尊龍凱時(shí)

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

而具有前瞻性的數據和分析團隊正在從依靠“大”數據的傳統人工智能技術(shù)轉向數量較少、但更加多樣化的“小”數據。

Gartner發(fā)布的2021年十大數據和分析趨勢之一便是從大數據轉向小而寬的數據。這十大趨勢是數據和分析領(lǐng)導者必須重視的業(yè)務(wù)、市場(chǎng)和技術(shù)動(dòng)態(tài)。

Gartner杰出研究副總裁RitaSallam表示：“這些數據和分析趨勢可以幫助企業(yè)機構和社會(huì )應對未來(lái)三年的顛覆性變革、巨大不確定性以及它們所帶來(lái)的機遇。數據和分析領(lǐng)導者必須主動(dòng)研究如何順勢而為，根據這些趨勢做出加快自身預測、轉變和應對能力的關(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：

加速數據和分析變革：運用AI創(chuàng )新、經(jīng)過(guò)改進(jìn)的可組合性以及多元化數據源的敏捷、高效整合。

通過(guò)更有效的XOps實(shí)現業(yè)務(wù)價(jià)值的運營(yíng)：優(yōu)化決策并將數據和分析轉化為業(yè)務(wù)的一個(gè)組成部分。

分布式實(shí)體（人和物）：需要靈活地將數據和洞察力聯(lián)系起來(lái)，以增強更多的人和物的能力。

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

更智能、更負責、可擴展的AI將優(yōu)化學(xué)習算法，使系統更具解釋性并加快價(jià)值實(shí)現速度。企業(yè)機構將開(kāi)始對人工智能系統提出更多的要求，它們需要明確如何擴大技術(shù)規模。但到目前為止，這仍是一個(gè)難題。

傳統人工智能技術(shù)嚴重依賴(lài)歷史數據，而新冠疫情給業(yè)務(wù)環(huán)境所帶來(lái)的改變使歷史數據失去作用。這意味著(zhù)人工智能技術(shù)必須能夠通過(guò)“小數據”技術(shù)和自適應機器學(xué)習來(lái)依靠較少的數據運行。為了成為遵循道德約束的人工智能，這些人工智能系統還必須保護隱私、遵守法規并盡量減少偏見(jiàn)。

趨勢二：組裝式數據分析架構（Composable data and analytics）

組裝式數據分析架構使用來(lái)自多個(gè)數據、分析和人工智能解決方案的組件來(lái)獲得靈活、對用戶(hù)友好且實(shí)用的體驗，讓高管能夠將數據洞見(jiàn)與業(yè)務(wù)行動(dòng)相聯(lián)系。Gartner客戶(hù)問(wèn)詢(xún)顯示，大部分大型企業(yè)機構都有一個(gè)以上的“企業(yè)標準”分析和商業(yè)智能工具。

將多個(gè)業(yè)務(wù)能力組件組合成新的應用可促進(jìn)生產(chǎn)力和敏捷性。組裝式數據分析不但可以鼓勵合作、提高企業(yè)機構的分析能力，還可以增加分析的使用。

趨勢三：數據編織是基礎（Data fabric as the foundation）

隨著(zhù)數據的日益復雜以及數字化業(yè)務(wù)的加速發(fā)展，數據編織架構已成為支持組裝式數據分析及其各種組件的基礎架構。

由于在技術(shù)設計上能夠使用/重復使用及組合不同的數據集成方式，數據編織可縮短30%的集成設計時(shí)間、30%的部署時(shí)間和70%的維護時(shí)間。另外，數據編織既可以運用現有的數據中樞、數據湖和數據倉庫的技術(shù)和技能，也可以在未來(lái)加入新的方法和工具。

趨勢四：從“大”數據到“小”而“寬”的數據（From big to small and wide data）

面對日益復雜的人工智能問(wèn)題及數據用例稀缺方面的挑戰，企業(yè)機構正用小而寬的數據取代大數據來(lái)解決許多問(wèn)題。憑借“X分析”技術(shù)，即使用寬數據分析各種小而多樣化（寬）的非結構化和結構化數據源并發(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，小數據指的是能夠使用所需數據量較少，但仍能提供實(shí)用洞見(jiàn)的數據模型。

