從視頻、圖像、電子郵件到文檔、傳感器數(shù)據(jù)及人工智能輸出，非結(jié)構(gòu)化數(shù)據(jù)已占據(jù)企業(yè)信息總量高達90%。有效管理這類數(shù)據(jù)已成為巨大挑戰(zhàn)，尤其當其中大量數(shù)據(jù)鮮少被調(diào)用甚至完全閑置時，企業(yè)正為存儲海量低價值甚至無價值的信息支付高昂成本。

　　縱觀各行業(yè)，對此現(xiàn)象的本能反應簡單直接，增加存儲容量。決策者通常認為這比刪除可能蘊含潛在價值的數(shù)據(jù)更可取。然而這種做法正催生日益昂貴的惡性循環(huán)，成本持續(xù)攀升卻未能解決數(shù)據(jù)管理根源問題。

　　簡單的事實是，在眾多企業(yè)中，繼續(xù)以這種方式管理非結(jié)構(gòu)化數(shù)據(jù)已難以維系，尤其當數(shù)據(jù)保留、合規(guī)及性能要求不斷提升時。要審慎前行，這些企業(yè)必須停止將非結(jié)構(gòu)化數(shù)據(jù)視為單純的存儲難題，而應將其視為戰(zhàn)略性的財務與運營議題。

　　打破循環(huán)

　　換個角度思考：當代企業(yè)面臨的非結(jié)構(gòu)化數(shù)據(jù)根本問題，并非數(shù)據(jù)體量本身，而是缺乏對數(shù)據(jù)存在性、存儲位置、歸屬權(quán)及價值存續(xù)的可視化管理。在此背景下，企業(yè)唯一的選擇就是無限期存儲所有數(shù)據(jù)，包括冗余、過時或毫無業(yè)務價值的瑣碎數(shù)據(jù)。

　　關(guān)鍵問題在于，如何實現(xiàn)數(shù)據(jù)全生命周期管理?理想的戰(zhàn)略性數(shù)據(jù)管理流程應首先建立全企業(yè)范圍的非結(jié)構(gòu)化數(shù)據(jù)統(tǒng)一視圖，以此揭示效率低下與潛在風險。在實現(xiàn)可視化后，可引入治理框架與數(shù)據(jù)分類機制，使信息管理與業(yè)務價值、合規(guī)要求及保留政策保持一致。

　　可視化始于對數(shù)據(jù)全貌的深度洞察。通過分析文件創(chuàng)建日期、所有權(quán)、訪問頻率及活動水平等元數(shù)據(jù)，企業(yè)能精準定位無用孤立文件等低效環(huán)節(jié)。此類洞察可快速識別冗余或遺忘的數(shù)據(jù)，幫助IT團隊鎖定不必要的成本支出與合規(guī)風險點。

　　數(shù)據(jù)全生命周期管理在此發(fā)揮核心作用，長期未訪問的文件可遷移至低成本存儲，多年未活動的數(shù)據(jù)則可歸檔或徹底刪除。多數(shù)企業(yè)發(fā)現(xiàn)其存儲信息中逾60%屬于此類，這充分說明通過策略驅(qū)動的方法可釋放多少閑置存儲空間。

　　實施生命周期規(guī)則還能確保數(shù)據(jù)依據(jù)重要性進行保留、歸檔或刪除，將非結(jié)構(gòu)化數(shù)據(jù)管理從成本黑洞轉(zhuǎn)變?yōu)橹鲃迂攧湛刂茩C制，既提升運營效率又增強合規(guī)信心。這些流程對人工智能與分析項目的成功尤為關(guān)鍵，正如眾多企業(yè)正在發(fā)現(xiàn)的，不可靠或不一致的輸入數(shù)據(jù)將導致低效或偏頗的分析結(jié)果。

　　大數(shù)據(jù)應創(chuàng)造巨大效益

　　然而，有效管理有助于形成良性循環(huán)：人工智能模型基于準確、相關(guān)且合規(guī)的數(shù)據(jù)集進行訓練和/或增強，從而顯著提升性能并增強對結(jié)果的信任。

　　這種方法還受益于供應商中立的數(shù)據(jù)管理平臺整合，該平臺能夠跨多樣化存儲環(huán)境和云端集成數(shù)據(jù)，在保持可擴展性的同時消除供應商鎖定。最終實現(xiàn)全企業(yè)范圍內(nèi)的成本控制優(yōu)化、合規(guī)態(tài)勢提升及決策基礎(chǔ)強化。

　　從成本效益角度看，有效管理非結(jié)構(gòu)化數(shù)據(jù)可帶來顯著成效。例如，建立數(shù)據(jù)可視化、治理體系及AI就緒數(shù)據(jù)基礎(chǔ)的機構(gòu)，能將IT基礎(chǔ)設(shè)施預算從冗余存儲轉(zhuǎn)向創(chuàng)新轉(zhuǎn)型。

　　在運營層面，將非結(jié)構(gòu)化數(shù)據(jù)視為可管理的金融資產(chǎn)而非運營負擔，不僅能創(chuàng)造可量化的回報并降低成本，更能通過優(yōu)化風險管控與加速決策為企業(yè)創(chuàng)造價值。這種主動策略同時強化了合規(guī)性與可持續(xù)性，最大限度減少了冗余數(shù)據(jù)保留及相關(guān)基礎(chǔ)設(shè)施低效問題。

　　實質(zhì)上，非結(jié)構(gòu)化數(shù)據(jù)管理已成為戰(zhàn)略性賦能手段，既保障人工智能的可靠性，又支撐著更宏大的數(shù)字化轉(zhuǎn)型目標。

　　作者Steve Leeper負責Datadobi的市場拓展工作，是擁有30年IT行業(yè)經(jīng)驗的資深人士。