一文解析2019年十大數(shù)據(jù)與分析技術(shù)趨勢

Gartner研究副總裁Rita Sallam表示，數(shù)據(jù)與分析領(lǐng)導者必須考察這些趨勢對業(yè)務(wù)帶來的潛在影響，并相應(yīng)調(diào)整業(yè)務(wù)模式與運營，否則將失去與他人競爭的優(yōu)勢。

她指出：“從支持內(nèi)部決策到持續(xù)型智能、信息產(chǎn)品以及任命首席數(shù)據(jù)官，數(shù)據(jù)和分析始終在不斷演化。深入了解推動這一演化的的技術(shù)趨勢并根據(jù)業(yè)務(wù)價值對其加以優(yōu)先排序，至關(guān)重要?！?/p>

Gartner副總裁兼杰出分析師Donald Feinberg認為，數(shù)字化顛覆帶來的挑戰(zhàn)——即數(shù)據(jù)太多，同樣也創(chuàng)造了前所未有的機遇。由云驅(qū)動的海量數(shù)據(jù)將實現(xiàn)更強大的處理能力，意味著現(xiàn)在可以大規(guī)模訓練與執(zhí)行算法，最終發(fā)揮出人工智能的全部潛力。

Feinberg先生表示：“數(shù)據(jù)的規(guī)模、復雜性與分散性質(zhì)，以及數(shù)字化業(yè)務(wù)所需要的行動速度與持續(xù)型智能，意味著僵化且集中的架構(gòu)與工具將會分崩離析。任何企業(yè)的長久生存都將取決于能夠響應(yīng)各種變化的以數(shù)據(jù)為中心的靈活架構(gòu)?！?/p>

Gartner建議數(shù)據(jù)及分析領(lǐng)導者與高級業(yè)務(wù)領(lǐng)導一同討論他們至關(guān)重要的業(yè)務(wù)優(yōu)先事項，并探索如何利用以下主要趨勢獲得競爭優(yōu)勢。

趨勢一：增強型分析

增強型分析是數(shù)據(jù)與分析市場內(nèi)的下一波顛覆性技術(shù)。它利用機器學習（ML）與人工智能改變分析內(nèi)容的、消費與共享方式。

到2020年，增強型分析將成為分析與商業(yè)智能（analytics and BI）、數(shù)據(jù)科學與機器學習平臺（data science and ML platforms）以及嵌入式分析新增購買的主要驅(qū)動力。數(shù)據(jù)與分析領(lǐng)導者應(yīng)在平臺功能逐漸成熟時采用增強型分析。

趨勢二：增強型數(shù)據(jù)管理

增強型數(shù)據(jù)管理利用機器學習功能和人工智能引擎來生成企業(yè)信息管理類別，其中包括數(shù)據(jù)質(zhì)量、元數(shù)據(jù)管理、主數(shù)據(jù)管理、數(shù)據(jù)集成以及管理系統(tǒng)（DBMS）自我配置與自我調(diào)整。它可以自動執(zhí)行許多手動任務(wù)，便于不太精通技術(shù)的用戶能夠更加自主地使用數(shù)據(jù)，同時也讓高技能的技術(shù)人員專注于價值更高的任務(wù)。

增強型數(shù)據(jù)管理將以往僅用于審計、沿襲及報告的元數(shù)據(jù)轉(zhuǎn)而支持動態(tài)系統(tǒng)。元數(shù)據(jù)正在從被動走向主動，并且正在成為所有人工智能/機器學習的主要驅(qū)動因素。

到2022年底，通過加入機器學習與自動化的服務(wù)級管理，數(shù)據(jù)管理手動任務(wù)將減少45%。

趨勢三：持續(xù)型智能

到2022年，超過一半的重要新業(yè)務(wù)系統(tǒng)將嵌入持續(xù)型智能，使用實時情景數(shù)據(jù)改善決策。

持續(xù)型智能是一種設(shè)計模式，其中實時分析與業(yè)務(wù)運營相結(jié)合，處理當前與歷史數(shù)據(jù)，以便為事件響應(yīng)行動提供建議。它能夠?qū)崿F(xiàn)自動化決策或為決策提供支持。持續(xù)型智能采用多種技術(shù)，如：增強型分析、事件流處理、優(yōu)化、業(yè)務(wù)規(guī)則管理以及機器學習。

