Was ist Daten-Governance?
Dateb-Governance umfasst die Prozesse und Richtlinien, die sicherstellen, dass sich die Daten im richtigen Zustand befinden, um Geschäftsinitiativen und Abläufe zu unterstützen. Moderne Unternehmen sammeln Daten aus verschiedenen Quellen in großem Umfang, um den Betrieb und die Servicebereitstellung zu verbessern. Eine datengestützte Entscheidungsfindung ist jedoch nur wirksam, wenn die Daten die erforderlichen Qualitäts- und Integritätsstandards erfüllen.
Daten-Governance bestimmt Rollen, Verantwortlichkeiten und Standards für die Datennutzung. Es beschreibt, wer mit welchen Daten, mit welchen Methoden und in welchen Situationen welche Maßnahmen ergreifen kann. Da immer mehr Daten zur Unterstützung der Anwendungsfälle künstliche Intelligenz (KI) und Machine Learning (ML) verwendet werden, ist es wichtig geworden, dass die gesamte Datennutzung den regulatorischen und ethischen Anforderungen entspricht. Daten-Governance bringt Datensicherheit mit taktischen und strategischen Zielen in Einklang, um maximale Effektivität zu gewährleisten.
Was ist Analytics-Governance?
Analytics-Governance regelt sowohl Daten für die Verwendung in Analyseanwendungen als auch die Nutzung von Analysesystemen. Ihr Analytics-Governance-Team kann Governance-Mechanismen wie die Versionsverwaltung und Dokumentation von Analyseberichten einrichten. Wie immer sollten Sie die regulatorischen Anforderungen im Auge behalten, Unternehmensrichtlinien festlegen und der gesamten Organisation Integritätsschutz bieten.
Warum ist Daten-Governance wichtig?
Daten-Governance-Programme wurden in der Vergangenheit eingesetzt, um Daten in Silos zu sperren, um Datenlecks oder Missbrauch zu verhindern. Datensilos haben jedoch zur Folge, dass legitime Benutzer Hindernisse überwinden müssen, um Zugriff auf Daten zu erhalten, wenn sie diese benötigen. Ungewollt werden datengesteuerte Innovationen unterdrückt.
In einer Umfrage von 2024 unter 350 CDOs und CDO-äquivalenten Rollen stellte MIT CDOIQ fest, dass 45 % der Chief Data Officer Daten-Governance als oberste Priorität einstufen. Diese Datenexperten wollen ein Daten-Governance-Framework einführen, das es ihnen ermöglicht, Daten den richtigen Personen und Anwendungen zur Verfügung zu stellen, wenn sie sie benötigen, und gleichzeitig die Daten mit entsprechenden Kontrollen sicher und geschützt zu halten.
Balanciert Zugriff und Kontrolle
Sie haben zwei Hebel, um Governance zu einem Motor für Innovation zu machen: Zugriff und Kontrolle. Der Schlüssel zum Erfolg liegt darin, das richtige Gleichgewicht zwischen beiden zu finden — der Balancepunkt jedes Unternehmens ist anders. Wenn Sie zu viel Kontrolle ausüben, werden die Daten in Silos gesperrt und Benutzer können nicht auf die Daten zugreifen, wenn sie sie benötigen. Dies hemmt die Kreativität und führt zur Schaffung von Schatten-IT-Systemen, die dafür sorgen, dass Daten veraltet und ungesichert sind. Wenn Sie dagegen zu viel Zugriff gewähren, besteht die Gefahr, dass Daten in allen Anwendungen und Datenspeichern nicht reguliert werden, was das Risiko unberechtigter Zugriffe erhöht und die Datenqualität beeinträchtigt.
Daten-Governance-Prozesse sorgen für ein ausgewogenes Verhältnis zwischen Zugriff und Kontrolle, sodass die Benutzer Vertrauen in die Daten haben. Sie fördern die angemessene Entdeckung, Kuratierung, den Schutz und den Austausch von Daten und fördern Innovationen bei gleichzeitigem Schutz der Daten.
Welche Vorteile bietet Daten-Governance?
Daten-Governance bietet einen strukturierten Rahmen für die Verwaltung von Daten in einem Unternehmen. Hier sind einige der wichtigsten Vorteile.
