Gartner发布“2021年十大数据和分析趋势” 更智能、更负责

 因为疫情的影响，越来越多的企业业务不得不搬到线上，越来越多的数据分析发生在业务端。据Gartner的问卷结果显示，82%的CEO认为追加自己在数字化举措上的投资是毋庸置疑的。

与此同时，“大数据”这个词在“十四五”规划中出现了14次，“数据”这个词出现了60余次，由此也可以看出，“数据”已经成为了国民经济和社会发展的重要风向标。

近期Gartner发布了“2021年十大数据和分析趋势”，Gartner研究总监孙鑫对新趋势进行了解读。TechWeb对解读内容进行了整理。

Gartner研究总监孙鑫

Gartner 2021年十大数据和分析趋势包括：

趋势一：更智能、更负责、可扩展的AI（Smarter, more responsible, scalable AI）

孙鑫：传统人工智能技术严重依赖历史数据，而新冠疫情给业务环境所带来的改变使历史数据失去作用。这意味着人工智能技术必须能够通过“小数据”技术和自适应机器学习来依靠较少的数据运行。为了成为遵循道德约束的人工智能，这些人工智能系统还必须保护隐私、遵守法规并尽量减少偏见。

现在企业对于AI的态度都是非常积极的，积极中也一定会带有更多的谨慎。

Gartner是把AI放在数据分析领域去研究的，也就是说我们是先有数据分析这一个大的课题、然后再把AI放在里面去做一些研究。所以如果说涉及到要把AI放到生产环境当中去做运行，要让用户能够真正的使用AI的能力，企业一定会变得更加谨慎一些，但是这也分阶段，有些企业可能属于AI初始探索阶段；有些企业会更多抱有积极的态度，比如会尝试不同的厂商交互，这时候谨慎度就没有那么高。但是随着企业把应用场景“0到1”做完之后，要做一个“1到N”的过程时，就不得不变得更谨慎、更有紧迫感，要思考如何能够把AI的能力赋能到更多的一些人。

趋势二：组装式数据分析架构（Composable data and analytics）

孙鑫：Gartner怎么给组装式数据和分析做定义？首先它利用了我们现在基于容器或者是微服务的架构，以及数据编织概念。然后从现有的资产当中组合出灵活的、模块化的、可重用的、消费者友好的数据分析功能。

Gartner预测，到2023年，60%的企业将会利用三个或者更多的分析解决方案，来组成一些组件，以建立这种注入了分析的决策导向型应用。组装式数据和分析不再是一个简简单单的业务行为，而是一种能够去注入分析的决策导向型的业务，并且能够将企业由数据分析提供的洞察力和行动力关联起来。

Gartner建议企业纳入这种模块化可以复用的分析能力来改善现在的决策。另外，可以通过组装式的数据分析，把已经投资的商业技能的BI报表工具，或者是机器学习提供的预测分析能力给组合起来，变成一种应用程序，从而通过组合式的分析推动一些创新。

趋势三：数据编织是基础（Data fabric as the foundation）

孙鑫：数据编织是一个可以解决企业当中数据资产多样性、分布规模和复杂程度的综合架构，可以帮助企业解决现存的数据孤岛的问题的。数据编织会大量使用企业以往使用数据所留下来的消费行为，帮助企业减少维护管理数据的时间。推荐企业通过利用数据编织的概念去支持不同的数据交互，并且用这种动态的形式去管理各种各样的数据，同时投资越来越多的元数据驱动更多开发。

趋势四：从“大”数据到“小”而“宽”的数据（From big to small and wide data）

孙鑫：随着企业逐渐认识到大数据作为分析和人工智能关键推动者的局限性，被称为小数据和宽数据的方法正在慢慢涌现，小数据的方法抛开了对于大型单体数据的依赖，实现了对于小型、大型、结构化、非结构化的数据源的分析和协同。

