Przypadek użycia zarządzania danymi | IBM Cloud Pak for Data as a Service

Powrót do angielskiej wersji dokumentacji

Przypadek użycia zarządzania danymi

Wiele przedsiębiorstw zmaga się z bilansem korzyści płynących z zapewnienia dostępu do danych z potrzebą ochrony wrażliwych danych. Cloud Pak for Data as a Service udostępnia metody, które przedsiębiorstwo potrzebuje do automatyzacji zarządzania danymi, dzięki czemu można zapewnić dostęp do danych i ich ochronę.

Obejrzyj ten film wideo, aby wyświetlić przypadek użycia sieci Fabric do zaimplementowania rozwiązania do zarządzania danymi w Cloud Pak for Data(Cloud Pak for Data).

Ten film wideo udostępnia metodę wizualną, która umożliwia poznanie pojęć i zadań w tej dokumentacji.

Wyzwania

Wiele przedsiębiorstw stawia czoła następującym wyzwaniom w zakresie zarządzania danymi:

Zapewnianie prywatności danych w skali: Organizacje muszą przestrzegać przepisów o ochronie danych osobowych w źródłach danych na wielu platformach chmurowych i w siedzibie.
Uzyskiwanie dostępu do danych wysokiej jakości: Organizacje muszą zapewnić dostęp do wysokiej jakości danych przedsiębiorstwa w wielu zespołach.
Tworzenie kompletnego profilu klienta: Zespoły muszą budować dokładne widoki klientów w skali, szybko, w celu optymalizacji procesów samoobsługowych i stewardship.
udostępnianie samoobsługowej konsumpcji danych: Konsumenci danych, tacy jak naukowcy danych, starają się znaleźć i wykorzystać potrzebne dane.

Problemy te można rozwiązać, implementując sieć Fabric z danymi Cloud Pak for Data as a Service.

Przykład: wyzwania Golden Bank

Podążaj za historią Złotego Banku, ponieważ zespół rządzenia wdraża zarządzanie danymi. Golden Bank ma dużą ilość danych klientów i kredytów hipotecznych, które obejmują wrażliwe dane. Bank chce zapewnić jakość danych, maskować wrażliwe dane i udostępnić go do użytku w kilku działach.

Proces

Sposób implementowania zarządzania danymi zależy od potrzeb danej organizacji. Zarządzanie danymi można zaimplementować w sposób liniowy lub iteracyjny. Użytkownik może korzystać z domyślnych funkcji i predefiniowanych artefaktów lub dostosować rozwiązanie.

Aby zaimplementować zarządzanie danymi, organizacja może śledzić ten proces:

Ustanowienie słownika biznesowego
Definiowanie reguł w celu ochrony danych
Kuruj i konsoliduj dane
Współużytkowanie lub praca z danymi

Usługi Watson Knowledge Catalog i Match 360 w produkcie Cloud Pak for Data as a Service udostępniają wszystkie narzędzia i procesy, które muszą być zaimplementowane przez organizację użytkownika w celu zaimplementowania rozwiązania do zarządzania danymi.

Obraz przedstawiający przepływ zasobów w przypadku użycia zarządzania danymi

1. Ustal słownik biznesowy

Aby sprostać wyzwaniom, zespół musi utworzyć słownik biznesowy, importując lub tworząc artefakty zarządzania, które działają jako metadane w celu sklasyfikowania i opisania danych:

Zanim będzie można zautomatyzować prywatność danych, zespół musi upewnić się, że dane do sterowania są dokładnie identyfikowane.
Zanim będzie można przeanalizować jakość danych, należy zidentyfikować format danych.
Aby ułatwić znalezienie danych, Twój zespół musi się upewnić, że treść tych danych jest dokładnie opisana.

