广州数据管理发展经历了几个阶段

　　数据管理发展经历了几个阶段？不少企业在优化原有的基于策略定义的数据管理模型，开始使用基于数据使用行为的数据管理方式，数据管理发展路径大致可以分成五个阶段：数据的可用性、数据的聚合、数据可视化、数据服务可编排、由AI驱动的自动化，不同的企业可能处于不同的发展阶段。

　　1、数据可用性

　　有关数据的一切基于数据的可用性。数据保护是一切数据管理行为的基础，为之后的数据使用行为提供保障。数据备份、数据复制及安全保留是数据保护的核心要素，以增加数据的可用性。

　　如今云计算架构已经发生巨大的变化，从架构上数据块的副本可以瞬时产生，为什么还需要备份呢?因为现在很多企业的数据备份架构还是像以前那样简单粗暴，即通过数据拷贝的方式，进行数据副本的存放。这并不能称之为备份，因为数据本身是有状态的，并且在进行数据保护的时候，要增加数据的一致性、有效性以及可恢复性。这与应用在使用被恢复的数据时的行为强相关，为了使数据在被恢复以后可以灵活地被应用所使用，在阶段要对数据管理平台进行面向应用的适配与优化。

　　2、数据聚合

　　企业开始深入了解数据，利用数据为企业创造价值。此阶段的目的是确保在多态的数据中心，即跨物理、虚拟、云等架构与应用平台，以与云环境适配的数据格式和松耦合的方式存储数据，从而使企业更容易进行云化的集中管理。这不仅仅发生在基础架构层面还涉及与多种应用的适配。通过集中控制，企业可以在各种基础架构上更流畅地工作并访问数据，为今后数据的利用和应用的读写分流提供基础。

　　3、数据可视化

　　企业已经进入数据使用行为可视化阶段，被动的数据管理转变为主动的关注数据使用行为的方式。相对而言，数据管理早期阶段的重点是始终保持业务在线与数据安全。企业更加关注数据的使用行为是否合规，并且已经在数据管理平台之上为数据使用行为定义了入口与服务目录，这使企业在数据管理与使用的竞争中保持持平。在此阶段，数据管理为企业提供了更广泛的策略支持。

　　5、数据可编排

　　企业更加注重数据管理与使用效率。数据管理与使用的重复性与复杂性，以及由人工误操作带来的潜在风险，使关注执行效率的企业更偏向于将企业频繁使用的数据服务形成可编排的流程，这也为数据使用的合规性提供了重要的保障。数据管理越发复杂需要简化数据管理的界面统一服务端口。

　　5、自动化

　　数据管理的多数场景会转为由人工智能和机器学习来驱动，机器学习引擎会根据企业的实时业务需求自动备份、恢复和迁移数据。尽管对于大多数企业而言，数据管理完全自动化还需要几年的时间，但有些企业已经开始利用新技术来支持其数据管理策略。

　　近年企业都在改革现有的数据管理体系，优化原有的基于策略定义的数据管理模型，开始使用基于数据使用行为的数据管理方式。确保数据不仅可用且保持活性，从而始终让数据资产充分发挥本身价值。