数据埋点的大而全陷阱

抓大放小，从核心数据着手：数据埋点是指针对特定用户行为或事件进行捕获，处理和发送的相关技术及其实施过程，是数据治理中范围圈定的一环。 出于对**的考虑，客户往往倾向于做一个覆盖全业务和技术域的、大而全的数据治理项目，将每个数据都纳入到数 据治理的范围中，这就导致进行数据埋点时放纵提需，埋点需求爆炸，给后续的数据治理和数据分析带来隐患。为避免数 据埋点的大而全陷阱，企业应该做到抓大放小，谨记2/8原则——80%的问题产生于20%的系统和数据——从较核心的系 统、较重要的数据、较容易产生问题的地方开始着手做数据治理。

什么是数据埋点：数据埋点是指针对特定 用户行为或事件进行捕获， 处理和发送的相关技术及其实施过程，是数据治理中范围圈定的一环。针对不**为的埋点采集，从埋点在应用中的位置也可 以区分成前端埋点、后端埋点等；从实现手段上划分，可分为：代码埋点、可视化埋点、全埋点等。

数据埋点的大而全陷阱：出于对**的考虑，客 户往往倾向于做一个覆盖全业务和技术域的、大而全的数据治理项目,每个数据他们希望 都能被纳入到数据治理的范围中。这就需要尽可能捕获、处理和发送产品的大量事件的相 对全面的属性，而这就挟持了 厂商进行“大而全”的数据埋 点，但“大而全”的数据埋点会随之带来许多问题。

潜在危害：大而全的数据埋点会占用大量空间和流量，数据治理后 得到数据质量低，后续数据 分析困难，从而沟通协作和 整体项目推进出现问题。

预防措施：埋点需求和设计需要有明确的提需规范和把控。 a.需求侧：确立好自身AI 应用的需求，以及需求对应 下的数据范围。 b.供给侧：充分了解客户 的公司架构与数据结构，引 导客户选定可行性高、实施 性高的应用落地与数据框

数据治理体系的流转运营：沟通、组织、聚焦、文化

为能充分发挥数据治理的价值、避免一次性数据治理，供需两侧要齐心协力，共同、持续、优质地运营数据治理体系。数 据治理是系统性工程，是由上至下指导，由下而上推进的体系工作。因此，供给侧企业与需求侧厂商，在体系运营和建设 方面需形成共识，具备明确的目标、合理的组织、严格的监管、完善的系统，这样才能使数据治理工作得到**，达到体 系的流转运营。

完善数据安全治理框架，确保数据安全合规

数据泄露事件在大数据时代层出不穷，随着行业新网络形态、新技术以及新应用场景的发展，新的数据类型、数据生产方 式、数据处理方式和终端形式不断涌现，数据安全挑战也随之加剧。国家已出台各级各行业的法律法规及配套文件，不断 加大数据安全与隐私保护的监管力度。对此，企业需建立符合企业管理现状及发展需求的数据安全治理框架，数据在采集、 存储、传输、处理上均有对应的执行管理依据，做到挖掘数据资产、发挥数据价值的同时，确保数据全周期的安全与合规。

将数据治理流程化、自动化、智能化

数据规模的指数级增长给数据治理工作带来巨大压力，传统人工方式做数据的清洗、分辨与调优使治理工作耗时冗长，带 来高昂的人力成本，且愈发难以满足智能应用对数据在规模量与质量的高要求，传统的人工数据治理工作已变得捉襟见肘。 如今，人工智能和RPA等技术手段已被逐渐应用于数据治理的模型管理、质量管理、资产管理、元数据管理等模块，较终 实现数据系统的“自治与自我进化”。总体来看，*技术手段应用可以让数据治理工作趋于流程化、自动化与智能化， 同时让数据变得可扩展、更负责可溯、更可信，已然成为未来数据管理发展的必由之路。

最后，珠海银弹谷数据治理服务中心表示：数据治理有效的解决企业数据难以整合利用、数据质量差乱、数据共享服务低、数据资产管理手段等痛点，为企业提供高效的数据分析工具！

详情请查看报告，文章主要信息来源《2022年中国面向人工智能的数据治理行业研究报告》。

珠海银弹谷网络有限公司专注于零代码开发,原型工具,协同工具等