W pierwszym kroku procesu zespół zarządzania może tworzyć na podstawie predefiniowanych artefaktów zarządzania i tworzyć niestandardowe artefakty zarządzania, które są specyficzne dla danej organizacji. Istnieje możliwość tworzenia artefaktów w celu opisania formatu, znaczenia biznesowego, wrażliwości, zakresu wartości i strategii zarządzania danymi.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
Kategorie	Użyj predefiniowanej kategorii do przechowywania artefaktów zarządzania. Utwórz kategorie, aby organizować artefakty zarządzania w strukturze hierarchicznej podobnej do folderów. Dodaj współpracowników z rolami, które definiują ich uprawnienia do artefaktów w kategorii.	Potrzebna jest więcej niż predefiniowana kategoria. Użytkownik ma mieć możliwość precyzyjnego kontrolowania tego, kto może być właścicielem, autorem i widokiem artefaktów zarządzania.
Przepływy pracy	Użyj domyślnej konfiguracji przepływu pracy, która nie ogranicza tego, kto tworzy artefakty zarządzania lub wymaga przeglądów. Skonfiguruj przepływy pracy dla artefaktów zarządzania i wyznaczono, kto może tworzyć typy artefaktów zarządzania, w których kategorie są tworzone.	Użytkownik chce sterować tym, kto tworzy artefakty zarządzania. Użytkownik chce, aby robocze artefakty zarządzania zostały przejrzane przed ich opublikowaniem.
Artefakty zarządzania	Użyj predefiniowanych terminów biznesowych, klas danych i klasyfikacji. Utwórz artefakty zarządzania, które działają jako metadane, aby wzbogacić, zdefiniować i kontrolować zasoby danych.	Użytkownik chce dodać wiedzę i znaczenie dla zasobów, aby pomóc ludziom w zrozumieniu danych. Chcesz poprawić analizę jakości danych.
Knowledge Accelerators	Zaimportuj zestaw predefiniowanych artefaktów zarządzania w celu poprawy klasyfikacji danych, zgodności z przepisami, analizy samoobsługowej i innych operacji zarządzania.	Do opisywania problemów biznesowych, wydajności biznesowej, standardów branżowych i przepisów wymagany jest standardowy słownik. Użytkownik chce zaoszczędzić czas, importując wstępnie utworzone artefakty zarządzania.

Przykład: słownik biznesowy Golden Bank

Kierownik zespołu ds. zarządzania w Golden Bank rozpoczyna tworzenie kategorii Bankowość, która umożliwia wstrzymanie artefaktów zarządzania, które zespół planuje utworzyć. Kierownik zespołu dodaje do kategorii Bankowość pozostałe elementy zespołu zarządzania jako współpracowników z rolą Edytujący , dzięki czemu mają uprawnienia do tworzenia artefaktów zarządzania. Następnie kierownik zespołu konfiguruje przepływy pracy w taki sposób, aby inny członek zespołu był odpowiedzialny za tworzenie każdego typu artefaktu. Wszystkie przepływy pracy wymagają kroku zatwierdzenia przez kierownika zespołu.

Jeden członek zespołu zarządzania importuje zestaw terminów biznesowych z arkusza kalkulacyjnego. Niektóre z warunków biznesowych są związane z zawodami klientów osobistych. Inny członek zespołu tworzy zestaw danych odniesienia, "Professions", który zawiera listę zawodów, w których każda okupacja ma numer identyfikacyjny. Trzeci członek zespołu tworzy niestandardową klasę danych, "Profesja" w celu identyfikacji zawodu klientów osobistych na podstawie referencyjnego zestawu danych.

2. Definiowanie reguł w celu ochrony danych

W kolejnym kroku procesu Twój zespół definiuje reguły zapewniające zgodność z przepisami ochrony danych osobowych przez kontrolę nad tym, kto może zobaczyć jakie dane. Zespół tworzy reguły ochrony danych w celu zdefiniowania sposobu ochrony danych w katalogach zarządzanych. Zespół może używać tych reguł ochrony danych do maskowania poufnych danych w oparciu o treść, format lub znaczenie danych lub tożsamość użytkowników, którzy uzyskują dostęp do tych danych.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
Reguły ochrony danych	Chroń poufne informacje przed nieautoryzowanym dostępem w zarządzanych katalogach przez odmawianie dostępu do danych, maskowanie wartości danych lub filtrowanie wierszy w zasobach danych. Dynamicznie i spójnie maskuj dane w zarządzanych katalogach na poziomie szczegółowości zdefiniowanym przez użytkownika.	Konieczne jest automatyczne wymuszenie prywatności danych w katalogach zarządzanych. Użytkownik chce zachować dostępność i użyteczność danych, a jednocześnie przestrzegać przepisów dotyczących ochrony prywatności.
Przepływy maskowania	Użyj zaawansowanego formatu-zachowując możliwości maskowania danych podczas wyodrębniania kopii lub podzestawów danych produkcyjnych.	Potrzebne są anonimizowane dane treningowe i zestawy testów, które zachowują integralność danych.
Strategie i reguły zarządzania	Opisz i udokumentuj wytyczne, przepisy, standardy lub procedury organizacji w celu zapewnienia bezpieczeństwa danych. Opisz wymagane zachowanie lub działania w celu zaimplementowania strategii zarządzania.	Użytkownik chce, aby osoby, które korzystają z danych, rozumieły strategie zarządzania danymi.

