0 / 0
Přejděte zpět na anglickou verzi dokumentace
Data governance and privacy -příklad použití
Data governance and privacy -příklad použití

Data governance and privacy -příklad použití

Mnoho podniků se snaží vyvážit výhody z poskytování přístupu k údajům s potřebou chránit citlivá data. Cloud Pak for Data as a Service poskytuje metody, které váš podnik potřebuje k automatizaci řízení dat a ochrany soukromí, takže můžete zajistit, aby data byla přístupná i chráněná.

Podívejte se na toto video, chcete-li zobrazit případ použití datového prostředí Fabric pro implementaci řešení Data governance and privacy v produktu Cloud Pak for Data.

Toto video poskytuje vizuální metodu jako alternativu k následujícím psaným krokům v této dokumentaci.

Výzvy

Mnoho podniků čelí těmto problémům v oblasti řízení údajů a soukromí:

Zajištění soukromí dat v měřítku
Organizace musí splňovat požadavky na utajení dat pro data ve zdrojích dat napříč několika cloudovými platformami a lokálně provozováním.

Přístup k datům s vysokou kvalitou dat
Organizace musí poskytovat přístup k podnikovým datům vysoké kvality ve více týmech.

Poskytování samoobslužných datových odběratelů
Spotřebitelé dat, jako např. vědci dat, usilují o nalezení a využití dat, která potřebují.

Tyto výzvy můžete vyřešit implementací datového prostředí Fabric se službou Cloud Pak for Data as a Service.

Příklad: výzvy Golden Bank

Sledovat příběh Golden Bank jako řídicí tým implementuje řízení dat. Banka Golden Bank má velké množství údajů o zákaznících a hypotékách, které zahrnují citlivá data. Banka chce zajistit kvalitu dat, maskovat citlivá data a zpřístupnit ji pro použití v několika odděleních.

Zpracování

Chcete-li implementovat řízení dat a soukromí, může vaše organizace tento proces sledovat:

  1. Nastavení rámce regulace
  2. Vytvořit pravidla pro ochranu vašich dat
  3. Aktuální data pro sdílení v katalozích
  4. Vyhledání a použití dat

Služba Watson Knowledge Catalog v produktu Cloud Pak for Data as a Service poskytuje všechny nástroje a procesy, které vaše organizace potřebuje k implementaci správy dat a řešení ochrany soukromí.

Obrázek ukazující tok aktiv v řízení dat a případ použití ochrany soukromí

1. Vytvoření rámce pro správu věcí veřejných

Aby bylo možné splnit všechny tři výzvy, musí váš tým vytvořit rámec artefaktů regulace, které se chovají jako metadata pro klasifikaci a popis dat:

  • Než budete moci automatizovat utajení dat, musí váš tým zajistit, aby byla data určená k řízení přesně identifikována.
  • Než budete moci analyzovat kvalitu dat, musíte identifikovat formát dat.
  • Chcete-li usnadnit vyhledávání dat, musí váš tým zajistit, aby byl obsah dat přesně popsán.

V tomto prvním kroku procesu může váš řídící tým stavět na základech předdefinovaných artefaktů regulace a vytvářet vlastní artefakty regulace, které jsou specifické pro vaši organizaci. Můžete vytvořit artefakty, které popisují formát, obchodní význam, citlivost, rozsah hodnot a zásady regulace dat.

Co lze použít Co můžete dělat Nejlepší pro použití, když
Kategorie Pomocí předdefinované kategorie můžete uložit své artefakty regulace.

Vytvářejte kategorie pro uspořádání artefaktů regulace v hierarchické struktuře podobné složkám.

Přidejte spolupracovníky s rolemi, které definují jejich oprávnění na artefaktech v dané kategorii.
Potřebujete více než předdefinovanou kategorii.

Chcete mít podrobnější řízení, kdo může vlastnit, vytvářet a zobrazovat artefakty regulace.
Sledy prací Použijte výchozí konfiguraci sledu prací, která neomezuje uživatele, který vytváří artefakty regulace, nebo vyžaduje revize.

Konfigurace sledů prací pro artefakty regulace a určení, kdo může vytvářet, které typy artefaktů regulace ve kterých kategoriích.
Chcete řídit, kdo vytváří artefakty regulace.

Chcete-li před publikováním publikovat koncepty artefaktů regulace, musíte je přezkoumat.
Artefakty regulace Použijte předdefinované datové třídy a klasifikace.

Vytvořte artefakty regulace, které slouží jako metadata pro obohacení, definování a řízení datových aktiv.
Chcete přidat znalosti a význam pro aktiva, která pomohou lidem porozumět datům.

Chcete zlepšit analýzu kvality dat.
Knowledge Accelerators Importujte sadu předdefinovaných artefaktů regulace, abyste vylepšili klasifikaci dat, shodu s předpisy, samoobslužné analýzy a jiné operace řízení. Potřebujete standardní slovník pro popis obchodních problémů, obchodní výkonnosti, odvětvových standardů a předpisů.

