Gartner：2021年十大數(shù)據(jù)和分析趨勢

在新冠疫情肆虐時，使用傳統(tǒng)分析技術(shù)并因此而嚴(yán)重依賴大量歷史數(shù)據(jù)的企業(yè)意識到了一件重要的事情：許多此類模式已不再有用。這場疫情幾乎改變了一切，令許多數(shù)據(jù)失去了作用。

而具有前瞻性的數(shù)據(jù)和分析團隊正在從依靠“大”數(shù)據(jù)的傳統(tǒng)人工智能技術(shù)轉(zhuǎn)向數(shù)量較少、但更加多樣化的“小”數(shù)據(jù)。

Gartner發(fā)布的2021年十大數(shù)據(jù)和分析趨勢之一便是從大數(shù)據(jù)轉(zhuǎn)向小而寬的數(shù)據(jù)。這十大趨勢是數(shù)據(jù)和分析領(lǐng)導(dǎo)者必須重視的業(yè)務(wù)、市場和技術(shù)動態(tài)。

Gartner杰出研究副總裁RitaSallam表示：“這些數(shù)據(jù)和分析趨勢可以幫助企業(yè)機構(gòu)和社會應(yīng)對未來三年的顛覆性變革、巨大不確定性以及它們所帶來的機遇。數(shù)據(jù)和分析領(lǐng)導(dǎo)者必須主動研究如何順勢而為，根據(jù)這些趨勢做出加快自身預(yù)測、轉(zhuǎn)變和應(yīng)對能力的關(guān)鍵任務(wù)投資?！?/p>

每一項趨勢都可以歸入以下三大主題之一：

加速數(shù)據(jù)和分析變革：運用AI創(chuàng)新、經(jīng)過改進的可組合性以及多元化數(shù)據(jù)源的敏捷、高效整合。

通過更有效的XOps實現(xiàn)業(yè)務(wù)價值的運營：優(yōu)化決策并將數(shù)據(jù)和分析轉(zhuǎn)化為業(yè)務(wù)的一個組成部分。

分布式實體（人和物）：需要靈活地將數(shù)據(jù)和洞察力聯(lián)系起來，以增強更多的人和物的能力。

趨勢一：更智能、更負責(zé)、可擴展的AI（Smarter, more responsible,scalable AI）

更智能、更負責(zé)、可擴展的AI將優(yōu)化學(xué)習(xí)算法，使系統(tǒng)更具解釋性并加快價值實現(xiàn)速度。企業(yè)機構(gòu)將開始對人工智能系統(tǒng)提出更多的要求，它們需要明確如何擴大技術(shù)規(guī)模。但到目前為止，這仍是一個難題。

傳統(tǒng)人工智能技術(shù)嚴(yán)重依賴歷史數(shù)據(jù)，而新冠疫情給業(yè)務(wù)環(huán)境所帶來的改變使歷史數(shù)據(jù)失去作用。這意味著人工智能技術(shù)必須能夠通過“小數(shù)據(jù)”技術(shù)和自適應(yīng)機器學(xué)習(xí)來依靠較少的數(shù)據(jù)運行。為了成為遵循道德約束的人工智能，這些人工智能系統(tǒng)還必須保護隱私、遵守法規(guī)并盡量減少偏見。

趨勢二：組裝式數(shù)據(jù)分析架構(gòu)（Composable data and analytics）

組裝式數(shù)據(jù)分析架構(gòu)使用來自多個數(shù)據(jù)、分析和人工智能解決方案的組件來獲得靈活、對用戶友好且實用的體驗，讓高管能夠?qū)?shù)據(jù)洞見與業(yè)務(wù)行動相聯(lián)系。Gartner客戶問詢顯示，大部分大型企業(yè)機構(gòu)都有一個以上的“企業(yè)標(biāo)準(zhǔn)”分析和商業(yè)智能工具。

將多個業(yè)務(wù)能力組件組合成新的應(yīng)用可促進生產(chǎn)力和敏捷性。組裝式數(shù)據(jù)分析不但可以鼓勵合作、提高企業(yè)機構(gòu)的分析能力，還可以增加分析的使用。

趨勢三：數(shù)據(jù)編織是基礎(chǔ)（Data fabric as the foundation）

隨著數(shù)據(jù)的日益復(fù)雜以及數(shù)字化業(yè)務(wù)的加速發(fā)展，數(shù)據(jù)編織架構(gòu)已成為支持組裝式數(shù)據(jù)分析及其各種組件的基礎(chǔ)架構(gòu)。

由于在技術(shù)設(shè)計上能夠使用/重復(fù)使用及組合不同的數(shù)據(jù)集成方式，數(shù)據(jù)編織可縮短30%的集成設(shè)計時間、30%的部署時間和70%的維護時間。另外，數(shù)據(jù)編織既可以運用現(xiàn)有的數(shù)據(jù)中樞、數(shù)據(jù)湖和數(shù)據(jù)倉庫的技術(shù)和技能，也可以在未來加入新的方法和工具。

