俄羅斯和烏克蘭所引發(fā)的地緣政治危機對于遭受新冠疫情長期肆虐的世界無疑是雪上加霜。今年數據和分析領導者的工作重點之一是管理由此引發(fā)的持續(xù)不確定因素和波動性。
現在應該根據關鍵數據和分析技術趨勢對于業(yè)務優(yōu)先事項的緊迫性和匹配性來監(jiān)測、嘗試或積極投資于這些趨勢，以此預測、調整并擴大數據和分析戰(zhàn)略的價值。
今年的主要數據和分析趨勢主要關注以下三大主題：
激活多樣性和活力。使用自適應AI系統(tǒng)推動增長和創(chuàng)新，同時應對全球市場的波動。
增強人員能力和決策，以提供由業(yè)務模塊化組件創(chuàng)建的豐富的、情境驅動的分析。
將信任制度化，以大規(guī)模地實現數據和分析的價值。管理AI風險并實施跨分布式系統(tǒng)、邊緣環(huán)境和新興生態(tài)系統(tǒng)的互聯治理。
2022年需要關注的十二項數據和分析（D&A）趨勢
我們所發(fā)布的數據和分析趨勢代表了不容忽視的業(yè)務、市場和技術動態(tài)。這些趨勢還有助于確定推動新增長、效率、韌性和創(chuàng)新的投資優(yōu)先事項。
趨勢一：自適應AI系統(tǒng)（Adaptive AI systems）
隨著決策變得更具關聯性、情境性和連續(xù)性，再造決策的重要性日益增加。企業(yè)可以通過自適應AI系統(tǒng)來做到這一點，它可以更迅速地適應變化，提供更加快速靈活的決策。
同時，構建和管理自適應AI系統(tǒng)需要采用AI工程實踐。AI工程能夠通過編排和優(yōu)化應用來適應、抵御或吸收各種干擾因素，促進自適應系統(tǒng)的管理。
趨勢二：以數據為中心的AI（Data-centric AI）
在不考慮AI特有的數據管理問題的情況下試圖解決AI問題。Sallam表示：“如果沒有正確的數據，構建AI就會產生風險并且可能帶來危險。”因此，正式規(guī)定使用以數據為中心的AI和以AI為中心的數據至關重要。在企業(yè)的數據管理戰(zhàn)略中，它們能夠更加系統(tǒng)地解決數據偏差、多樣性和標記問題，包括在自動化數據整合和主動元數據管理中使用數據編織。”
趨勢三：元數據驅動的數據編織（Metadata-driven data fabric）
數據編織通過元數據偵聽、學習并行動。它能為人員和系統(tǒng)標記和推薦行動，最終提高企業(yè)機構內部對數據的信任和使用，減少包括設計、部署和操作在內70%的各類數據管理任務。
例如芬蘭圖爾庫市發(fā)現該市的創(chuàng)新受到數據缺口的阻礙。通過整合分散的數據資產，圖爾庫市重新利用數據、減少三分之二的產品上市時間并創(chuàng)建一個可以變現的數據編織。
趨勢四：始終數據共享（Always share data）
雖然數據和分析領導者經常承認數據共享是一項關鍵的數字化轉型能力，但他們缺少專業(yè)的知識，因此無法懷著信任大規(guī)模地共享數據。
順利推動數據共享并增加對匹配業(yè)務案例的正確數據的訪問，應開展跨業(yè)務和行業(yè)領域的合作，這將加快對增加預算授權和數據共享投資的支持。此外，還應考慮采用數據編織設計來實現跨不同類型內部和外部數據來源的統(tǒng)一數據共享架構。
趨勢五：情境豐富的分析（Context-enriched analysis）
情境豐富的分析建立在圖形技術的基礎之上。關于用戶情境和需求的信息被保存在圖形中，以便利用數據點之間的關系以及數據點本身實現更深入的分析。這能幫助您基于相似性、制約因素、路徑和社區(qū)來識別和創(chuàng)建進一步的情境。
為了捕獲、保存和使用情境數據，企業(yè)需要建立數據流水線、X分析技術和AI云服務方面的能力和技能，以便處理不同類型的數據。到2025年，情境驅動的分析和AI模型將取代60%建立在傳統(tǒng)數據基礎上的現有模型。
趨勢六：業(yè)務模塊組合式數據和分析（Business-composed D&A）
Gartner建議企業(yè)采用模塊化的數據和分析方法或“組合式數據和分析”。業(yè)務模塊組合式數據和分析建立在這一趨勢的基礎上，但重點正在從IT人員轉向業(yè)務人員。