Verbesserte Datenqualität
Daten-Governance legt Standards für Datengenauigkeit, Vollständigkeit und Konsistenz fest. Sie erhalten relevante, aktuelle und leicht zu interpretierende Daten, denen alle Beteiligten vertrauen können. Diese hochwertigen Daten reduzieren Fehler und liefern genaue und zeitnahe Erkenntnisse für strategische und operative Entscheidungen.
Unterstützung einer datengesteuerten Kultur
Eine effektive Daten-Governance-Strategie fördert eine Kultur, bei der Daten geschätzt werden, und ermutigt alle Mitarbeiter, Daten bei ihrer Arbeit zu nutzen und zu verstehen. Dadurch wird die Beteiligung der Geschäftswelt gefördert und die Datenintegration in den teilnehmenden Geschäftsbereichen vorangetrieben. Die Abstimmung zwischen Dateningenieuren und Geschäftsanwendern verbessert die allgemeine Datenkompetenz und die Analysefähigkeiten des Unternehmens.
Erhöhte betriebliche Effizienz
Daten-Governance hilft bei der Bestimmung des richtigen Betriebsmodells, insbesondere des erforderlichen Grads an Zentralisierung und Dezentralisierung. Sie können einheitliche Datenverwaltungspraktiken einführen, mit denen sich Abläufe optimieren lassen. Klar definierte Dateninhaber und Zugriffsrechte erleichtern die abteilungsübergreifende Zusammenarbeit und stellen sicher, dass alle mit denselben, zuverlässigen Datenquellen arbeiten. Stimmen Sie Ihre Bemühungen teamübergreifend ab, um Doppelarbeit zu vermeiden, die Betriebskosten zu senken und die Produktivität zu steigern.
Unterstützt die Compliance mit gesetzlichen Vorschriften
Daten-Governance-Frameworks verfolgen einen proaktiven Ansatz für das Risikomanagement und stellen sicher, dass die Datenpraktiken den gesetzlichen und branchenspezifischen Vorschriften entsprechen. Sie können unbefugten Zugriff durch zentral definierte Richtlinien verhindern, die festlegen, wer auf Daten zugreifen oder diese ändern kann. Daten-Governance-Tools unterstützen die Einhaltung von Datenschutzbestimmungen zum Schutz sensibler Daten.
Was ist Machine Learning (ML)-Governance?
ML-Governance wendet viele der gleichen Daten-Governance-Praktiken auf ML an. Datenqualität und Datenintegration müssen die Daten bereitstellen, die für das Modelltraining und die Produktionsbereitstellung erforderlich sind (Feature Stores sind dabei ein wichtiger Aspekt). Verantwortungsvolle künstliche Intelligenz (KI) legt besonderes Augenmerk auf die Verwendung sensibler Daten zur Erstellung von Modellen. Zu den zusätzlichen ML-Governance-Funktionen gehören die Beteiligung von Mitarbeitern an der Modellerstellung, Bereitstellung und Überwachung, die Dokumentation von Modelltraining, Versionsverwaltung, unterstützten Anwendungsfällen und Leitlinien für die ethische Modellnutzung sowie die Überwachung des Modells in der Produktion auf Genauigkeit, Abweichung, Überanpassung und Unteranpassung.
Generative KI erfordert zusätzliche Daten-Governance wie Qualität und Integrität der Daten zur Unterstützung der Anpassung von Basismodellen für das Training und Schlussfolgerungen, die Steuerung der Toxizität und generativer KI sowie den Betrieb des Basismodells (FM): FMOPs.
Sie können KI/ML mit demselben Daten-Governance-Programm unterstützen. Datenaufbereitung ist notwendig, um Daten in eine Form umzuwandeln, die KI/ML-Modelle für Schulungen und Produktionsableitungen verwenden können. Die effizienteste Datenaufbereitung ist jedoch die Aufbereitung, die Sie nicht vornehmen müssen. Datenwissenschaftler verbringen zu viel Zeit mit der Vorbereitung von Daten für jeden Anwendungsfall. Ihr Daten-Governance-Team kann Ihnen helfen, diese undifferenzierte schwere Arbeit zu erleichtern. Darüber hinaus kann Daten-Governance die Erstellung von Shaped Feature Stores überwachen, die in KI- und ML-Anwendungsfällen verwendet werden können.
Schließlich müssen sensible Daten angemessen geschützt werden, damit Ihr Team die Risiken minimieren kann, die entstehen, wenn sensible Daten zur Schulung der Basismodelle verwendet werden.