趨勢五：XOps

XOps（數據、機器學(xué)習、模型、平臺）的目標是運用DevOps的最佳實(shí)踐實(shí)現效率和規模經(jīng)濟，在保證可靠性、可重用性和可重復性的同時(shí)，減少技術(shù)和流程的重復并實(shí)現自動(dòng)化。

這項技術(shù)將實(shí)現原型的擴展并為受管轄的決策系統提供靈活的設計與敏捷的協(xié)調?？傮w而言，XOps將使企業(yè)機構能夠通過(guò)數據和分析的運營(yíng)化來(lái)推動(dòng)業(yè)務(wù)價(jià)值的實(shí)現。

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

工程化決策智能是一門(mén)包含傳統分析、人工智能和復雜自適應系統應用等廣泛決策的學(xué)科。工程化決策智能不僅適用于單個(gè)決策，還適用于連續的決策。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)機構能夠更快獲取推動(dòng)業(yè)務(wù)行動(dòng)所需的洞見(jiàn)。當與可組裝性和通用數據編織架構相結合時(shí)，工程化決策智能將為企業(yè)機構決策優(yōu)化方式的重新考量或重新設計帶來(lái)新的可能性并提高決策的準確性、可重復性和可追溯性。

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

企業(yè)領(lǐng)導者正逐漸了解到使用數據和分析來(lái)加速數字化業(yè)務(wù)計劃的重要性。數據和分析不再只是一個(gè)由獨立團隊負責完成的次要重點(diǎn)，而是轉變?yōu)橐豁椇诵墓δ?。但企業(yè)領(lǐng)導者往往低估了數據的復雜性，最終錯失良機。如果首席數據官（CDO）能夠參與目標和戰略的制定，那么他們就可以將業(yè)務(wù)價(jià)值的持續產(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)已成為現代數據和分析的基礎，能夠增強并改進(jìn)用戶(hù)協(xié)作、機器學(xué)習模型和可解釋的人工智能。雖然圖技術(shù)對數據和分析而言并不是一項新鮮的事物，但隨著(zhù)企業(yè)機構發(fā)現的用例日益增加，圍繞圖技術(shù)的思維方式已發(fā)生轉變。事實(shí)上，在關(guān)于人工智能的Gartner客戶(hù)問(wèn)詢(xún)中，有多達50%的問(wèn)詢(xún)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據消費者（The rise of the augmenter consumer）

以前的企業(yè)用戶(hù)受限于預定義儀表盤(pán)和手動(dòng)的數據探索。一般情況下，只有探索預定義問(wèn)題的數據分析師或公民數據科學(xué)家才能使用數據和分析儀表盤(pán)。

但Gartner認為，未來(lái)這些儀表盤(pán)將被自動(dòng)化、對話(huà)式、移動(dòng)式和動(dòng)態(tài)生成的洞見(jiàn)所取代，而且這些洞見(jiàn)均根據用戶(hù)需求定制并被交付至用戶(hù)需要消費這些數據的時(shí)候，使企業(yè)機構中的任何人都能獲得原來(lái)只有少數數據專(zhuān)家才能掌握的洞見(jiàn)和知識。

趨勢十：數據和分析正在向邊緣移動(dòng)（Data and analytics at the edge）

存在于傳統數據中心和云環(huán)境之外的數據分析技術(shù)開(kāi)始增加，它們正在向物靠近。這能夠減少或杜絕以數據為中心的解決方案所產(chǎn)生的延遲并增加實(shí)時(shí)價(jià)值。

通過(guò)將數據和分析轉移到邊緣，數據團隊將有機會(huì )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(shí)，這還解決了因法律或監管原因而無(wú)法從特定地域移動(dòng)數據這一問(wèn)題。