Chcete ušetřit čas tím, že importujete předem vytvořené artefakty regulace.


Příklad: Rámec řízení společnosti Golden Bank

Vedoucí týmu v oblasti Golden Bank začíná vytvořením kategorie, Bankovnictví, která má obsahovat artefakty regulace, které má tým vytvořit. Vedoucí týmu přidá zbývající členy týmu správy jako spolupracovníky do kategorie Bankovnictví s rolí Editor , takže mají oprávnění k vytváření artefaktů regulace. Poté vedoucí týmu nakonfiguruje sledy prací tak, aby za vytvoření každého typu artefaktu odpovídal jiný člen týmu. Všechny sledy prací vyžadují krok schválení vedoucím týmu.

Jeden člen týmu správy importuje sadu obchodních termínů z tabulky. Některé z obchodních termínů rozlišují mezi osobními a komerčními klienty. Jiný člen týmu vytváří referenční datovou sadu "Názvy klientů na úrovni diamantu", které obsahují seznam nejlepších komerčních klientů. Třetí člen týmu vytvoří vlastní třídu dat, "Klienti na úrovni diamantu", aby identifikovaly nejlepší komerční klienty na základě referenční datové sady.

2. Vytvořte pravidla pro ochranu vašich dat

V dalším kroku procesu váš tým nastaví pravidla pro zajištění souladu s předpisy pro ochranu osobních údajů tím, že bude kontrolovat, kdo může vidět, jaká data. Váš tým vytváří pravidla ochrany dat, která chrání data napříč platformou. Váš tým může použít tato pravidla ochrany dat k maskování citlivých dat na základě obsahu, formátu nebo významu dat nebo identity uživatelů, kteří přistupují k datům.

Co lze použít Co můžete dělat Nejlepší pro použití, když
Pravidla ochrany dat Chránit citlivé informace před neoprávněnými přístupy odepřením přístupu nebo maskování hodnot dat v datových aktivech.

Dynamicky a konzistentně zamaskuje data na úrovni podrobností uživatele definované uživatelem.
Je třeba, abyste automaticky vynutili utajení dat v rámci platformy.

Chcete zachovat dostupnost a obslužný program dat, zatímco budete zároveň vyhovovat požadavkům na ochranu soukromí.
Maskování toků Při extrahování kopií nebo podmnožin produkčních dat použijte rozšířený formát uchování dat při zachování formátu. Potřebujete anonymizovaná školicí data a sady testů, které uchovávají integritu dat.
Pravidla a pravidla řízení Popište a zdokumentovat pokyny vaší organizace, předpisy, standardy nebo procedury pro zabezpečení dat.

Popište požadované chování nebo akce pro implementaci zásady regulace.
Chcete, aby lidé, kteří používají data, porozuměli zásadám řízení dat.


Příklad: Pravidla pro ochranu údajů Golden Bank

K vytvoření prediktivního modelu pro schválení hypotéky potřebují vědci společnosti Golden Bank přístup k datovým sadám, které zahrnují citlivá data. Vědci dat chtějí například přistupovat k tabulce s daty o hypotečních uchazečích, která obsahuje sloupec s čísly sociálního zabezpečení.

Člen týmu správy vytvoří pravidlo ochrany dat, které maskuje čísla sociálního zabezpečení. Je-li přiřazená datová třída sloupce v datovém aktivu "US Social Security Number", budou hodnoty v tomto sloupci nahrazeny 10 X.

Člen projektového týmu vytváří zásadu, která obsahuje pravidlo pro ochranu dat. Zásada popisuje obchodní důvody pro implementaci pravidla. Později, když uživatelé, jako např. vědci dat, uvidí maskovanou ikonu na datovém sloupci, mohou zobrazit pravidlo ochrany dat a poté zobrazit přidruženou zásadu, aby pochopila, proč jsou data maskována.

3. Prověření dat pro sdílení v katalozích

Data stevars culují vysoce kvalitní datová aktiva v projektech a publikují je do katalogů, kde je mohou najít lidé, kteří je potřebují. Data stewards obohacují datová aktiva tím, že přiřadí artefakty regulace jako metadata popisující data a informují sémantické vyhledávání pro data.

Co lze použít Co můžete dělat Nejlepší pro použití, když
Metadata import Automaticky importovat technická metadata pro data, která jsou přidružena k připojení k vytvoření datových aktiv. Je třeba vytvořit mnoho datových aktiv ze zdroje dat.

Musíte obnovit dříve naimportovaná datová aktiva.
obohacení metadat Profilovat více datových aktiv v rámci jediného spuštění pro automatické přiřazení datových tříd a identifikaci datových typů a formátů sloupců.

Automaticky přiřadit obchodní výrazy k aktivům a generovat návrhy výrazů na základě klasifikace dat.