Ähnlich wie bei Analysen im Allgemeinen müssen Sie die Verwendung von KI/ML-Modellen, die Sie erstellen oder anpassen, regeln. Idealerweise sollte dies eng mit der Analytics-Governance verknüpft sein, da diese Funktion weiß, wie sie verschiedene Geschäftsbereiche unterstützen kann.
Wer entwickelt Daten-Governance?
Der Aufbau einer soliden Daten-Governance-Strategie erfordert viele Aufgabenbereiche.
Führende Sponsoren
Sie identifizieren und etablieren unternehmensweit Grundsätze, Standards und Richtlinien für die Daten-Governance. Sie kennen auch viele Geschäftsinitiativen auf der Unternehmens-Roadmap und können bei der Festlegung von Prioritäten zur Förderung von Aktivitäten im Bereich Daten-Governance helfen.
Datenverantwortliche
Sie kommen aus dem Geschäftsbereich und sind täglich an den Einzelheiten von Projekten beteiligt. Sie helfen dabei, die Datenprobleme zu verstehen, die bei gezielten Geschäftsinitiativen wahrscheinlich zu Problemen führen werden. Außerdem implementieren sie den Daten-Governance-Prozess in ihren Projekten und stellen sicher, dass die Daten angemessen verwaltet werden. Sie überwachen die Einhaltung der Vorschriften durch Mitarbeiter und Kunden und eskalieren alle Probleme, falls sie auftreten.
Dateninhaber
Sie legen Richtlinien zu den Daten fest, unter anderem, wer unter welchen Umständen Zugriff haben sollte, wie Vorschriften auszulegen und anzuwenden sind, und Definitionen wichtiger Begriffe. Sie sind auch für die technische Verwaltung und Zugriffskontrollen Ihrer Datensätze verantwortlich.
Dateningenieure
Sie kommen aus der IT-Abteilung und wählen und implementieren die besten Daten-Governance-Tools, um Daten zu sichern, Daten aus verschiedenen Quellen zu integrieren, die Datenqualität zu verwalten und die richtigen Daten zu finden.
Welche Arten von Daten-Governance gibt es?
Ihr Daten-Governance-Programm sollte Zentralisierung und Dezentralisierung (einschließlich Self-Service) in Einklang bringen. In Ihrem Unternehmen wird es eine Mischung aus zentraler, föderierter und dezentraler Governance geben – wiederum abhängig von den Geschäftsanforderungen. Sie sollten die Domain-Teams so weit wie möglich befähigen und gleichzeitig die Domain-übergreifende Kohärenz wahren (z. B. die Fähigkeit, Daten miteinander zu verknüpfen).
Zentralisierte Daten-Governance
Zentrale Organisationen sind letztlich für Leitbilder, Richtlinien, Toolauswahl und mehr verantwortlich. Allerdings werden alltägliche Aktionen oft in die Geschäftsbereiche verlagert.
Daten-Governance im Verbund
Daten-Governance im Verbund ermöglicht es einzelnen Geschäftsbereichen oder Geschäftsinitiativen, so zu arbeiten, wie es ihren Bedürfnissen am besten entspricht. Ein kleineres zentralisiertes Team konzentriert sich jedoch auf die Lösung von Problemen, die sich häufig wiederholen, einschließlich unternehmensweiter Tools zur Datenqualität.
Self-Service oder dezentrale Daten-Governance
Jede Abteilung tut, was sie für das jeweilige Projekt benötigt, und orientiert sich dabei an zentralisierten Richtlinien. Jedes Projekt verwendet alle Tools oder Prozesse aus anderen Projekten, für die es eine Eignung gibt. Mit zunehmender Beliebtheit von Themen wie Data Mesh (selbst dezentralisiert) nimmt auch Self-Service-Daten-Governance zu.
Wie funktioniert Daten-Governance?
Daten-Governance erfordert Personal-, Prozess- und Technologielösungen mit einer Vielzahl von Funktionen.
Kuratieren Sie Daten in großem Maßstab, um die Datenflut zu einzudämmen.
Um Ihre Daten in großem Umfang zu kuratieren, müssen Sie Ihre wertvollsten Datenquellen identifizieren und verwalten, darunter Datenbanken, Data Lakes und Data Warehouses. Sie können die Verbreitung und Transformation kritischer Datenbestände einschränken. Daten zu kuratieren bedeutet auch sicherzustellen, dass die richtigen Daten korrekt, aktuell und frei von sensiblen Informationen sind, damit Benutzer Vertrauen in datengestützte Entscheidungen und die Anwendungen, die Daten einspeisen, haben können.
