为什么要保证数据完整性是业务必须的

在过去的几年中，数字化转型一直是行业中持续不断的鼓舞，并且是许多企业业务战略的核心部分。成功的数字化转型是当今业务领域的主要差异化因素，但许多组织仍在努力进行数字化。拥有数据战略的公司（使数据和分析成为其业务战略的中心，并依靠数据来制定更好的决策和获得更好的见解）是成功进行数字化转型的公司。

数字化转型的挑战

实施成功的企业范围数字化转型说起来容易做起来难。许多公司遇到两个直接的，潜在的严重问题。两者都与数据有关，这是任何变革性技术计划的推动力。首先与公司历史上存储和访问数据的方式有关。第二个涉及他们的数据质量。

大多数企业将数据存储在孤岛中。营销数据主要由营销团队使用，财务数据由财务团队使用，依此类推。一些市场调查表明，有68％的组织表示不同的数据会对组织产生负面影响。每个部门都创建了系统，以根据其功能需求生成最佳信息。尽管在部门内部该操作可以被视为完全成功，但实际上缺点是巨大的。除非打破这些数据孤岛，并且不整合各种数据源以提供整个企业的整体视图，否则公司将仅限于功能级别的项目，而不是数字转换。

在大多数企业中，关键数据资产（例如客户信息和员工记录）存储在难以访问的数据存储中。IT基础架构通常承受数十年的投资，各种平台，多个数据中心以及在云中生成新数据的负担。所有这些都增加了数据管理的复杂性，并创建了更多的数据孤岛。数据引力正在向云和边缘转移。结果，许多组织都在利用新机器的云优先方法，以利用机器学习和AI工具以及云的弹性。

由于数据孤岛，使关键企业数据存储中的数据可用于这些新的分析环境和云数据仓库，以及为云应用程序保持数据新鲜成为一项巨大的挑战。例如，在冠状病毒大流行期间，纽约和新泽西州最近一直在努力处理失业人数激增的问题，这表明需要将传统的本地平台与易于访问的基于云的解决方案联系起来。

数据质量是进步的另一个主要挫折，即使对于那些设法打破孤岛的公司而言。丢失的数据，重复的数据和不良的数据会馈入分析和机器学习管道，这会导致数据偏差和不良的业务决策。数据也容易出错，尤其是当数据标准化且有多个来源时。公司中只有3％的数据符合基本质量标准，而新创建的数据记录中有47％至少有一个严重错误。难怪有84％的CEO担心他们基于其决策制定的数据的完整性。不良的数据质量在规模上尤其成问题，这会放大最初良性的数据问题并造成不良的业务洞察力。

除了围绕数据质量的挑战外，单个数据点通常是无用的。没有上下文，单个数据点将无助于达成目标，例如了解消费者行为，将个人与企业联系起来以追踪洗钱活动，甚至无法了解大流行的蔓延。例如，仅查看新病例与死亡人数的关系并不能完整地预测如何预测COVID-19的传播和影响。使用其他人口统计数据添加上下文，并使用区域或社区的基本健康状况丰富数据，这些都有助于建立我们对数据集之间关系的理解。这有助于预测结果，从而做出更好的决策。

今天，技术的进步已经超越了这些过时的考虑。使用其他信息（例如位置和人口统计数据）来充实数据可以产生意想不到且通常对业务至关重要的见解。通过将AI和机器学习相结合，公司现在能够快速解析大量复杂信息。

信任数据和业务决策

包括所有关键数据资产在内，清理和标准化数据消除了决策者的盲目性，因为他们所依赖的信息现在考虑了公司和客户体验的全部广度。它还可以帮助企业领导者及早发现问题，因为异常值会更早被发现。

丰富数据涉及提高现有数据的质量和复杂性，从而增加决策者信息的深度。例如，尽管一家保险公司的现有数据可能有助于告知溢价，但有关建筑物和物业线的位置信息的丰富性可以使溢价更加具体。人口统计信息对于拥有大量客户的企业尤其重要。例如，当寻求建立自己的咖啡业务时，它有助于确定投资的主要地点。

实现成功

数据完整性有四个关键组成部分：数据集成，数据质量，位置智能和数据丰富。实现数据完整性的所有方面都可以增加企业数据的广度和深度，并为决策者提供更好的信息。更好的信息意味着更好的业务决策，创建真正的变革性数字计划。

例如，试图将信用卡交易链接到特定商店或商家的金融服务组织将需要清理，匹配和验证这些交易。具有位置信息的数据丰富功能可以帮助他们准确分配交易，了解子公司和母公司并改善结果。这也有助于他们进行数据治理。

当今的企业领导者需要重新审视其数字化转型战略，以确保他们超越竞争对手并真正从数据中获得最大收益。目标是通过准确的数据和上下文做出可信赖的业务决策。成功管理数据完整性是当今最重要的业务。