要根据当前重要数据和分析技术趋势对业务优先事项的紧迫性和一致性，监测、尝试或积极投资这些趋势，以预测、调整和扩大数据和分析战略的价值。
今年的主要数据和分析趋势主要关注以下三个主题。
激活多样性和活力。 使用自适应AI系统推动增长和创新，同时应对全球市场的波动。
增强员工的能力和决策能力，提供由业务模块化组件创建的丰富的方案驱动分析。
制度化信任，大规模实现数据和分析价值。 管理AI风险，实施分布式系统、边缘环境、新兴生态系统之间的互联治理。
2022年值得关注的12个数据和分析(DA )趋势
发布的数据和分析趋势反映了不容忽视的业务、市场和技术趋势。 这些趋势还有助于确定推动新增长、效率、韧性和创新的投资优先事项。
趋势1 :自适应AI系统(自适应AI系统。
随着决策变得更加具有相关性、情境性和连续性，重构决策的重要性越来越大。 企业可以通过适应AI系统来实现这一点，可以更快地应对变化，提供更快、更灵活的决策。
同时，建立和管理自适应AI系统，需要采用AI工程实践。 AI工程可以通过组织和优化APP应用来适应、防御或吸收各种干扰因素，从而促进自适应系统的管理。
趋势2 :以数据为中心的数据中心 。
尝试在不考虑AI特有的数据管理问题的情况下解决AI问题。 Sallam说：“如果没有正确的数据，构建AI可能会带来风险。” 因此，正式规定以数据为中心的AI和以AI为中心的数据的使用很重要。 企业数据管理战略可以更系统地解决数据偏差、多样性和标记问题，包括在自动化数据集成和前瞻性元数据管理中使用数据组织。 ”
趋势3 :元数据驱动的数据组织(元数据驱动的数据结构。
数据组织通过元数据拦截、学习和行动。 标记和建议人员和系统采取行动，最终提高对企业中数据的信任和使用，将各种数据管理任务(包括设计、部署和操作)减少70%。
例如，芬兰图尔库市发现，城市创新受到数据鸿沟的阻碍。 通过整合分散的数据资产，图尔库市重新利用了数据，将产品上市时间缩短了三分之二，并创建了可更改的数据组织。
趋势4 (始终共享数据(Always share data )。数据和分析领域的领导者都很清楚，数据共享是一项重要的数字化转型能力，但由于缺乏专业知识，无法可靠地大规模共享数据。
要顺利推进数据共享并增加对匹配业务案例的正确数据访问，必须进行业务领域和跨行业的合作。 这将加快预算审批的增长和对数据共享投资的支持。 此外，还应该考虑采用数据组织设计来实现跨不同类型内部数据源和外部数据源的统一数据共享体系结构。
趋势5 (丰富的方案分析(Context-enriched analysis )
情景的丰富分析基于图形技术。 有关用户情况和需求的信息存储在图形中，可以利用数据点之间的关系和数据点本身进行更详细的分析。 这有助于根据相似性、限制因素、路径和社区确定和创建更多方案。
为了捕获、存储和使用方案数据，企业需要建立数据管道、x分析技术和AI云服务的能力和技能，以处理各种类型的数据。 到2025年，以方案为导向的分析和AI模型将取代基于传统数据构建的现有模型的60%。
趋势6 :业务模块组合数据和分析(业务组合数据。
Gartner建议企业采用模块化数据和分析方法或“组合数据和分析”。 业务模块组合数据和分析基于这一趋势，但重点是从IT人员迁移到业务人员。
业务模块组合数据和分析要求业务用户或业务技术人员共同构建业务驱动的数据和分析能力。
趋势7 :以决策为中心的数据和分析(Decision-centric DA ) )。
深思决策的智能学科，也就是如何做出决策，促使企业组织重新思考对数据和分析能力的投资。 使用决策智能学科设计最佳决策，提供必要的信息和资源。
Gartner预计，到2023年，超过33%的大公司将拥有智能决策工作的分析师，包括决策建模。
趋势8 (人才技能和素养不足(技能和素养不足)
数据和分析领导者需要团队中的人力资源来推动可衡量的成果。 但是，虚拟职场和激烈的人才竞争加剧了员工的数据素养(阅读、写作、传达数据的能力)的不足。
Gartner预计，从现在到2025年，大多数首席数据官(CDO )将无法培养实现战略数据驱动的既定业务目标所需的员工数据素养。由于数据素养和员工技能提升的投资成本不断上升，必须在与新员工的合同中加入“回收报酬”或“偿还费用”的条款，以便员工退休时能够回收成本。
趋势9 (连接全球)互联治理
组织必须在各个层面进行有效的治理，以解决当前的运营难题。 此外，这些治理必须灵活、可扩展，并能够快速应对不断变化的市场趋势和战略性组织挑战。
但疫情进一步凸显，企业迫切需要强大的跨部门合作，准备改变组织结构，实现商业模式的敏捷性。
必须使用互联治理来构建业务功能和跨地区虚拟数据和分析治理层，以实现预期的企业间业务成果。
趋势10:AI风险管理(ai风险管理) )。
如果公司将时间和资源用于支持AI信任、风险和安全管理(TRiSM )，则可以改进AI采用、业务目标实现以及内部和外部用户接受。
Gartner预计，到2026年，开发可靠的目标导向型AI的企业机构将达到75%以上的AI创新成功率，而未能做到这一点的企业机构只有40%的成功率。
通过加强对AI TRiSM的重视，企业机构可以可控且稳定地实现AI模型的实施和操作化。 Gartner还预计，AI失败将大大减少，包括不完整的AI项目、意外或负面结果的减少。
趋势11 :制造商和地区生态系统(厂商和区域生态系统。
随着各地区数据安全法的颁布，很多跨国公司为了遵守当地的法律法规而构建数据，分析生态系统。 这一趋势将在新的多极世界中加速。
必须考虑特定区域内的部分或全部数据迁移和拷贝以及堆栈分析，并将模糊和多供应商战略管理纳入设计或预设中。
企业需要采取大量行动构建具有凝聚力的云数据生态系统。 必须评估供应商解决方案的可扩展性和整个生态系统的供应情况，并考虑它们之间的一致性。 必须通过比较单个制造商的生态系统在成本、敏捷性和速度方面的优势，重新评估有利于优化或优化云中端到端数据和分析能力战略的政策。
趋势12 :扩展到边缘(扩展到边缘。
在数据中心和公共云基础架构以外的分布式设备、服务器或网关上执行的数据和分析工作正在日益增加。 它越来越位于边缘计算环境中，越来越接近数据和相关决策的制定和执行位置。Gartner预计，到2025年，超过50%的关键企业数据将在数据中心外或云外创建和处理。
企业必须将数据和分析治理扩展到边缘环境，并使用主动预防性元数据提供可视性。 通过添加位于边缘的以IT为中心的技术(关系数据库和非关系数据库管理系统)以及用于存储和处理更接近设备边缘的数据的嵌入式数据库，支持边缘环境中的数据持久化
中文
电话咨询
微信咨询
公众号
