[[391424]]

關于2021年數據分析技術趨勢我們提前了解一下：

一、更智能、負責任的、可擴展的AI

人工智能和機器學習正在帶來更大的影響，要求企業采用新技術構建更智能的、消耗數據更少的、符合道德原則的、更具彈性的AI解決方案。企業組織通過部署更智能、更負責任的、更可擴展的AI，將利用學習算法和可解釋的系統加速價值實現給業務帶來更大影響力。

二、可組合式的數據和分析

開放的、容器化的分析架構讓數據分析功能可組合性更強。可組合式的數據分析利用來自多個數據、分析和AI解決方案的組件，快速構建靈活且用戶友好型的智能應用，從而幫助數據分析領導者將洞察和行動連接在一起。隨著數據重心轉移到云端，可組合式的數據分析將成為一種更加敏捷的方式，開發支持云市場、低代碼和無代碼解決方案的分析應用。

三、數據架構是基礎

更高程度的數字化和不再受約束的消費者，推動著數據分析領導者越來越多地使用數據架構來一個對企業組織數據資產日益加劇的多樣化、分布式、規模和復雜性。數據架構利用分析功能來持續監控數據管道，通過對數據資產的持續分析，支持各種數據的設計、部署和使用，縮短集成時間30%，縮短部署時間30%，縮短維護時間70%。

四、從大數據到小數據、寬數據

疫情給企業帶來的極端變革，導致那些基于大量歷史數據的機器學習和人工智能模型變得不那么重要了。同時，由人類和AI做出的決策變得更加復雜和苛刻，要求數據分析領導者擁有更多種類的數據才能更好地了解態勢。

因此數據分析領導者應該選擇那些可以更有效地利用可用數據的分析技術。數據分析領導者依賴于所謂的“寬數據”和“小數據”，寬數據可以對各種小型的、大型的、非結構化的、結構化的數據源進行分析和協同，小數據指的是那些需要較少數據但仍提供有用見解的分析技術應用。

小數據和寬數據提供強大的分析和人工智能功能，降低了企業組織對大數據集的依賴性，而且通過使用寬數據，企業組織還可以獲得更豐富、更完整的、全方位的態勢感知，使他們能夠運用分析來做出更好的決策。

五、XOps

XOps包括DataOps、MLOps、ModelOps和PlatformOps的目標是利用DevOps最佳實踐來實現效率和規模經濟，確保可靠性、可重用性和可重復性，同時減少技術和流程的重復，實現自動化。大多數分析和人工智能項目都因為僅僅在事后才能解決可操作性問題而失敗了。如果數據分析領導者利用XOps進行大規模運營，將實現分析和人工智能資產的再生性、可追溯性、完整性和可集成性。

六、工程決策智能

工程決策智能不僅適用于單個決策，還適用于決策序列，可將其分為多個業務流程，甚至是突發決策和結果構成的多個網絡。隨著決策得到增強并且越來越自動化，工程決策讓數據分析領導者有機會做出更準確、可重復、透明和可追溯的決策。

七、數據和分析是一項核心業務功能

數據分析不再是一個次要項目，而是變成了核心的業務功能。在這種情況下，數據分析變成與業務成果一致的共享業務資產，而且因為中央和聯合數據分析團隊之間能夠更好地展開協作，數據分析孤島問題也得到了解決。

八、關聯一切的圖形技術

圖形技術構成了很多現代數據分析功能的基礎，可以在各種數據資產之間找到人、地方、事物、事件和位置之間的關系。數據分析領導者依靠圖形技術快速回答復雜的業務問題，而這些問題往往需要上下文感知，以及理解多個實體之間的關聯本質。有專業認識預測到2025年圖形技術將被用于80%的數據分析創新項目中，高于2021年的10%，從而促進整個企業組織的快速決策。

九、增強型消費者的崛起

如今大多數企業用戶使用的是預定義的儀表板和手動數據瀏覽功能，這可能導致結論、決策和操作失誤，而自動的、對話式的、移動且動態生成的洞察將取代預定義的儀表板，可根據用戶需求進行定制，交付給消費方。這將推動分析能力轉移到信息消費者——增強型消費者，讓他們具備那些以前只有分析師和數據科學家才能擁有的能力。

十、邊緣位置的數據和分析

數據、分析和其他支持技術正在被越來越多地運用于邊緣計算環境中，并且這些技術更靠近物理資產所在的位置，位于IT權限范圍之外。Gartner預測，到2023年超過50%的數據分析領導者的主要職責將涉及到在邊緣環境中創建、管理和分析的數據。

數據分析領導者可以利用這一趨勢來提高數據管理的靈活性、速度、治理和彈性。從支持實時事件分析到實現“物”的自主行為，各種各樣的使用場景正在吸引著人們對數據分析邊緣能力的興趣。

數據分析技術趨勢總結：更智能、負責任的、可擴展的AI、可組合式的數據和分析、數據架構是基礎、從大數據到小數據、寬數據、XOps、工程決策智能、數據和分析是一項核心業務功能、關聯一切的圖形技術、增強型消費者的崛起、邊緣位置的數據和分析。