在新冠疫情肆虐時，使用傳統(tǒng)分析技術并因此而嚴重依賴大量歷史數(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)人工智能技術轉向數(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)轉向小而寬的數(shù)據(jù)。這十大趨勢是數(shù)據(jù)和分析領導者必須重視的業(yè)務、市場和技術動態(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)機構和社會應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)和分析領導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測、轉變和應對能力的關鍵任務投資?！泵恳豁椱厔荻伎梢詺w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)務價值的運營：

優(yōu)化決策并將數(shù)據(jù)和分析轉化為業(yè)務的一個組成部分。

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、可擴展的AI（Smarter， more responsible，scalable AI）

更智能、更負責、可擴展的AI將優(yōu)化學習算法，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)人工智能技術嚴重依賴歷史數(shù)據(jù)，而新冠疫情給業(yè)務環(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必須能夠通過“小數(shù)據(jù)”技術和自適應機器學習來依靠較少的數(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（Composable data and analytics）

組裝式數(shù)據(jù)分析架構使用來自多個數(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，讓高管能夠將數(shù)據(jù)洞見與業(yè)務行動相聯(lián)系。Gartner客戶問詢顯示，大部分大型企業(yè)機構都有一個以上的“企業(yè)標準”分析和商業(yè)智能工具。將多個業(yè)務能力組件組合成新的應用可促進生產(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（Data fabric as the foundation）

隨著數(shù)據(jù)的日益復雜以及數(shù)字化業(yè)務的加速發(fā)展，數(shù)據(jù)編織架構已成為支持組裝式數(shù)據(jù)分析及其各種組件的基礎架構。由于在技術設計上能夠使用/重復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，即使用寬數(shù)據(jù)分析各種小而多樣化（寬）的非結構化和結構化數(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)、機器學習、模型、平臺）的目標是運用DevOps的最佳實踐實現(xiàn)效率和規(guī)模經(jīng)濟，在保證可靠性、可重用性和可重復性的同時，減少技術和流程的重復并實現(xiàn)自動化。這項技術將實現(xiàn)原型的擴展并為受管轄的決策系統(tǒng)提供靈活的設計與敏捷的協(xié)調?？傮w而言，XOps將使企業(yè)機構能夠通過數(shù)據(jù)和分析的運營化來推動業(yè)務價值的實現(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、人工智能和復雜自適應系統(tǒng)應用等廣泛決策的學科。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。這項技術可以將決策編組成為業(yè)務流程，甚至為新興決策網(wǎng)絡。憑借這項技術，企業(yè)機構能夠更快獲取推動業(yè)務行動所需的洞見。當與可組裝性和通用數(shù)據(jù)編織架構相結合時，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(shù)據(jù)和分析成為核心業(yè)務功能（Data and analytics as a core business function）

企業(yè)領導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完成的次要重點，而是轉變?yōu)橐豁椇诵墓δ?。但企業(yè)領導者往往低估了數(shù)據(jù)的復雜性，最終錯失良機。如果首席數(shù)據(jù)官（CDO）能夠參與目標和戰(zhàn)略的制定，那么他們就可以將業(yè)務價值的持續(xù)產(chǎn)出效率提高2.6倍。

趨勢八：圖技術使一切產(chǎn)生關聯(lián)（Graph relates everything）

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

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，只有探索預定義問題的數(shù)據(jù)分析師或公民數(shù)據(jù)科學家才能使用數(shù)據(jù)和分析儀表盤。但Gartner認為，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。

責任編輯：lq