Przykład: zasady ochrony danych Golden Bank

Aby stworzyć model predykcyjny dla zatwierdzeń kredytów hipotecznych, naukowcy z danymi Golden Bank potrzebują dostępu do zestawów danych, które zawierają dane wrażliwe. Na przykład, naukowcy danych chcą uzyskać dostęp do tabeli z danymi dotyczącymi osób ubiegających się o kredyt hipoteczny, które obejmują kolumnę z numerami ubezpieczenia społecznego.

Członek zespołu ds. zarządzania tworzy regułę ochrony danych, która maskuje numery ubezpieczenia społecznego. Jeśli przypisaną klasą danych kolumny w zasobie danych jest "US Social Security Number", to wartości w tej kolumnie są zastępowane przez 10 Xs.

Członek zespołu zarządzania tworzy strategię, która zawiera regułę ochrony danych. Strategia opisuje przyczyny biznesowe dla implementowania reguły.

3. Kurowanie danych do współużytkowania w katalogach

Zarządcy danych kurują wysokiej jakości zasoby danych w projektach i publikują je w katalogach, w których mogą je znaleźć osoby, które potrzebują tych danych. Zarządcy danych wzbogacają zasoby danych, przypisując artefakty zarządzania jako metadane opisujące dane i informując je o wyszukiwaniu semantycznym danych.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
Metadata import	Automatycznie importuj metadane techniczne dla danych, które są powiązane z połączeniem w celu utworzenia zasobów danych.	Konieczne jest utworzenie wielu zasobów danych ze źródła danych. Należy odświeżyć zasoby danych, które zostały wcześniej zaimportowane.
Wzbogacanie metadanych	Profilowanie wielu zasobów danych w pojedynczym wykonaniu w celu automatycznego przypisywania klas danych oraz identyfikowania typów danych i formatów kolumn. Automatycznie przypisuj warunki biznesowe do zasobów i wygeneruj sugestie dotyczące terminów w oparciu o klasyfikację danych. Uruchom ponownie zadania importowania i wzbogacania w określonych odstępach czasu, aby wykryć i ocenić zmiany w zasobach danych.	Konieczne jest ograniczenie i opublikowanie wielu zaimportowanych zasobów danych.
Analiza jakości danych	Przeprowadzanie analizy jakości w wielu zestawach danych w pojedynczym wykonaniu w celu skanowania wspólnych wymiarów jakości danych, takich jak brakujące wartości lub naruszenia klas danych. Ciągły śledzenie zmian w treści i strukturze danych oraz rekurencyjnie analizowanych zmienionych danych.	Użytkownik musi wiedzieć, czy jakość danych może mieć wpływ na dokładność analizy danych lub modeli. Użytkownicy muszą określić, które zestawy danych mają być naprawiane.
Eksplorator danych głównych	Za pomocą głównego eksploratora danych w programie IBM Match 360użytkownicy i systemy wyszukują, wyświetlają i analizują główne obiekty danych. Użytkownicy mogą wykrywać dane główne bezpośrednio w obszarze, w którym oczekują na ich wykorzystanie.	Użytkownicy i systemy muszą mieć łączny widok danych. Użytkownicy i systemy muszą wyszukiwać, wyświetlać i analizować główne jednostki danych. Użytkownik chce używać interfejsów API do łączenia aplikacji biznesowych z zaufanymi danymi głównymi.

Przykład: kuracja i konsolidacja danych Golden Bank

Zarządcy danych w zespole zarządzania rozpoczynają importowanie metadanych w celu utworzenia zasobów danych w projekcie. Po zaimporcie metadanych Golden Bank ma dwa zasoby danych, które reprezentują tabele z kolumną o nazwie "ID". Po wzbogaceniu metadanych kolumny te są wyraźnie zróżnicowane w zależności od przypisanych im metadanych:

Do jednej kolumny przypisywany jest termin "Zawód" i "Profesja" oraz klasa danych "Profesja".
Do drugiej kolumny przypisywany jest termin biznesowy "Identyfikator osobisty" i "Prywatna osoba" oraz klasa danych "Numer PESEL z USA".

Zarządcy danych uruchamiają analizę jakości danych w zasobach danych, aby upewnić się, że ogólny wynik jakości danych przekracza próg złotego Banku w wysokości 95%.