小数据的方法是指应用相对较少的数据，但仍能提供有见解的分析技术。其中包括了有针对性的使用数据要求比较低的模型，比如一些时间序列分析的技术，而不是用一刀切的方式去使用数据要求较高的深度学习的技术。

Gartner预测，到2025年，70%的企业将不得不把关注点从原先的大数据转向现在的小数据或是宽数据，从而为数据分析提供更多背景。人工智能对数据的需求将进一步减少。到2025年，超过85%的技术供应商，将在人工智能解决方案当中加入让数据变得更丰富的方法和模型训练技术，以提高模型的弹性和敏捷性，而在2020年，这样做的供应商只有不到5%。

趋势五：XOps

孙鑫：XOps（数据、机器学习、模型、平台）的目标是运用DevOps的最佳实践实现效率和规模经济，在保证可靠性、可重用性和可重复性的同时，减少技术和流程的重复并实现自动化。

现在的分析和AI解决方案没有跟上日益增长的实践的多样性，其原因在于应用当中的DevOps的最佳实践的多个Ops学科，大家可以看到的有DataOps、ModelOps以及DevOps，造成了市场的混乱，所以Gartner把它叫做XOps。

无论是什么Ops，它的目标都是利用DevOps的最佳实践去实现效率和规模经济，并确保可靠性、可重用性和可重复性，同时减少技术和流程的重复，从而实现自动化。

趋势六：工程化决策智能（Engineered decision intelligence）

孙鑫：决策智能提供了一个框架，将多种传统和先进技术结合在一起，从而设计、建模、调整、执行、监控和调整决策模型。工程决策智能不仅适用于单个决策，还适用于决策序列，可以将其归入业务流程，甚至是新兴的决策网络。

凭借这项技术，企业机构能够更快获取推动业务行动所需的洞见。当与可组装性和通用数据编织架构相结合时，工程化决策智能将为企业机构决策优化方式的重新考量或重新设计带来新的可能性并提高决策的准确性、可重复性和可追溯性。

趋势七：数据和分析成为核心业务功能（Data and analytics as a core business function）

孙鑫：Gartner预测到2022年，超过75%的中央组织和企业的分析项目，将被分散的部门，也就是说与业务部门领域的数据和分析的高管共享权力。这种共享权力的混合组织模式将会是未来的主流。随着企业加快企业数字化业务转型的能力，业务领域主导的数据分析将会变得越来越多。

趋势八：图技术使一切产生关联（Graph relates everything）

孙鑫：图技术已成为现代数据和分析的基础，能够增强并改进用户协作、机器学习模型和可解释的人工智能。

Gartner预测，到了2025年，图技术将从2021年的10%上升到80%，从而在数据分析创新当中，促进整个企业的快速决策。

“图”是构成现代数据分析的一个基础，它具有增强和改善用户协作、及学习建模和人工智能的能力，是一个能够实现可视化探索与无数据库交互的无代码和低代码的工具，正在使人们无须图查询语言就能够发现。

趋势九：日益增多的增强型数据消费者（The rise of the augmenter consumer）

孙鑫：以前的企业用户受限于预定义仪表盘和手动的数据探索。一般情况下，只有探索预定义问题的数据分析师或公民数据科学家才能使用数据和分析仪表盘。

但Gartner认为，未来这些仪表盘将被自动化、对话式、移动式和动态生成的洞见所取代，而且这些洞见均根据用户需求定制并被交付至用户需要消费这些数据的时候，使企业机构中的任何人都能获得原来只有少数数据专家才能掌握的洞见和知识。

趋势十：数据和分析正在向边缘移动（Data and analytics at the edge）

孙鑫：存在于传统数据中心和云环境之外的数据分析技术开始增加，它们正在向物靠近。这能够减少或杜绝以数据为中心的解决方案所产生的延迟并增加实时价值。

通过将数据和分析转移到边缘，数据团队将有机会扩展自身的能力并将变化延伸到业务的不同部分。同时，这还解决了因法律或监管原因而无法从特定地域移动数据这一问题。