趨勢四：從“大”數(shù)據(jù)到“小”而“寬”的數(shù)據(jù)（From big to small and wide data）

面對日益復(fù)雜的人工智能問題及數(shù)據(jù)用例稀缺方面的挑戰(zhàn)，企業(yè)機構(gòu)正用小而寬的數(shù)據(jù)取代大數(shù)據(jù)來解決許多問題。憑借“X分析”技術(shù)，即使用寬數(shù)據(jù)分析各種小而多樣化（寬）的非結(jié)構(gòu)化和結(jié)構(gòu)化數(shù)據(jù)源并發(fā)揮它們的協(xié)同效果，從而增強情境感知和決策。顧名思義，小數(shù)據(jù)指的是能夠使用所需數(shù)據(jù)量較少，但仍能提供實用洞見的數(shù)據(jù)模型。

趨勢五：XOps

XOps（數(shù)據(jù)、機器學(xué)習(xí)、模型、平臺）的目標(biāo)是運用DevOps的最佳實踐實現(xiàn)效率和規(guī)模經(jīng)濟，在保證可靠性、可重用性和可重復(fù)性的同時，減少技術(shù)和流程的重復(fù)并實現(xiàn)自動化。

這項技術(shù)將實現(xiàn)原型的擴展并為受管轄的決策系統(tǒng)提供靈活的設(shè)計與敏捷的協(xié)調(diào)?？傮w而言，XOps將使企業(yè)機構(gòu)能夠通過數(shù)據(jù)和分析的運營化來推動業(yè)務(wù)價值的實現(xiàn)。

趨勢六：工程化決策智能（Engineered decision intelligence）

工程化決策智能是一門包含傳統(tǒng)分析、人工智能和復(fù)雜自適應(yīng)系統(tǒng)應(yīng)用等廣泛決策的學(xué)科。工程化決策智能不僅適用于單個決策，還適用于連續(xù)的決策。這項技術(shù)可以將決策編組成為業(yè)務(wù)流程，甚至為新興決策網(wǎng)絡(luò)。

憑借這項技術(shù)，企業(yè)機構(gòu)能夠更快獲取推動業(yè)務(wù)行動所需的洞見。當(dāng)與可組裝性和通用數(shù)據(jù)編織架構(gòu)相結(jié)合時，工程化決策智能將為企業(yè)機構(gòu)決策優(yōu)化方式的重新考量或重新設(shè)計帶來新的可能性并提高決策的準(zhǔn)確性、可重復(fù)性和可追溯性。

趨勢七：數(shù)據(jù)和分析成為核心業(yè)務(wù)功能（Data and analytics as a core business function）

企業(yè)領(lǐng)導(dǎo)者正逐漸了解到使用數(shù)據(jù)和分析來加速數(shù)字化業(yè)務(wù)計劃的重要性。數(shù)據(jù)和分析不再只是一個由獨立團隊負責(zé)完成的次要重點，而是轉(zhuǎn)變?yōu)橐豁椇诵墓δ?。但企業(yè)領(lǐng)導(dǎo)者往往低估了數(shù)據(jù)的復(fù)雜性，最終錯失良機。如果首席數(shù)據(jù)官（CDO）能夠參與目標(biāo)和戰(zhàn)略的制定，那么他們就可以將業(yè)務(wù)價值的持續(xù)產(chǎn)出效率提高2.6倍。

趨勢八：圖技術(shù)使一切產(chǎn)生關(guān)聯(lián)（Graph relates everything）

圖技術(shù)已成為現(xiàn)代數(shù)據(jù)和分析的基礎(chǔ)，能夠增強并改進用戶協(xié)作、機器學(xué)習(xí)模型和可解釋的人工智能。雖然圖技術(shù)對數(shù)據(jù)和分析而言并不是一項新鮮的事物，但隨著企業(yè)機構(gòu)發(fā)現(xiàn)的用例日益增加，圍繞圖技術(shù)的思維方式已發(fā)生轉(zhuǎn)變。事實上，在關(guān)于人工智能的Gartner客戶問詢中，有多達50%的問詢涉及到有關(guān)圖表技術(shù)使用的討論。

趨勢九：日益增多的增強型數(shù)據(jù)消費者（The rise of the augmenter consumer）

以前的企業(yè)用戶受限于預(yù)定義儀表盤和手動的數(shù)據(jù)探索。一般情況下，只有探索預(yù)定義問題的數(shù)據(jù)分析師或公民數(shù)據(jù)科學(xué)家才能使用數(shù)據(jù)和分析儀表盤。

但Gartner認(rèn)為，未來這些儀表盤將被自動化、對話式、移動式和動態(tài)生成的洞見所取代，而且這些洞見均根據(jù)用戶需求定制并被交付至用戶需要消費這些數(shù)據(jù)的時候，使企業(yè)機構(gòu)中的任何人都能獲得原來只有少數(shù)數(shù)據(jù)專家才能掌握的洞見和知識。

趨勢十：數(shù)據(jù)和分析正在向邊緣移動（Data and analytics at the edge）

存在于傳統(tǒng)數(shù)據(jù)中心和云環(huán)境之外的數(shù)據(jù)分析技術(shù)開始增加，它們正在向物靠近。這能夠減少或杜絕以數(shù)據(jù)為中心的解決方案所產(chǎn)生的延遲并增加實時價值。

通過將數(shù)據(jù)和分析轉(zhuǎn)移到邊緣，數(shù)據(jù)團隊將有機會擴展自身的能力并將變化延伸到業(yè)務(wù)的不同部分。同時，這還解決了因法律或監(jiān)管原因而無法從特定地域移動數(shù)據(jù)這一問題。