Inżynierowie danych w Golden Bank łączą dane klientów z różnych systemów w całym przedsiębiorstwie, jak również dane zewnętrzne, z danymi z oceny kredytowej w celu rozwiązania podmiotów i tworzenia skonsolidowanego widoku klientów. Inżynierowie ustawiają i dodają zasoby aplikacyjne do danych głównych, odwzorowują atrybuty zasobu danych, publikują model danych i uruchamiają zgodny algorytm w celu przygotowania danych do eksplorowanych.

Lider zespołu ds. zarządzania tworzy katalog, "katalog zatwierdzania kredytów hipotecznych" i dodaje zarządców danych i naukowców danych jako współpracowników katalogu. Zarządcy danych publikują zasoby danych, które zostały utworzone w projekcie do katalogu.

4. Podziel się lub pracuj z danymi

Katalog pomaga zespołom zrozumieć dane użytkownika i udostępnia odpowiednie dane do właściwego użycia. Analitycy danych i inni użytkownicy mogą pomóc sobie w tych danych, które są potrzebne, podczas gdy pozostają one zgodne z zasadami dostępu i ochrony danych w korporacji. Mogą one dodawać zasoby danych z katalogu do projektu, w którym współpracują w celu przygotowania, analizy i modelowania danych.

Co można użyć	Co można zrobić	Najlepiej używać, gdy
Katalogi	Zasoby aplikacyjne należy zorganizować w celu udostępnienia ich do współużytkowania dla współpracowników w organizacji. Należy skorzystać z wyszukiwania i rekomendacji semantycznych opartych na AI, aby pomóc użytkownikom w znalezieniu tego, czego potrzebują.	Użytkownicy muszą łatwo zrozumieć, współpracować, wzbogacać i uzyskiwać dostęp do danych o wysokiej jakości. Chcesz zwiększyć widoczność danych i współpracę między użytkownikami biznesowymi. Użytkownicy muszą wyświetlać, uzyskiwać dostęp do danych, manipulować nimi i analizować dane bez zrozumienia jego fizycznego formatu lub lokalizacji, a także bez konieczności przenoszenia lub kopiowania danych. Chcesz, aby użytkownicy zwiększyli zasoby według ocen i przeglądania zasobów.
Wyszukiwanie globalne	Wyszukiwanie zasobów aplikacyjnych we wszystkich projektach, katalogach i obszarach wdrażania, do których użytkownik ma dostęp. Wyszukiwanie artefaktów zarządzania w kategoriach, do których użytkownik ma dostęp.	Konieczne jest znalezienie danych lub innego typu zasobu aplikacyjnego lub artefaktu zarządzania.
Data Refinery	Należy wyczyścić dane w celu usunięcia lub usunięcia danych, które są niepoprawne, niekompletne, niepoprawnie sformatowane lub zduplikowane. Dane kształtu w celu dostosowania go przez filtrowanie, sortowanie, łączenie lub usuwanie kolumn.	Należy poprawić jakość lub przydatność danych.

Przykład: katalog Golden Bank

Naukowcy danych znajdują zasoby danych, których potrzebują w katalogu, i kopiują te zasoby aplikacyjne do projektu. W swoim projekcie naukowcy danych mogą dopracować dane, aby przygotować go do szkolenia modelu.

Kursy dotyczące zarządzania danymi

Samouczek	Opis	Ekspertyza dla kursu
Kuruj dane wysokiej jakości	Tworzenie wysokiej jakości zasobów danych poprzez wzbogacenie danych i przeprowadzenie analizy jakości danych.	Uruchom narzędzie Metadata import i narzędzia wzbogacania metadanych.
Chroń dane	Sterowanie dostępem do danych w ramach Cloud Pak for Data as a Service.	Utwórz reguły ochrony danych.
konsumowanie danych	Odnajdywać, kształtować i analizować dane.	Zapoznaj się z katalogiem i uruchom narzędzie Data Refinery .
Zarządzaj zwirtualizowanymi danymi	Wzbogacaj zwirtualizowane dane i upewnij się, że dane wirtualne są chronione.	Do zarządzania zwirtualizowanymi danymi służy interfejs, projekty i katalogi interfejsu Watson Query .
Konfigurowanie widoku 360 stopni	Skonfiguruj, odwzoruj i modeluj dane, aby utworzyć skonsolidowany widok dla klientów.	Użyj interfejsu przeciągania i upuszczania Match 360 , aby skonfigurować skonsolidowany widok.

Dowiedz się więcej o zarządzaniu danymi

Temat nadrzędny: Przegląd rozwiązania dla sieci Fabric