蒂姆·伯纳斯-李曾说过一句名言:数据是一种珍贵的东西，它比系统本身存在的时间还要长。云存储通过支持独立于系统的通用数据访问实现了这一点。
因此，许多组织都涌向云端进行数据存储。Gartner的研究预测，到2022年，75%的数据库将部署或迁移到云端．
但与任何迁移一样，云数据迁移也充满了问题，最大的挑战是数据质量。要释放云中可访问的安全数据的潜在价值，就需要专注于数据质量。
在云数据迁移过程中实现数据质量
从本地数据存储转向云存储的组织希望利用云的效率和可伸缩性来交付可访问的数据。数据生产者和消费者都受益于云的便利性和性能。
但是，如果数据不可靠，那么仅仅迁移到云端并没有什么帮助。如果数据质量在迁移中丢失了怎么办?如果数据质量本来就很差，而你带来的数据质量也很差，会发生什么?这将如何影响业务?
数据质量是指数据的适合度，以推动业务决策中的信任。随着来自多个不同来源的数据不断涌入，确保持续的数据质量变得具有挑战性。临时的解决方案或仓促manbetx1.0下载的事后想法无法提供值得信赖的见解所需的品质。即使你使用复杂的分析工具。
质量的定义也在不断发展，超越了准确性。正如汤姆·雷德曼所说，为了适合使用，数据必须是“正确的”(没有缺陷)，并且是“正确的”数据(具有所需的特征)．在云数据迁移期间，需要采用多方面的策略来实现高质量。
理解和评估云数据迁移中的数据质量挑战
将数据迁移到云端就像搬家一样。它需要在“迁移”之前进行准备，在“迁移”过程中进行监控，并在“迁移”之后验证质量和完整性。虽然大多数云服务简化了数据迁移的实际过程，但真正的准备工作开始得更早。
云迁移中数据质量的典型挑战始于对数据的理解。
- 理解数据:您可以利用云平台来统一跨不同来源和系统的数据访问。然而，在没有足够的业务上下文的情况下，仅仅访问数据会导致难以有效地理解和使用数据。如果没有数据智能，将大量数据迁移到云端是一种资源浪费。狗万新闻c
- 从旧的数据模型迁移:一些遗留系统需要详细的计划，以防止在迁移到更新的数据模型时质量损失。
- 管理重复记录:数据复制是迁移中常见的挑战，这使得很难评估要保留哪些数据及其影响。这些类型的问题需要充分理解数据，包括数据在跨系统流动时如何转换。
- 解决数据所有权问题:虽然移民听起来像是一个技术过程，但在移民挑战中，人的参与占很大比例。当你不知道谁拥有什么时，完成任何事情都是一项艰巨的任务。如果没有明确的角色和责任定义，数据质量问题可能成为难以摆脱的负担。
- 确定质量问题的优先级:当你在处理多个数据问题时，管理它们的聪明方法是关注那些具有高业务影响的数据。那么，你怎么知道哪些是优先考虑的问题呢?你如何决定哪些问题需要立即关注?快速可靠的影响分析是有效地确定数据质量问题优先级的唯一方法。一旦确定了优先级，明确的数据所有权对于将这些问题分配给正确的人至关重要。
这些挑战要求您为数据质量解决方案制定一个强大的数据治理基础的全面策略。
迁移具有预测数据质量的数据
云数据迁移不需要是一次性的活动。事实上，您可以抓住这个机会在组织中构建质量第一的数据文化。
数据质量在企业范围内的安全和隐私实现上得到提升，并具有根深蒂固的协作框架。应用预测数据质量，您可以自动化高质量的工作流，以获得集中的视图和更好的数据控制。您还可以使用自适应规则有效地审计数据，以最大限度地减少业务中断。
添加数据目录用于用定义、所有权、策略和使用的相关业务上下文注册数据。完整的数据沿袭为了启用粒度级的影响分析，您将发现质量问题是在哪里以及如何产生的。全面了解数据集的来源、聚合和使用方式也简化了隐私法规的报告。您可以对敏感数据进行分类并分配负责的数据所有者，以确保策略驱动的合规访问。
构建数据质量之上的数据治理基金会促进对数据的共同理解、明确定义的角色和责任以及标准化的政策和程序。一个具有集成数据治理、数据目录和数据质量的综合企业平台可以更好地了解数据，从而决定将哪些数据转移到云端。
使用企业平台进行迁移可以确保您识别和迁移关键数据，尽早解决质量问题，采取措施提高数据质量，并建立所有人的承诺参与。对沿袭和集中数据质量的自动化、主动洞察加快了合规性报告、审计和风险管理。
验证云数据迁移后的数据质量
有时，数据迁移可以是墨菲定律的缩影，任何可能出错的事情都会出错。旧的驱动程序版本、解析错误、内存问题、连接限制，甚至嘈杂的网络都可能破坏数据。这将提示迁移后数据验证，以确保数据在迁移期间不会丢失或更改。
然而，验证两个不同位置的数据一致性具有挑战性。行或列计数的典型低级完整性检查不能确认数据是否相同。它们也不能解释模式或价值观的差异。源系统和目标系统数据类型的差异也很难协调。
如果使用手动质量规则测试大数据量限制了云数据迁移，那么预测数据质量将为您提供最佳解决方案。使用自动化的自适应规则，您可以在迁移后快速执行端到端数据质量验证。
只需一次点击，即可实现预测数据质量行、列、一致性和值检查在源数据存储和目标数据湖之间。它还可以对高维数据集运行检查，以确保您不会为任何复杂的数据而挣扎。
在成功地使用企业平台进行云数据迁移之后，您将拥有具有策略驱动的敏感数据访问的可信数据目录。然后，数据生产者和消费者可以选择“正确的”数据，并相信数据是“正确的”。
“一家顶级医疗保健组织在云迁移过程中通过预测数据质量节省了2000个小时，以降低迁移风险，并为未来的数据质量举措铺平道路。”
通过持续的数据质量使您的数据湖变得更好
数据湖支持复杂的人工智能驱动分析，以推动增长战略、维护合规性和优化业务运营。只有当数据湖可信时，分析才能可信。预测数据质量提供了数百种质量检查并且可以不断学习，为你开发一套独特的检查。这些检查也可以在流数据上执行，确保只有高质量的数据管道为可信的分析提供动力。
其独特的基于spark的架构支持多云、就地存储或混合存储，从源头提醒问题。在源头进行自服务下推修复的能力可以确保质量在早期得到解决，而不需要在下游应用程序中进行任何修复。使用流线型的仪表板，您可以快速地集中在总体质量评分支持的关键问题上。
随着越来越多的公司将数据和分析转移到云端，建立质量第一的数据文化成为当务之急。云数据迁移被证明是开始云数据迁移的正确机会。支持持续的数据质量可以最大限度地提高迁移工作，并为支持分析提供业务就绪的数据管道。
由数据联合起来的组织认识到，数据访问不仅对人很重要，对系统和工具也很重要。数据生产者和消费者越来越多地包括使用可信、合规和相关数据的AI和ML工具。持续的数据质量方法确保您的BI和其他工具由可信的数据统一起来，释放您的全部业务潜力。
Gartner预测云系统基础设施服务的支出预计将从2020年的630亿美元增长到2022年的810亿美元．如果希望利用云基础设施，关键在于成功地治理和访问所迁移的可信数据。健壮的企业数据策略利用预测数据质量、数据沿袭和数据治理的协同作用，确保持续的数据质量。不只是在迁移期间，而是始终如此。