Funktionen: Datenqualitätsmanagement, Datenintegration und Stammdatenmanagement
Entdecken und verstehen Sie Ihre Daten im Kontext.
Wenn Sie Ihre Daten im Kontext verstehen, können alle Benutzer die Bedeutung ihrer Daten erkennen und nachvollziehen, sodass sie sie sicher zur Steigerung des Geschäftswerts nutzen können. Mit einem zentralen Datenkatalog können Daten leicht gefunden, der Zugriff angefordert und Daten für Geschäftsentscheidungen verwendet werden.
Funktionen: Daten-Profiling, Datenherkunft und Datenkataloge
Schützen und teilen Sie Ihre Daten sicher mit Kontrolle und Vertrauen.
Ihre Daten zu schützen bedeutet, das richtige Gleichgewicht zwischen Datenschutz, Sicherheit und Zugriff zu finden. Es ist unerlässlich, den Zugriff auf Daten über Unternehmensgrenzen hinweg zu regeln und dabei Tools zu verwenden, die sowohl für Geschäfts- als auch für technische Benutzer intuitiv sind.
Funktionen: Datenlebenszyklus, Datenkonformität und Datensicherheit
Reduzieren Sie das Geschäftsrisiko und verbessern Sie die Einhaltung gesetzlicher Vorschriften.
Um Risiken zu reduzieren, müssen Sie verstehen, wie und von wem diese Daten verwendet werden. AWS-Services helfen Ihnen bei der Überwachung und Prüfung des Datenzugriffs – einschließlich des Zugriffs über ML-Modelle, um die Datensicherheit und die Einhaltung gesetzlicher Vorschriften zu gewährleisten. Machine Learning erfordert auch Prüfungstransparenz, um einen verantwortungsvollen Umgang und eine vereinfachte Berichterstattung zu gewährleisten.
Funktionen: Nutzungsprüfung für Daten und ML
Was sind bewährte Methoden der Daten-Governance?
Der Schlüssel zu effektiver Daten-Governance liegt in der Verknüpfung mit bereits finanzierten Geschäftsinitiativen. Stellen Sie sicher, dass Ihr Team weiß, welche Daten-Domains, Quellen und Elemente zur Unterstützung dieser Initiativen benötigt werden.
- Erstellen Sie eine Daten-Governance-Roadmap, die zeigt, dass gezielte Geschäftsinitiativen unterstützt werden. Beginnen Sie dann damit, Datenüberschneidungen zwischen ausgewählten Geschäftsinitiativen zu identifizieren.
- Identifizieren Sie Anwendungen und Business-Intelligence-Anwendungsfälle, die von den Daten unterstützt und gespeist werden müssen, einschließlich der Anforderungen an Aktualität und Datenschutz.
- Erfahren Sie, wie zweckdienliche Daten für jede ausgewählte Geschäftsinitiative aussehen.
- Unterstützen und erweitern Sie durch Einbettung von Governance in das Betriebsmodell des Unternehmens, sodass Datenplanung und -implementierung zu einem natürlichen Bestandteil des Unternehmensbetriebs werden.
- Organisieren Sie die Analytics-Community für Self-Service und Konsistenz.
- Unterstützen Sie künstliche Intelligenz (KI) und Machine Learning (ML) mit Daten-Governance und ML-Governance. Verwenden Sie dasselbe Daten-Governance-Programm, erweitern Sie es jedoch um Feature Stores und ML-Modelle.
Wie können Sie Ihre Daten-Governance-Teams verbessern?
Der Schlüssel zu einem effektiven Daten-Governance-Programm liegt in der Verknüpfung mit bereits finanzierten Geschäftsinitiativen. Stellen Sie sicher, dass Ihr Team weiß, welche Daten-Domains, Quellen und Elemente zur Unterstützung dieser Initiativen benötigt werden.
- Erstellen Sie eine Daten-Governance-Roadmap, die zeigt, dass gezielte Geschäftsinitiativen unterstützt werden. Beginnen Sie dann damit, Datenüberschneidungen zwischen ausgewählten Geschäftsinitiativen zu identifizieren.
