在新冠疫情肆虐時(shí)，使用傳統(tǒng)分析技術(shù)并因此而嚴(yán)重依賴(lài)大量歷史數(shù)據(jù)的企業(yè)意識(shí)到了一件重要的事情：許多此類(lèi)模式已不再有用。這場(chǎng)疫情幾乎改變了一切，令許多數(shù)據(jù)失去了作用。

而具有前瞻性的數(shù)據(jù)和分析團(tuán)隊(duì)正在從依靠“大”數(shù)據(jù)的傳統(tǒng)人工智能技術(shù)轉(zhuǎn)向數(shù)量較少、但更加多樣化的“小”數(shù)據(jù)。

Gartner發(fā)布的2021年十大數(shù)據(jù)和分析趨勢(shì)之一便是從大數(shù)據(jù)轉(zhuǎn)向小而寬的數(shù)據(jù)。這十大趨勢(shì)是數(shù)據(jù)和分析領(lǐng)導(dǎo)者必須重視的業(yè)務(wù)、市場(chǎng)和技術(shù)動(dòng)態(tài)。

Gartner杰出研究副總裁RitaSallam表示：“這些數(shù)據(jù)和分析趨勢(shì)可以幫助企業(yè)機(jī)構(gòu)和社會(huì)應(yīng)對(duì)未來(lái)三年的顛覆性變革、巨大不確定性以及它們所帶來(lái)的機(jī)遇。數(shù)據(jù)和分析領(lǐng)導(dǎo)者必須主動(dòng)研究如何順勢(shì)而為，根據(jù)這些趨勢(shì)做出加快自身預(yù)測(cè)、轉(zhuǎn)變和應(yīng)對(duì)能力的關(guān)鍵任務(wù)投資。”

每一項(xiàng)趨勢(shì)都可以歸入以下三大主題之一：

加速數(shù)據(jù)和分析變革：運(yùn)用AI創(chuàng)新、經(jīng)過(guò)改進(jìn)的可組合性以及多元化數(shù)據(jù)源的敏捷、高效整合。

通過(guò)更有效的XOps實(shí)現(xiàn)業(yè)務(wù)價(jià)值的運(yùn)營(yíng)：優(yōu)化決策并將數(shù)據(jù)和分析轉(zhuǎn)化為業(yè)務(wù)的一個(gè)組成部分。

分布式實(shí)體（人和物）：需要靈活地將數(shù)據(jù)和洞察力聯(lián)系起來(lái)，以增強(qiáng)更多的人和物的能力。

趨勢(shì)一：更智能、更負(fù)責(zé)、可擴(kuò)展的AI（Smarter, more responsible,scalable AI）

更智能、更負(fù)責(zé)、可擴(kuò)展的AI將優(yōu)化學(xué)習(xí)算法，使系統(tǒng)更具解釋性并加快價(jià)值實(shí)現(xiàn)速度。企業(yè)機(jī)構(gòu)將開(kāi)始對(duì)人工智能系統(tǒng)提出更多的要求，它們需要明確如何擴(kuò)大技術(shù)規(guī)模。但到目前為止，這仍是一個(gè)難題。

傳統(tǒng)人工智能技術(shù)嚴(yán)重依賴(lài)歷史數(shù)據(jù)，而新冠疫情給業(yè)務(wù)環(huán)境所帶來(lái)的改變使歷史數(shù)據(jù)失去作用。這意味著人工智能技術(shù)必須能夠通過(guò)“小數(shù)據(jù)”技術(shù)和自適應(yīng)機(jī)器學(xué)習(xí)來(lái)依靠較少的數(shù)據(jù)運(yùn)行。為了成為遵循道德約束的人工智能，這些人工智能系統(tǒng)還必須保護(hù)隱私、遵守法規(guī)并盡量減少偏見(jiàn)。

趨勢(shì)二：組裝式數(shù)據(jù)分析架構(gòu)（Composable data and analytics）

組裝式數(shù)據(jù)分析架構(gòu)使用來(lái)自多個(gè)數(shù)據(jù)、分析和人工智能解決方案的組件來(lái)獲得靈活、對(duì)用戶友好且實(shí)用的體驗(yàn)，讓高管能夠?qū)?shù)據(jù)洞見(jiàn)與業(yè)務(wù)行動(dòng)相聯(lián)系。Gartner客戶問(wèn)詢顯示，大部分大型企業(yè)機(jī)構(gòu)都有一個(gè)以上的“企業(yè)標(biāo)準(zhǔn)”分析和商業(yè)智能工具。

