A collaborative model for data governance: enhancing integration across multi-line businesses
Notice bibliographique
Résumé
In today's increasingly data-driven business environment, organizations with multiple lines of business face significant challenges in managing data effectively. Fragmented and siloed data governance models can hinder decision-making, reduce data quality, and create inefficiencies across business units. This review explores the development of a collaborative data governance model designed to enhance integration across multi-line businesses. By unifying data governance frameworks, fostering cross-functional collaboration, and standardizing data policies, the proposed model aims to break down silos and create a more cohesive approach to data management. Key components include the establishment of data governance councils, the appointment of data stewards in each business unit, and the adoption of advanced data technologies that facilitate seamless integration. The collaborative model encourages interdepartmental communication and shared objectives, ensuring that data governance aligns with broader organizational goals. It also emphasizes the importance of maintaining data security and privacy while enabling data sharing across departments. Case studies of successful implementations in various industries are presented, highlighting best practices and lessons learned. Additionally, the review identifies potential challenges, such as cultural resistance, technical barriers, and resource allocation issues, offering strategies for mitigation. By adopting a collaborative data governance approach, multi-line businesses can improve data quality, enhance operational efficiency, and ensure better regulatory compliance. The review concludes with a forward-looking view on the scalability of this model and the role of emerging technologies, such as artificial intelligence, in automating and enhancing data governance processes in the future. Keywords: Collaborative model, Data governance, Multi-line, Review.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,011 | 0,016 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».