- Identifizieren Sie Anwendungen und Business-Intelligence-Anwendungsfälle, die von den Daten unterstützt und gespeist werden müssen, einschließlich der Anforderungen an Aktualität und Datenschutz.
- Erfahren Sie, wie zweckdienliche Daten für jede ausgewählte Geschäftsinitiative aussehen.
- Unterstützen und erweitern Sie das Daten-Governance-Programm durch Einbettung in das Betriebsmodell des Unternehmens, sodass Datenplanung und -implementierung zu einem natürlichen Bestandteil des Unternehmensbetriebs werden.
- Organisieren Sie die Analytics-Community für Self-Service und Konsistenz.
- Unterstützen Sie künstliche Intelligenz (KI) und Machine Learning (ML) mit Daten-Governance und ML-Governance. Verwenden Sie dasselbe Daten-Governance-Programm, erweitern Sie es jedoch um Feature Stores und ML-Modelle.
Wie wirkt sich Daten-Governance auf Analytik, Machine Learning und künstliche Intelligenz aus?
Daten-Governance spielt in datenintensiven Anwendungsfällen eine Schlüsselrolle.
Analytik-Governance
Analytik-Governance regelt sowohl Daten für die Verwendung in Analyseanwendungen als auch die Nutzung von Analytiksystemen. Ihr Analytics-Governance-Team kann Governance-Mechanismen wie die Versionsverwaltung und Dokumentation von Analyseberichten einrichten. Wie immer sollten Sie die regulatorischen Anforderungen im Auge behalten, Unternehmensrichtlinien festlegen und der gesamten Organisation Integritätsschutz bieten.
KI-Governance
KI-Governance wendet viele der gleichen Daten-Governance-Praktiken auf KI/ML-Anwendungsfälle an. Datenqualität und -integration müssen die Daten bereitstellen, die für das Modelltraining und die Produktionsbereitstellung erforderlich sind (Feature Stores sind dabei ein wichtiger Aspekt). Verantwortungsvolle künstliche Intelligenz (KI) legt besonderes Augenmerk auf die Verwendung sensibler Daten zur Erstellung von Modellen. Zu den zusätzlichen KI-Governance-Funktionen gehören die Beteiligung von Mitarbeitern an der Modellerstellung, Bereitstellung und Überwachung, die Dokumentation von Modelltraining, Versionsverwaltung, unterstützten Anwendungsfällen und Leitlinien für die ethische Modellnutzung sowie die Überwachung des Modells in der Produktion auf Genauigkeit, Abweichung, Überanpassung und Unteranpassung.
Generative KI erfordert zusätzliche Daten-Governance wie Datenqualität und -integrität zur Unterstützung der Anpassung von Basismodellen für das Training und Schlussfolgerungen, die Steuerung der Toxizität und generativer KI sowie den Betrieb des Basismodells (FM): FMOPs.
Sie können KI/ML mit demselben Daten-Governance-Programm unterstützen. Datenaufbereitung ist notwendig, um Daten in eine Form umzuwandeln, die KI/ML-Modelle für Schulungen und Produktionsableitungen verwenden können. Die effizienteste Datenaufbereitung ist jedoch die Aufbereitung, die Sie nicht vornehmen müssen. Datenwissenschaftler verbringen zu viel Zeit mit der Vorbereitung von Daten für jeden Anwendungsfall. Ihr Daten-Governance-Team kann Ihnen helfen, diese undifferenzierte schwere Arbeit zu erleichtern. Darüber hinaus kann Daten-Governance die Erstellung von Shaped Feature Stores für KI- und ML-Anwendungsfälle überwachen.
Schließlich müssen sensible Daten angemessen geschützt werden, damit Ihr Team die Risiken minimieren kann, die entstehen, wenn sensible Daten zur Schulung der Basismodelle verwendet werden.
Ähnlich wie bei Analytik müssen Sie die Verwendung von KI/ML-Modellen, die Sie erstellen oder anpassen, regeln. Idealerweise sollte dies eng mit der Analytics-Governance verknüpft sein, da diese Funktion weiß, wie sie verschiedene Geschäftsbereiche unterstützen kann.
Was sind die wichtigsten Herausforderungen der Daten-Governance?
