通过机器学习数据目录加速储备数据素养

尽管数据目录自20世纪50年代以来一直存在，但第一个由ML驱动的数据目录，"自动数据目录"，直到2012年才由企业软件公司Alation推出。这些自动目录实现了今天看来很明显的功能，如自动元数据捕获，但它们为其他供应商的超强ML数据目录铺平了道路，如Collibra和Atlan。

1.自动的数据标记："家庭住址 "被自动标记为 "PII"，并被分类到一个安全访问管理池和一个 用于消费的"客户 "数据域。

2.AI驱动的语义搜索：通过参考搜索历史，ML数据目录搜索预测出最相关的数据资产，并加快用户的搜索。

3.自动的数据脉络映射：自动捕捉从记录系统（SOR）到用于业务消费的仪表盘的表的转换。

4.数据质量的提高：ML目录识别不一致的格式（即 "2023年5月"'而不是 "20230501"），并提供建议以改进数据。

5.自动数据剖析：通过分析整个科技生态系统的流动性数据的整合，金融机构的数据团队被提醒潜在的数据质量问题，可以解决这些问题，以准确地展示他们的风险暴露。

6.数据发现：当有消费者行为指标的数据库被整合到目录中时，ML功能会自动对数据进行分类，并加快未来的检索。

有了这些新增的功能，企业可以 大规模地组织、可视化和关联他们的数据，提高洞察力的质量，并加快直接支持高层决策的分析项目的交付时间。

如前所述，数据素养是成为一个数据驱动型组织的基础步骤。如果数据消费者（数据分析师和科学家，决策者等）不了解数据，那么它不会比多余的存储好，考虑到存储数据的成本，这是一个净负值。

由ML驱动的数据目录不仅通过消除学习数据的障碍来支持数据素养，更重要的是通过用业务语言来解释数据。例如，自动数据标签可以根据各种元素将数据资产组织到特定的业务领域，提供一个数据工程师和人力资源主管都可以使用的共同标准。此外，当非数据角色能够利用数据资产来改善他们的产出时，他们在下次面临类似挑战时就会求助于数据（和数据目录），从而有机地创建一个懂数据和数据驱动的组织。

鉴于当今商业环境的快速发展，成为一个数据驱动的组织势在必行。在数据和分析（D&A）领导者Traci Gusher进行的一项研究中，93%的公司表示，他们将继续 "积极地 "增加对D&A能力的投资。然而，根据IBM数据科学和人工智能首席技术官Deborah Leff的说法，87%的数据科学项目从未超过规划阶段，对数据的雄心产生了不利影响。

随着各行各业的公司都在进行巨大的投资，那些能够帮助他们的利益相关者成为有数据意识的人将成为赢家。成功实现数据驱动的使命表明，EBITDA的增幅高达25%。

重要的是要明白，在成为数据驱动型企业之前，首先应当完成必要的践行步骤，使自己具备数据素养。赋予人们一个单一的数据真相来源，通过ML功能驱动，消除冗余的人工任务，比如谱系图，分配数据标签和所有者，并对数据进行分析，以提高透明度和信任度。

机器学习给数据目录带来了超强的动力，并将其转化为当今商业环境下的一个重要工具。通过一致的“智能”操作消除对复杂数据集的猜测，从而提高透明度，从而建立对数据资产的信心，从而更好地使用数据，产生更深入的见解，并产生数据驱动决策的最终产品。