随着网络攻击日益复杂化及AI系统对数据需求的激增，企业迫切需要构建新型数据管理模式。可持续数据管理强调在数据全生命周期中采用负责任、符合伦理的治理方式，不仅能优化存储与处理环节、提升安全性与合规水平，还能有效降低能耗与碳足迹，助力企业实现ESG战略目标。

当前企业不仅要实现数据的治理、保护、备份与恢复，以应对层出不穷的网络攻击，还需满足新一代AI系统持续增长的数据需求。可持续的数据管理实践，能够帮助企业在保持核心竞争力的同时，全面评估其活动在环境、社会和经济层面的综合影响，并确保数据中心资源的合理调配与持续可用。其核心在于优化数据的存储、处理与使用流程，降低能源消耗与电子废弃物，同时关注数据使用过程中可能产生的伦理问题。

其中一个关键环节，是对用于评估企业可持续发展进程的数据集进行持续性披露。这不仅涉及遵循环境、社会与治理（ESG）规范要求，还包括减少温室气体排放与碳足迹的具体措施，全面落实联合国可持续发展目标（SDG），共同推动更具可持续性的未来建设。

什么是可持续的数据管理？

科尔尼数字与分析部门合伙人Himanshu Jain指出：“可持续数据管理是指在数据全生命周期——从创建和收集，到存储、处理和销毁——始终以负责任和符合伦理的方式进行管理，从而最大限度降低环境影响，提高资源利用效率，实现长期价值创造。”

由于企业战略目标存在差异，可持续数据管理的实施路径呈现多元化特征。例如，管理咨询公司Protiviti的常任董事Matt McGivern认为，可持续数据管理应当被视为一个持续优化的过程，而非一次性项目。

不过，数据治理实践仍面临诸多现实挑战。McGivern进一步解释道：“许多关键角色，例如数据所有者、数据管理员和数据监管人，通常仅以兼职形式承担这些职责，他们本身已肩负繁重的工作任务，因此很难给予这些角色应有的重视和投入。”

Protiviti特别强调需关注长期内以可持续方式管理数据所产生的成本与风险，包括对历史数据的管理成本。最初，企业对历史数据的担忧主要源于20年前因电子取证规则变更带来的合规风险，即保留数据过久可能面临处罚。随着GDPR和CCPA等数据隐私法规的实施，以及网络安全事件的频繁发生，这些风险已被进一步量化和显性化。

“我们还观察到另一个趋势正在回归，”McGivern指出，“随着企业将海量历史数据迁移到云端，存储成本和每月的持续性开支正成为新的负担。”

要解决传统数据管理带来的挑战，企业必须建立健全的数据治理计划。McGivern强调：“虽然很多企业口头上将数据视为资产，却未能真正像管理其他资产那样进行系统性管理。没有一家公司会在财务账目上保留一项定义不清晰、不知数量、不知存放位置、也不清楚如何被使用或访问的金融资产。”

然而，许多企业至今仍未对非结构化、结构化和半结构化数据完成资产清查。这意味着他们无法确保数据在备份与恢复、保护、使用等方面具备必要的控制机制。同时，企业还需要更深入地了解所备份的数据内容，以制定高效的数据留存、使用和安全策略。McGivern坦言：“从历史来看，我们的基础架构并未针对高效长期存储或数据销毁进行专项设计，因此许多企业在制定可持续数据管理策略时，不得不面对数据资产缺乏核心认知的现实困境。”

为什么可持续的数据管理很重要？

UST Global的首席战略官兼CIO Krishna Prasad表示：“可持续的数据管理能让组织长期从数据中持续获益。”这种方法能为企业带来多重价值，包括：

• 精简化的数据备份与恢复流程

• 更具韧性且成本效益更高的数据生态

• 降低因网络攻击导致数据丢失的风险

• 更高效的数据复用机制

• 改进的合规表现

• 降低能源消耗

• 减少碳足迹

可持续数据管理的挑战

Jain指出，尽管优势显著，但企业在推进数据可持续化管理过程中，仍需应对一系列现实挑战：

• 初始投资成本较高：升级现有基础设施、引入节能技术、培训员工使用新系统，都需要大量前期投入，可能对预算造成压力。

• 缺乏标准化规范：企业难以找到被普遍接受且一致的可持续数据管理标准。行业和监管机构的合作有助于推动统一标准的制定。

• 组织变革阻力：为适应可持续数据战略所需的变革，往往会遭遇员工的惯性抵触。习惯于现有管理模式的人员，可能不愿接受新的流程要求。

• 意识与教育不足：许多企业尚未充分认识到数据运营对环境的潜在影响，或缺乏对可持续数据实践的价值认知。因此，对员工、管理层和客户等利益相关方进行持续教育十分必要。

如何构建可持续的数据管理战略

要在短期和长期内持续收集、保护并实现数据价值，需要一套覆盖数据质量、存储、处理、治理、安全和隐私的综合战略。Jain建议，分步实施的战略应着重推动数据整合、节能型基础设施建设，以及负责任的全生命周期管理。

1. 建立内部共识

数据收集、存储、使用、保护和销毁的全过程，很大程度上依赖于业务与技术相关方对数据重要性的共识，以及确保正确流程的有效落实。

2. 明确角色界定

清晰界定各相关方的角色定位与责任划分，确保全组织范围内的数据治理一致性。同时，为数据模型建设奠定基础，包括数据结构、数据所有权和使用责任的明确界定。

3. 实施全面数据盘点

通过系统性的数据盘点，团队能够全面掌握数据的潜在价值、备份与保护机制、使用方式、潜在风险以及实际运营需求，从而确保数据的持续可用和规范访问。

4. 建立数据量化机制

为降低数据存储与处理成本，McGivern建议通过删除冗余数据、将数据迁移至离线存储、对敏感数据进行去标识化处理，并定期清理不再需要的数据内容。他强调：“我见过太多客户仍停留在‘所有数据都具有价值，因此不能删除’的陈旧观念。在当前数据泄露频发、隐私法规日益严格的环境下，这种做法已难以为继。”

5. 强化全流程管理能力

系统架构必须支持全生命周期的数据质量控制、备份恢复与合规使用。Prasad补充说，企业应通过专业工具和技术实时监控数据使用情况，利用访问控制与加密技术确保安全，并以商业上高效且负责任的方式进行数据存储与使用。