Die häufigste strategische Herausforderung für Daten-Governance besteht darin, Ihr Programm an Geschäftsinitiativen auszurichten, anstatt den Wert von Daten-Governance direkt zu vermitteln. Sie könnten beispielsweise vorschlagen, dass Endbenutzern das Auffinden der Daten, nach denen sie suchen, erleichtert werden sollte, oder Sie könnten vorschlagen, dass es sinnvoll ist, Datenqualitätsprobleme zu lösen. Dies sind jedoch Lösungen auf der Suche nach einem Problem. Wenn Sie so vorgehen, werden Sie am Ende mit Geschäftsinitiativen, die Sie unterstützen sollten, um Finanzierung und Sponsoring konkurrieren. Stattdessen sollten Sie Daten-Governance so positionieren, dass sie Geschäftsinitiativen unterstützt. Jede große Geschäftsinitiative benötigt Daten. Daten-Governance sollte sicherstellen, dass sich die Daten im richtigen Zustand befinden, um den Erfolg von Geschäftsinitiativen zu unterstützen. Übersehen Sie nicht die Berichts- und Prüfungspraktiken, die zeigen, wie Daten-Governance diese Initiativen unterstützt.
Eine weitere häufige strategische Herausforderung besteht darin, zu vermeiden, dass Daten-Governance zu eng angewendet wird. Eine zu enge Definition könnte darin bestehen, das Programm auf einzelne Geschäftsbereiche oder Anwendungsfälle auszurichten, ohne einen breiteren Blick auf die Geschäftsbereiche zu werfen. Eine enge Definition könnte auch bedeuten, dass Daten-Governance nur anhand von ein oder zwei Funktionen definiert wird. Ein Datenkatalog stellt beispielsweise kein Daten-Governance-Programm dar.
Was sind die AWS-Angebote für Daten-Governance?
Mit durchgängiger Daten-Governance auf AWS haben Unternehmen die Kontrolle darüber, wo sich ihre Daten befinden, wer Zugriff darauf hat und was mit ihnen in jedem Schritt des Datenworkflows gemacht werden kann. Daten-Governance mit AWS unterstützt Unternehmen dabei, datengesteuerte Entscheidungen zu beschleunigen, indem es den richtigen Personen und Anwendungen erleichtert wird, die richtigen Daten sicher zu finden, darauf zuzugreifen und sie zu teilen, wenn sie sie benötigen. Sie können Daten kuratieren, indem Sie die Datenintegration und Datenqualität automatisieren, um die Verbreitung von Daten zu begrenzen. Mit zentralisierten Katalogen, die die Datenkompetenz verbessern, können Sie Ihre Daten entdecken und verstehen. Sie können Ihre Daten mit präzisen Berechtigungen schützen, mit denen Sie Daten vertrauensvoll teilen können.
Sie können Risiken reduzieren und die Einhaltung gesetzlicher Vorschriften verbessern, indem Sie den Datenzugriff überwachen und prüfen.
- Amazon DataZone – Daten über Unternehmensgrenzen hinweg mit integrierter Governance freigeben
- AWS Glue – Alle Ihre Daten in beliebigem Umfang entdecken, vorbereiten und integrieren
- AWS Lake Formation – Data Lakes in wenigen Tagen erstellen, verwalten und sichern
- Amazon QuickSight – Einheitliche Business Intelligence im Hyperscale-Bereich
- Amazon SageMaker – Machine-Learning-Modelle für Anwendungsfälle mit vollständig verwalteter Infrastruktur, Tools und Workflows erstellen, trainieren und bereitstellen
- ML-Governance-Webseite
- Amazon Bedrock – Generative KI-Anwendungen mit Basismodellen (FMs) erstellen und skalieren
- Amazon Macie – entdecken und schützen Sie sensible Daten in großem Umfang
- Amazon Simple Storage Service (Amazon S3) Zugangspunkte – Objektspeicher für den Abruf beliebiger Datenmengen von jedem Ort aus
- AWS Data Exchange – Daten von Drittanbietern einfach in der Cloud finden, abonnieren und verwenden
- AWS Clean Rooms – Clean Rooms in wenigen Minuten erstellen, um mit Ihren Partnern zusammenzuarbeiten, ohne Rohdaten teilen zu müssen
Beginnen Sie mit Daten-Governance auf AWS, indem Sie noch heute ein kostenloses Konto erstellen.
Nächste Schritte auf AWS
Sie erhalten sofort Zugriff auf das kostenlose Kontingent von AWS.
Starten Sie mit der Entwicklung in der AWS-Managementkonsole.