Gartner公布2021年十大数据分析技术趋势

Gartner知名研究副总裁Rita Sallam表示：“COVID-19疫情颠覆企业组织的速度，迫使数据分析负责人必须采用适当的工具和流程来发现关键技术趋势，优先应对那些会对他们竞争优势带来最大潜在影响的趋势。”

数据分析负责人应该利用以下10大趋势作为他们的关键投资，以提高预测、转移和响应能力。

趋势一：更智能的、更负责任的、可扩展的AI

人工智能（AI）和机器学习（ML）正在发挥越来越大的影响力，这就需要企业运用新的技术以实现更智能的、数据消耗更少的、符合道德原则的、更具弹性的AI解决方案。企业组织通过部署更智能的、更负责任的、可扩展的AI，利用机器学习算法和可解释的系统，缩短实现价值的时间，并提高业务影响力。

趋势二：可组合式的数据分析

开放的容器化分析架构让分析功能的可组合性更高。可组合式数据分析利用来自多个数据、分析和AI解决方案的组件，来快速构建灵活且用户友好的智能应用，从而帮助数据分析负责人将洞察用于指导实际行动。

随着数据重心逐渐转移到云端，可组合式的数据分析将成为一种更为敏捷的方式，去构建实现了云市场、低代码和无代码解决方案的分析应用。

趋势三：数据结构是基础

随着数字化程度逐渐提高和对消费者的约束越来越少，数据分析负责人开始越来越多地使用数据结构来解决企业组织数据资产中日益突出的多样性、分布式、规模化和复杂性等问题。

数据结构采用分析功能来持续监控数据管道，利用对数据资产的持续分析，来支持各种数据的设计、部署和利用，从而将集成时间缩短了30％，部署时间缩短了30％，维护时间缩短了70％。

趋势四：从大数据到小数据，再到宽数据

新冠疫情造成业务发生极端的变化，这导致那些基于大量历史数据的机器学习和AI模型都不再适用了。同时，由人类和AI共同做出决策变得更加复杂和苛刻了，这就要求数据分析负责人拥有更加多样化的数据，以更好地了解态势。

因此，数据分析负责人应该选择那些可以更有效利用可用数据的分析技术。他们依赖于所谓的“宽数据”，实现对各种小数据、大数据、非结构化数据、结构化数据来源的分析和协同处理，还有“小数据”，就是那些所需数据较少、但仍可以提供有用洞察的分析技术应用。

Sallam表示：“小而广泛的数据方法提供了强大的分析和AI，同时减少了企业组织对大数据集的依赖。使用广泛的数据，让企业组织可以获得更丰富的、更完整的态势感知或360度视图，从而使他们能够运用数据分析做出更好的决策。”

趋势五：XOps

XOps（包括DataOps、MLOps、ModelOps和PlatformOps）的目标是使用DevOps最佳实践来实现效率和规模经济，确保可靠性、可重用性和可重复性，同时减少技术和流程的重复，实现了自动化。

大多数分析和AI项目都失败了，因为这些项目仅仅是在事后才解决可操作性等问题。如果数据分析负责人在大规模运营中使用XOps，那么他们将实现分析和AI资产的可再现性、可追溯性、完整性和可集成性。

趋势六：工程决策智能

工程决策智能不仅适用于单个决策，还适用于决策序列，将多个决策分组到不同的业务流程中，甚至是突发决策和后果网络。随着决策变得越来越自动化和增强化，工程决策有望帮助数据分析负责人让决策变得更加准确、可重复的、透明的和可追溯的。

趋势七：数据分析成为一项核心业务功能

数据分析不再是次要的，而是变成了一项核心业务职能。在这种情况下，数据分析成为与业务成果保持一致的共享业务资产，中央数据分析和联合数据分析团队之间能够更好地协作，也打破了数据分析孤岛。

趋势八：图表与一切相关

图形构成了很多现代数据分析功能的基础，使我们能够在各种数据资产之间找到人、地方、事物、事件和位置之间的关系。数据分析负责人依靠图形关系来快速回答复杂的业务问题，这些问题需要能够理解上下文，理解多个实体之间的联系和优势本质。

Gartner预测，到2025年图形技术将用于80％的数据分析创新中，高于2021年的10％，这将促进整个企业组织的快速决策。

趋势九：增强型消费者的崛起

如今，大多数企业用户在使用预定义的仪表板和手动数据浏览功能，这可能导致错误的结论以及错误的决策和操作。以前我们花费在预定义仪表板上的操作时间，逐渐被自动的、对话式的、移动且动态生成的洞察所取代，这些洞察根据用户的需求进行定制，并交付给他们的消费者。

Sallam表示：“这将把分析能力转移给信息消费者——也就是所谓的增强型消费者——使他们拥有以前只能由分析师和数据科学家才能使用的功能。”

趋势十：在边缘的数据分析

数据、分析和其他支持数据分析的技术越来越多地位于边缘计算环境中，更接近物理环境和IT权限范围之外的资产。据Gartner预测，到2023年超过50％的数据分析负责人的主要职责将包括在边缘环境中创建、管理和分析数据。

数据分析负责人可以利用这一趋势来提升数据管理的灵活性、速度、治理和弹性。从支持实时事件分析，到实现“事物”的自主行为，各种各样的使用场景正在吸引着人们对数据分析边缘功能的兴趣。