非结构化数据怎么治理?
编 辑:彭文华
彭友们好,我是老彭。近遇到几个项目,都跟非结构化数据脱不开关系。老彭刚毕业的时候,做的是数据库的活儿,那都是结构化数据。后来有了hadoop技术,可以用来处理物联网、互联网的半结构化数据。真正做非结构化的场景还是比较少的,大多是在项目中选取一两个点给意思意思一下。但是现在已经发展这么多年了,大多数企业结构化数据多少有些基础了,非结构化数据治理还是一片空白。今天就唠唠这个话题~~这些东西想想就很费劲。与数据库里的结构化数据不一样,这些数据的问题更严重。我们随便想想都能罗列几个出来:3、数据种类特别多(除了结构化的,都是非结构化、半结构化的)4、法外之地,治理盲区(次知道处理非结构化数据的方法是TF/IDF词频统计,次知道非结构化应用是词云)5、没人管,不知道怎么管(有档案管理室、档案管理员的企业非常非常少)如果你原意,自己都还能再列个十条八条的。总之,这就是个巨坑!
其实按我说,绝大多数企业的非结构化数据还远远没有具备“治理”的前期条件。因为他们连数据都还没准备好,全都散落在各个地方,你就说怎么治?对于结构化数据,我们知道要盘点,要做标准,要弄主数据,要梳理指标,要做质量控制。因为我们知道数据就在那几个库里。不管数据库有多少个,表有多少张,我们知道,数据就在那里。但是非结构化数据不一样啊!鬼知道在哪里!有档案管理室、知识中心的公司,还算好的,不管全不全,总归有个集中的地方。但是更多的,都是各自存储:OA、邮箱、云盘、个人存储,到处都是!没法弄!所以,想要做非结构化数据治理,步是什么?数据盘点吗?数据汇聚吗?首先要做的,是对企业的非结构化数据的分布进行梳理,知道哪些是我们治理的重心才行!
你就说,这么多各种非结构化数据,哪些多,哪些少?哪些重要,哪些次要?哪些先治理?哪些后治理?哪些对业务影响大?哪些对业务影响小?哪些价值大?哪些价值小?这些问题都不搞清楚,就闷头干活,谁知道你干了半天是不是有效的?你可能会问了,那搞清楚了这些,是不是就该汇聚数据了?还是不行。还是那句话,你得有一个牵引才行。一般来说,好是应用牵引比较好。跟数仓建设逻辑一样,自下而上建设见效快。个项目,必须速胜!给所有人信心才行。否则遥遥无期,谁都受不了。所以第二步应该是根据业务,拟定一个合适的应用,然后再快速收集部分数据,用NLP等技术将非结构化数据结构化,然后再利用数据库、大数据、图计算等技术处理数据,做出一两个能看到效果的应用。
在报销场景中,用OCR识别,用RPA进行发票验真、数据校对,实现快速报销、记账。
非结构化数据管理很难,非常难,不管是技术还是管理,都比结构化数据难上N个量级。工作的方式方法也完全不一样,需要慎重!一定要慎重啊!!!