將多個(gè)業(yè)務(wù)能力組件組合成新的應(yīng)用可促進(jìn)生產(chǎn)力和敏捷性。組裝式數(shù)據(jù)分析不但可以鼓勵(lì)合作、提高企業(yè)機(jī)構(gòu)的分析能力，還可以增加分析的使用。

趨勢(shì)三：數(shù)據(jù)編織是基礎(chǔ)（Data fabric as the foundation）

隨著數(shù)據(jù)的日益復(fù)雜以及數(shù)字化業(yè)務(wù)的加速發(fā)展，數(shù)據(jù)編織架構(gòu)已成為支持組裝式數(shù)據(jù)分析及其各種組件的基礎(chǔ)架構(gòu)。

由于在技術(shù)設(shè)計(jì)上能夠使用/重復(fù)使用及組合不同的數(shù)據(jù)集成方式，數(shù)據(jù)編織可縮短30%的集成設(shè)計(jì)時(shí)間、30%的部署時(shí)間和70%的維護(hù)時(shí)間。另外，數(shù)據(jù)編織既可以運(yùn)用現(xiàn)有的數(shù)據(jù)中樞、數(shù)據(jù)湖和數(shù)據(jù)倉(cāng)庫(kù)的技術(shù)和技能，也可以在未來(lái)加入新的方法和工具。

趨勢(shì)四：從“大”數(shù)據(jù)到“小”而“寬”的數(shù)據(jù)（From big to small and wide data）

面對(duì)日益復(fù)雜的人工智能問(wèn)題及數(shù)據(jù)用例稀缺方面的挑戰(zhàn)，企業(yè)機(jī)構(gòu)正用小而寬的數(shù)據(jù)取代大數(shù)據(jù)來(lái)解決許多問(wèn)題。憑借“X分析”技術(shù)，即使用寬數(shù)據(jù)分析各種小而多樣化（寬）的非結(jié)構(gòu)化和結(jié)構(gòu)化數(shù)據(jù)源并發(fā)揮它們的協(xié)同效果，從而增強(qiáng)情境感知和決策。顧名思義，小數(shù)據(jù)指的是能夠使用所需數(shù)據(jù)量較少，但仍能提供實(shí)用洞見(jiàn)的數(shù)據(jù)模型。

趨勢(shì)五：XOps

XOps（數(shù)據(jù)、機(jī)器學(xué)習(xí)、模型、平臺(tái)）的目標(biāo)是運(yùn)用DevOps的最佳實(shí)踐實(shí)現(xiàn)效率和規(guī)模經(jīng)濟(jì)，在保證可靠性、可重用性和可重復(fù)性的同時(shí)，減少技術(shù)和流程的重復(fù)并實(shí)現(xiàn)自動(dòng)化。

這項(xiàng)技術(shù)將實(shí)現(xiàn)原型的擴(kuò)展并為受管轄的決策系統(tǒng)提供靈活的設(shè)計(jì)與敏捷的協(xié)調(diào)。總體而言，XOps將使企業(yè)機(jī)構(gòu)能夠通過(guò)數(shù)據(jù)和分析的運(yùn)營(yíng)化來(lái)推動(dòng)業(yè)務(wù)價(jià)值的實(shí)現(xiàn)。

趨勢(shì)六：工程化決策智能（Engineered decision intelligence）

工程化決策智能是一門(mén)包含傳統(tǒng)分析、人工智能和復(fù)雜自適應(yīng)系統(tǒng)應(yīng)用等廣泛決策的學(xué)科。工程化決策智能不僅適用于單個(gè)決策，還適用于連續(xù)的決策。這項(xiàng)技術(shù)可以將決策編組成為業(yè)務(wù)流程，甚至為新興決策網(wǎng)絡(luò)。