業(yè)務模塊組合式數據和分析使業(yè)務用戶或業(yè)務技術人員應聯合構建業(yè)務驅動的數據和分析能力。
趨勢七：以決策為中心的數據和分析（Decision-centric D&A）
決策智能學科（即對如何做出決策進行深思熟慮）正在使企業(yè)機構重新思考在數據和分析能力方面的投資。使用決策智能學科設計最佳決策，然后提供所需的信息和資源。
Gartner預測到2023年，超過33%的大型企業(yè)機構將有從事決策智能工作的分析師，包括決策建模。
趨勢八：人員技能和素養(yǎng)的不足（Skills and literacy shortfall）
數據和分析領導者需要團隊中的人才來推動可衡量的成果。但虛擬工作場所和激烈的人才競爭加劇了員工數據素養(yǎng)（讀、寫和傳遞數據的能力）的不足。
Gartner預測，從現在起到2025年，大多數首席數據官（CDO）將無法培養(yǎng)實現戰(zhàn)略數據驅動的既定業(yè)務目標所必需的員工數據素養(yǎng)。
由于數據素養(yǎng)和員工技能提升方面的投資成本不斷上升，應在與新員工的合同中加入“薪酬索回”或“費用償還”條款，這樣就能在員工離職時收回成本。
趨勢九：互聯治理（Connected governance）
企業(yè)機構需要在各個層面采取有效的治理來解決他們當前的運營挑戰(zhàn)，而且這些治理措施還必須靈活、可擴展并且能夠迅速響應不斷變化的市場動態(tài)和具有戰(zhàn)略意義的組織挑戰(zhàn)。
然而，疫情進一步突出表明，企業(yè)迫切需要強有力的跨職能協作，并隨時準備改變組織結構，以實現業(yè)務模型的敏捷性。
應使用互聯治理建立一個跨業(yè)務職能和地域的虛擬數據和分析治理層來實現所期望的跨企業(yè)業(yè)務成果。
趨勢十：AI風險管理（AI risk management）
如果企業(yè)機構將時間和資源用于支持AI信任、風險和安全管理（TRiSM），那么他們就能改進AI在采用、業(yè)務目標實現以及內部和外部用戶接受度方面的成果。
Gartner預測，到2026年，開發(fā)出可信賴的目標導向型AI的企業(yè)機構將實現75%以上的AI創(chuàng)新成功率，而未能做到這一點的企業(yè)機構只有40%的成功率。
通過加強對AI TRiSM的重視，企業(yè)機構就能可控而穩(wěn)定地實現AI模型的實施與操作化。此外，Gartner還預測AI的失敗會大幅減少，包括不完整的AI項目、意外或負面結果的減少等。
趨勢十一：廠商和地區(qū)生態(tài)系統(tǒng)（Vendor and region ecosystems）
隨著各地區(qū)數據安全法的頒布，許多跨國企業(yè)機構正在為遵守當地法規(guī)而構建數據和分析生態(tài)系統(tǒng)。這一趨勢將在新的多極世界中加速。
您將需要考慮遷移和復制特定地區(qū)內的部分或全部數據和分析堆棧，并且將多云和多廠商戰(zhàn)略管理納入設計或預設。
企業(yè)需要采取多項行動構建一個有凝聚力的云數據生態(tài)系統(tǒng)。應評估廠商解決方案的可擴展性和在整個生態(tài)系統(tǒng)的供應情況，并考慮與它們保持一致。應通過權衡單一廠商生態(tài)系統(tǒng)在成本、敏捷性和速度方面的優(yōu)勢，重新評估有利于最佳或最合適的云中端到端數據和分析能力戰(zhàn)略的政策。
趨勢十二：向邊緣的擴展（Expansion to the edge）
在數據中心和公有云基礎設施之外的分布式設備、服務器或網關中執(zhí)行的數據和分析活動日益增加。它們越來越多地位于邊緣計算環(huán)境，更加靠近數據和相關決策的創(chuàng)建和執(zhí)行地點。
Gartner預測，到2025年，超過50%的企業(yè)關鍵數據將在數據中心以外或云以外的地點創(chuàng)建和處理。
企業(yè)應將數據和分析治理能力擴展到邊緣環(huán)境，并通過主動元數據實現可見性。還可通過加入位于邊緣的以IT為中心的技術（關系型和非關系型數據庫管理系統(tǒng)）以及用于存儲和處理更加靠近設備邊緣的數據且內存占用量少的嵌入式數據庫，為邊緣環(huán)境中的數據持久化提供支持。
