在当今的大数据世界中，云技术是必不可少的，因此大数据投资显然是有优势的，但是管理不善可能意味着未来的工作量更多。
大多数企业都知道为什么将应用程序和工作负载迁移到云中是有益的。在当今的大数据世界中，云技术是必不可少的。但是，伴随变化而来的是风险。当IT系统出现故障或无法有效管理时，整个业务都会遭受损失。
大数据投资显然是有利的，但管理不善可能意味着一团糟。当您知道其他人犯的常见错误时，避免数据管理危机就容易了。这样，您就可以准备好解决方案，而不必花时间在电话上或与团队进行视频通话。
考虑到这一点，这里要避免七个常见的数据管理陷阱。
1.没有数据保护或治理
所有公司数据在存储或传输时必须是安全的。无论如何，您都需要确保在出现问题时可以恢复。保持警惕，以防出现腐败，勒索软件，人为错误和其他风险。
在开始数据传输之前，您必须确保实施了有效的数据治理框架。这只有在创建管理机构时才有可能，该机构由负责监督适当数据管理，传输和恢复的人员组成(如果需要)。
2.将治理视为“项目”
一些组织将数据治理计划视为传统项目。数据永远在变化，流动，并具有多个交互点。因此，标准的项目管理方法不合适。一个 程序的方法效果更好。这样一来，可以有一系列已定义的独立项目流，它们都专注于具有不同方法和技能的单个任务。只要有新数据进出组织，该数据的治理就应该持续进行，并且没有明确的目的。
3.忘记对企业数据的不同解释
如果数据的定义和使用之间各部门之间存在差异，则可能意味着输入，处理和报告的质量数据不足。数据质量策略必须结合一般业务人员，数据治理团队和外部专家。
然后，这些人可以协作定义稳定且普遍认可的定义，以提高数据质量。屏幕共享等现代协作功能使这种协作更加容易。当企业将其数据视为组织资产时，就可以实现数据治理进步。
4.分析不良数据
数据分析对于推进数据集成应用程序是必需的。提取，转换，加载(ETL)开发人员专门从事数据传输。他们研究当前的数据集以清理和处理它们。但是，这只是工作的一半。
例如，如果客户A将他们的电话号码添加到邮政编码字段，则指示ETL从邮政编码字段中提取电话号码并将其放在电话号码字段中。对于您当前的数据集，此方法有效，但是如果将来客户B做同样的事情，是否会重复该方法?
如果您不考虑将来的数据集，而仅支持已经存在的数据集，那么将无法正确处理客户B的信息。您无法预测数据，因此数据集中的灵活性至关重要。为了解决这个问题，在任何项目开始时进行深入分析，就意味着在将来更新ETL的数据清理部分时所花费的时间更少。
做好准备，您的客户支持团队将永远感激不尽。
5.不创建和利用数据质量标准
如果数据评估既受监管又可靠，那么每个应用程序中的数据质量都是更高的标准。此外，基于持续监视和报告的类别的数据质量策略将更易于创建和管理。
6.忽略数据质量路线图
可以通过收集治理团队，开发人员，支持人员和业务社区的意见来定义数据质量路线图。这样可以确保已定义项目的万无一失。该路线图考虑了应用程序的大小，稳定性和时间成本。以及合适的团队成员是否可以参与合适的项目。然后，所有步骤都具有商业和技术意义。
偏离此路线图将在将来造成问题。
7.没有互操作性策略
许多组织正在采用混合基础架构来优化效率并降低成本。如果是这样，您必须完全了解数据管理选项以及新策略可能对您的业务产生的影响。
更换供应商有多容易?什么样的代码需要重写?锁定专有API和服务符合云供应商的最大利益。尽管如此，您和治理团队仍然有责任确保所有数据和应用程序具有多云功能。这样，您就可以灵活地进行选择。
结论
在开始新的数据管理策略时，成功来自于意识到这是一个持续不断且不断变化的过程。因此，要慢一些，并采取许多小步骤，而不要减少大步骤。缓慢而稳定在这场比赛中获胜。
