大数据
数据治理之数据标准管理
根据全国信息技术标准化技术委员会大数据标准工作组制定的大数据标准体系，大数据的标准体系框架共由七个类别的标准组成，分别为：基础标准、数据标准、技术标准、平台和工具标准、管理标准、安全和隐私标准、行业应用标准。
“数”看两会丨「数据安全」成为重要议题
《2024年政府工作报告》在数字经济、数据基础制度、数据跨境流动、数据安全和国家安全等关键领域提出了明确要求，不仅部署了数字经济的创新发展，还高度重视数据安全与合规流动，推进高质量发展与高水平安全的良性互动，为加速网络强国和数字中国建设进程提供坚实的顶层支撑。数据安全已经连续四年被写入政府工作报告，不仅体现了国家对数据安全的高度重视，更彰显了数据安全在国家安全、经济安全以及社会稳定中的核心地位。
解密数据治理：理解数据是关键
理解数据需要通过深入了解范围内的每个数据源以及它们之间的关系开始。当前对于大多数组织，数据查询和分析流程手动，需要人工干预来查询业务对象、敏感数据、跨源数据关系和转换逻辑。结果是一个耗时且容易出错的流程，减缓了价值实现时间。数据治理团队需要及时理解数据，以推动从更广泛地以数据为中心来获取业务价值。
数据治理和数字化转型的关系
数据治理和数字化转型是两个密切相关的概念。数据治理是数字化转型的基础，数字化转型是数据治理的应用和目标。
AI时代的数据治理之道：构建智能化新生态的思考
随着人工智能（AI）技术的快速发展，数据已成为驱动AI应用的核心要素。然而，数据治理在AI时代面临着前所未有的挑战和机遇。如何构建面向AI时代的数据治理新生态，既确保数据的合规性、安全性、隐私性，又能够充分发挥数据的价值，成为当前亟待解决的问题。
数据治理的目标和价值
数据治理的主要价值在于确保数据在企业中得到有效的管理、利用和保护，从而支持企业的战略目标、提高效率、降低风险，并推动创新和竞争优势的实现。这些价值因企业的特定需求和行业而异，但数据治理通常被认为是数据管理的核心组成部分，对企业的长期成功至关重要。
筛斗数据治理：大数据采集技术工具及应用场景
大数据采集可以细分为数据抽取、数据清洗、数据集成、数据转换等过程，将分散、零乱、不统一的数据整合到一起，以一种结构化、可分析的形态加载到数据仓库中，从而为后续的数据使用奠定坚实基础。
筛斗数据：如何定义数据提取，及其对业务的意义有哪些
数据提取不仅仅包括抓取有价值的业务信息，并编译到电子表格中以供将来使用，也可以变换业务，防止花费太多的时间在任务上，如手动数据输入，可以简单地通过一个设置来自动化完成。