Znovu spusťte import a úlohy obohacení v intervalech, abyste zjistili a vyhodnotili změny v datových aktivech.
Musíte omezit a publikovat mnoho datových aktiv, která jste naimportovali.
Analýza kvality údajů Spustit analýzu kvality na více datových sadách v jednom běhu ke skenování pro společné dimenze kvality dat, jako jsou chybějící hodnoty nebo narušení třídy dat.
Souvislé sledování změn obsahu a struktury dat a opakované analýzy změněných dat.
Musíte vědět, zda kvalita vašich dat může ovlivnit přesnost vašich analýz dat nebo modelů.

Vaši uživatelé musí identifikovat, které datové sady mají být napraveny.
Katalogy Publikujte tvarovaná aktiva tak, aby se sdílela mezi spolupracovníky ve vaší organizaci. Potřebujete centrální úložiště pro ukládání datových aktiv, která zobrazí přidružená metadata, vztahy a historii aktiv.


Příklad: data společnosti Golden Bank curation

Data, která jsou uložena v týmu regulace, spouští import metadat pro vytvoření datových aktiv v projektu. Po importu metadat má společnost Golden Bank dvě datová aktiva, která představují tabulky se sloupcem s názvem "ID". Po obohacení metadat jsou tyto sloupce jasně rozlišeny přiřazenými metadaty:

  • Jeden sloupec je přiřazen obchodním podmínkám "Komerční klient" a "Identifikátor společnosti" a datová třída "Diamond-level clients".
  • Do druhého sloupce jsou přiřazeny obchodní výrazy "Osobní identifikátor" a "Soukromý jednotlivec" a datová třída "US Social Security Number".

Datový správce provede analýzu kvality dat na datových aktivech, aby se ujistil, že celkové skóre kvality údajů překračuje prahovou hodnotu společnosti Golden Bank o 95%.

Vedoucí týmu správy vytváří katalog "Mortgage Approval Catalog" a přidává data a vědce dat jako spolupracující spolupracovníci. Data správce dat publikují datová aktiva, která vytvořila v projektu, do katalogu.

4. Najít a použít data

Katalog pomáhá vašim týmům porozumět vašim datům a zpřístupňuje správná data pro správné použití. Vědci dat a další typy uživatelů si mohou pomoci s daty, které potřebují, zatímco zůstanou v souladu se zásadami podnikového přístupu a ochrany dat. Mohou přidávat datová aktiva z katalogu do projektu, kde spolupracují při přípravě, analýze a modelování dat.

Co lze použít Co můžete dělat Nejlepší pro použití, když
Katalogy Uspořádejte svá aktiva tak, aby se sdílely mezi spolupracovníky ve vaší organizaci.

Využijte výhod sémantického vyhledávání a doporučení pro AI, které uživatelům pomohou najít to, co potřebují.
Uživatelé musí snadno pochopit, spolupracovat, obohatit a přistupovat ke kvalitním datům.

Chcete zvýšit viditelnost dat a spolupráci mezi obchodními uživateli.

Potřebujete uživatele k zobrazení, přístupu, manipulaci a analýze dat bez nutnosti porozumět jeho fyzickému formátu nebo umístění a bez nutnosti přesunu nebo kopírování dat.

Chcete, aby uživatelé vylepšili aktiva podle hodnocení a přezkoumávání aktiv.
Globální vyhledávání Vyhledávat aktiva ve všech projektech, katalozích a prostorech implementace, ke kterým máte přístup.

Vyhledat artefakty regulace v kategoriích, ke kterým máte přístup.
Musíte najít data nebo jiný typ aktiva, nebo artefakt regulace.
Data Refinery Vyčistěte data k opravě nebo odebrání dat, která jsou nesprávná, neúplná, nesprávně formátovaná nebo duplikovaná.

Data tvaru k přizpůsobení filtrování, řazení, kombinování nebo odebrání sloupců.
Je třeba zvýšit kvalitu nebo užitečnost dat.


Příklad: Katalog Golden Bank

Vědci dat nalezli datová aktiva, která potřebují v katalogu, a okopírovat tato aktiva do projektu. Ve svém projektu mohou vědci zpřesnit údaje a připravit je na školení modelu.

Výukové programy pro soukromí a řízení dat

Výukový program Popis Odborné znalosti pro výukový program
Důvěřovat vašim datům Vytvářejte důvěryhodná datová aktiva díky obohacení vašich dat a ke spuštění analýzy kvality dat. Spusťte nástroje Metadata import a nástroje pro obohacení metadat.
Ochrana dat Řízení přístupu k datům přes Cloud Pak for Data as a Service. Vytvořte pravidla pro ochranu dat.
Poznejte svá data Vyhodnotit, sdílet, tvarovat a analyzovat data. Prozkoumejte katalog a spusťte nástroj Data Refinery .
Řízení virtualizovaných dat Vyviňte virtualizovaná data a ujistěte se, že jsou virtuální data chráněna. Prostřednictvím rozhraní Watson Query , projektů a katalogů se vztahují na virtualizovaná data.


Další informace o ochraně dat a řízení osobních údajů

Nadřazené téma: Přehled řešení Fabric dat