据。研究和咨询公司Third Nature的总裁马克·马德森表示，在今天的市场上，有很多的分析和报告工具可以用来处理不同格式的数据。而企业总是在寻找一款单一的可以实现很多功能的工具，但这种软件可能需要用户在进行数据分析之前，将数据从数据库中导出，并重新格式化。利用一款特定的工具来分析，例如，增加更多的软件来管理社交媒体数据可能会增加数据仓库的复杂性，但这种折衷是值得的。

　　“企业必须综合考虑那种能够帮助您实现众多功能，但却需要您放松某些管制的平台，因为我们需要让一切数据都通过数据仓库技术ETL。”

　　同时，马德森建议企业务必要格外重视允许进入到其数据仓库和其他分析系统的东西。相关有洞察的见解可以通过将CRM数据与产品信息、交易数据整合来发现，但将这些数据类型纳入到一个单一的分析过程也会使得分析进程放慢。分析的最终目的是从各种繁杂的数据信息中寻找到相关“信号”，因此，待分析的数据越多，就越是繁杂。

　　“既然您企业已经收集了那么多的数据，您要怎么才能知道哪些数据信息才是真正有价值有意义的呢?”马德森反问道。

　　责任编辑：余芯