游戏的名称也是重点，将数据准确地应用于整个企业中需要的位置

在运营中大多数数据首先用于流程控制以及实时的操作员洞察和取证分析，在维护方面，这些数据用于尽可能以有效的方式安排人员，设备和服务的时间，并考虑到通常在另一个核心数据源中的生产计划和客户承诺，在实施任何技术工具之前，企业必须实现数据的商业价值，内部拥护者可以确定特定的用例，并形成跨职能联盟（包括治理，风险和合规性），以团结起来通过这个联盟，团队可以确定平衡公用事业和安全性的解决方案。

重要的是要建立一个强大的智能管理基础

该基础可以通过数据集成，业务流程，元数据管理，连接性以及AI和机器学习服务来提取数据智能，以支持本地和云部署，重点在于各个角色之间的协作，例如数据架构师，数据集成专家，开发人员，甚至是数据科学家。

工具和平台凝聚力强的组织方法也为采用

敏捷协议的当前架构方法铺平了道路，诸如容器化和微服务之类的建筑趋势为快速迁移和适应提供了机会，但是只有当运行它们的组织接受了分散的，自下而上的，自下而上的心态时，这些架构才能成功，服务API还可以取代诸如ETL自定义逻辑之类的机制，以加快速度并使团队能够构建和使用通用维度，这解放了嵌入每个业务部门的分析师和数据科学家，使他们可以专注于收集详细的原子事实数据，以回答诸如“谁是我有价值的客户？”之类的事情。或“我的哪个地区表现不佳？

新兴的工具和平台可以帮助解决数据工程面临的挑战，而数据工程仍然具有手动任务的特征

诸如数据湖技术之类的解决方案可以帮助加快这一过程，可以通过建立关系，删除重复项以及自动刷新数据来组织来自多个来源的数据，使用各种灵活的云数据仓库和云原生数据管道工具来收集和聚合数据比以往任何时候都更加容易，每个CPDA数据分析师的时间和精力都非常宝贵，正确诊断和评估每个潜在变化的影响只需要太长时间，为了解决廉价数据和昂贵人员之间的这种不平衡，团队可以寻求采用能够增强其能力的平台，以快速诊断不断变化的KPI并协作建议下一步。

甚至可以将现有格式重新用于实现更简单的体系结构

方法支持数据网格体系结构，该体系结构提供了可发现性，可见性和治理，而该工具由无所不在的数据语言SQL支持的工具提供支持，这简化了开发和管理在数据基础架构（现在是一种商品化技术）上运行的数据密集型应用程序，当这种情况发生时，每个人都可以做出贡献。

挑战是围绕遗留基础架构进行工作，而遗弃基础架构可能太昂贵了

CPDA数据分析师呼吁建立“可以访问数据的专用操作系统，而又不破坏可能已有数十年历史的系统的关键功能，可以对数据进行规范化和上下文化处理的系统，以便为数据提供尽可能多的颜色和深度，其中一些可以从源系统本身收集，但是其中许多已经很老了，利用操作它们的人员的理解，人工智能和机器学习技术也可以发挥作用，特别是如果它们更适合于操作数据集，从而可以更快地实现价值。

可以通过自助数据管理平台来加速业务数据的交付

平台有多种形式，可以通过云或本地方式交付，有些专注于简单的用户界面，而另一些专注于提供多的功能，他们的共同点是，他们通常提供某种形式的ETL，某种形式的编排，从而允许用户为重复的数据流建立数据管道，并且他们能够确保您的业务所需的质量。