在數字化轉型浪潮中，當代企業如同逆水行舟，不進則退。無數企業希望通過數字化轉型捕獲全新的市場機遇，改善財政狀況，在未來市場競爭中占據一席之地。要想獲得成功的數字化轉型，關鍵因素在于具備可靠、及時的數據用以支撐轉型計劃，即成功的數字化戰略是建立在數據之上的，數字化戰略能取得何種程度的成功，取決于數據管理能力的高低。
大多數情況下，沿襲傳統方式管理數據并不能滿足數字化戰略的需求。作為企業數字化轉型的助推劑，只有為業務計劃提供優質、及時、完整的數據才能賦能企業轉型，這就意味著傳統數據管理流程需要進行徹底升級乃至重塑。事實上，在IT增長緩慢的情況下，有三類方法可實現這一目標：
-
提高數據管理任務和項目的自動化水平及效率；
-
提高業務自主服務的可實施性；
-
增加協作以推動業務和技術團隊之間的一致性；
利用機器學習
奠定智能數據管理的基礎
對于企業而言，構建作為所有數字化計劃基礎的數據管理能力至關重要。不僅要求數據能被整個企業內的任何用戶發現和使用，還需要達到與目的相符的質量：即用于重要決策和交互的數據必須具備高質量；用于快速創新和迭代的數據則需具備中等質量。
要想提高數據傳輸速度以滿足企業關鍵業務計劃的需求，企業需要提高自動化水平。將機器學習系統用于構建可用來作出預測或決策的基于輸入的模型，從數據中獲取信息并進行自我調整。利用企業范圍內的元數據可見性和機器學習，驅動數據管理工具提出明智的建議并自動完成諸多數據管理任務，例如：
探查和識別：
-
數據質量規則和業務實體發現
-
語義搜索、模式識別和數據分類
-
異常檢測和通知
預測操作：
-
爆發以應對數據峰值
-
優先執行操作問題調查
-
通過自我修復應對環境變化
下一步最佳操作和建議：
-
推薦數據集、轉換和規則
-
從源到目標的自動映射、清除和標準化
-
自我集成新數據源
有效的機器學習離不開大量訓練數據集。大部分企業擁有數以千計的數據庫、數據文件、應用程序和分析系統，通過收集此類數據倉庫中的元數據，構建體量龐大的目錄，在數據管理背景下，企業范圍內的數據目錄就是訓練機器學習的最佳數據源。通過結合使用機器學習和有著企業范圍內元數據可見性的數據目錄，就能幫助企業奠定智能基礎，進而對數據管理效率產生積極影響。值得注意的是，這類方法同樣適用于SaaS應用程序。