憑借這項(xiàng)技術(shù)，企業(yè)機(jī)構(gòu)能夠更快獲取推動(dòng)業(yè)務(wù)行動(dòng)所需的洞見(jiàn)。當(dāng)與可組裝性和通用數(shù)據(jù)編織架構(gòu)相結(jié)合時(shí)，工程化決策智能將為企業(yè)機(jī)構(gòu)決策優(yōu)化方式的重新考量或重新設(shè)計(jì)帶來(lái)新的可能性并提高決策的準(zhǔn)確性、可重復(fù)性和可追溯性。

趨勢(shì)七：數(shù)據(jù)和分析成為核心業(yè)務(wù)功能（Data and analytics as a core business function）

企業(yè)領(lǐng)導(dǎo)者正逐漸了解到使用數(shù)據(jù)和分析來(lái)加速數(shù)字化業(yè)務(wù)計(jì)劃的重要性。數(shù)據(jù)和分析不再只是一個(gè)由獨(dú)立團(tuán)隊(duì)負(fù)責(zé)完成的次要重點(diǎn)，而是轉(zhuǎn)變?yōu)橐豁?xiàng)核心功能。但企業(yè)領(lǐng)導(dǎo)者往往低估了數(shù)據(jù)的復(fù)雜性，最終錯(cuò)失良機(jī)。如果首席數(shù)據(jù)官（CDO）能夠參與目標(biāo)和戰(zhàn)略的制定，那么他們就可以將業(yè)務(wù)價(jià)值的持續(xù)產(chǎn)出效率提高2.6倍。

趨勢(shì)八：圖技術(shù)使一切產(chǎn)生關(guān)聯(lián)（Graph relates everything）

圖技術(shù)已成為現(xiàn)代數(shù)據(jù)和分析的基礎(chǔ)，能夠增強(qiáng)并改進(jìn)用戶協(xié)作、機(jī)器學(xué)習(xí)模型和可解釋的人工智能。雖然圖技術(shù)對(duì)數(shù)據(jù)和分析而言并不是一項(xiàng)新鮮的事物，但隨著企業(yè)機(jī)構(gòu)發(fā)現(xiàn)的用例日益增加，圍繞圖技術(shù)的思維方式已發(fā)生轉(zhuǎn)變。事實(shí)上，在關(guān)于人工智能的Gartner客戶問(wèn)詢中，有多達(dá)50%的問(wèn)詢涉及到有關(guān)圖表技術(shù)使用的討論。

趨勢(shì)九：日益增多的增強(qiáng)型數(shù)據(jù)消費(fèi)者（The rise of the augmenter consumer）

以前的企業(yè)用戶受限于預(yù)定義儀表盤(pán)和手動(dòng)的數(shù)據(jù)探索。一般情況下，只有探索預(yù)定義問(wèn)題的數(shù)據(jù)分析師或公民數(shù)據(jù)科學(xué)家才能使用數(shù)據(jù)和分析儀表盤(pán)。

但Gartner認(rèn)為，未來(lái)這些儀表盤(pán)將被自動(dòng)化、對(duì)話式、移動(dòng)式和動(dòng)態(tài)生成的洞見(jiàn)所取代，而且這些洞見(jiàn)均根據(jù)用戶需求定制并被交付至用戶需要消費(fèi)這些數(shù)據(jù)的時(shí)候，使企業(yè)機(jī)構(gòu)中的任何人都能獲得原來(lái)只有少數(shù)數(shù)據(jù)專(zhuān)家才能掌握的洞見(jiàn)和知識(shí)。

趨勢(shì)十：數(shù)據(jù)和分析正在向邊緣移動(dòng)（Data and analytics at the edge）

存在于傳統(tǒng)數(shù)據(jù)中心和云環(huán)境之外的數(shù)據(jù)分析技術(shù)開(kāi)始增加，它們正在向物靠近。這能夠減少或杜絕以數(shù)據(jù)為中心的解決方案所產(chǎn)生的延遲并增加實(shí)時(shí)價(jià)值。

通過(guò)將數(shù)據(jù)和分析轉(zhuǎn)移到邊緣，數(shù)據(jù)團(tuán)隊(duì)將有機(jī)會(huì)擴(kuò)展自身的能力并將變化延伸到業(yè)務(wù)的不同部分。同時(shí)，這還解決了因法律或監(jiān)管原因而無(wú)法從特定地域移動(dòng)數(shù)據(jù)這一問(wèn)題。