Sallam女生表示：“持續(xù)型智能讓數(shù)據(jù)與分析團隊的工作發(fā)生重大變化。這既是一個巨大的挑戰(zhàn)，也是一個極大的機會，因為分析與商業(yè)智能團隊可以在2019年幫助企業(yè)做出更明智的實時決策。它可以被視作一種終極運營型商業(yè)智能?！?/p>

趨勢四：可解釋型人工智能

人工智能模型越來越多地被用于增強與代替人類決策。但在某些情況下，企業(yè)必須證明這些模型是如何做出決策的。為了與用戶及權(quán)益方建立信任，此類應(yīng)用的領(lǐng)導者必須讓這些模型變得更易解讀與更易理解。

不幸的是，大多數(shù)這些先進的人工智能模型都是復雜的黑盒子，無法解釋為何提出了某條具體建議或決策。而數(shù)據(jù)科學和機器學習平臺中的可解釋型人工智能將運用自然語言從準確性、屬性、模型統(tǒng)計及特性等方面自動生成模型提供解釋說明。

趨勢五：圖形

圖形分析（graph analytics）是一系列可用于探索企業(yè)機構(gòu)、人員與交易等相關(guān)實體間關(guān)系的分析技術(shù)。

2022年前，圖形處理和圖形數(shù)據(jù)庫管理系統(tǒng)的應(yīng)用將以每年100%的速度快速增長，以持續(xù)加速數(shù)據(jù)準備，并支持更加復雜且適配的數(shù)據(jù)科學。

圖形數(shù)據(jù)存儲可以跨越數(shù)據(jù)筒倉（data silos）高效地建模，探索與查詢具有相互復雜關(guān)系的數(shù)據(jù)，但Gartner認為，特殊的技能需求限制了該技術(shù)目前的應(yīng)用。

為了滿足對于復雜數(shù)據(jù)的綜合查詢需求，圖形分析將在未來幾年內(nèi)得到發(fā)展。利用SQL查詢完成大規(guī)模的復雜查詢并不總是切實可行，有時甚至無法完成。

趨勢六：數(shù)據(jù)結(jié)構(gòu)

數(shù)據(jù)結(jié)構(gòu)（data fabric）支持分布式數(shù)據(jù)環(huán)境內(nèi)的無摩擦數(shù)據(jù)訪問與共享。其支持單一與一致的數(shù)據(jù)管理框架，通過克服孤立存儲的獨特設(shè)計，實現(xiàn)無縫的數(shù)據(jù)訪問與處理。

到2022年，定制式數(shù)據(jù)結(jié)構(gòu)設(shè)計將主要用作靜態(tài)基礎(chǔ)架構(gòu)，促使各企業(yè)機構(gòu)為完全重新的設(shè)計投入資金，進而實現(xiàn)更具動態(tài)的數(shù)據(jù)網(wǎng)格（data mesh）方法。

趨勢七：自然語言處理/會話式分析

到2020年，50%的分析查詢將通過搜索、自然語言處理（NLP）或語音生成，或者將自動生成。分析復雜數(shù)據(jù)組合以及讓企業(yè)機構(gòu)中的每個人都可以訪問分析的需求將推動更廣泛的采用，從而讓分析工具變得如同搜索界面或與虛擬助理進行對話一樣簡單。

趨勢八：商業(yè)人工智能與機器學習

Gartner預測，到2022年，75%利用人工智能與機器學習技術(shù)的新終端用戶解決方案將采用商業(yè)解決方案而非開源平臺構(gòu)建。

商業(yè)廠商現(xiàn)在已經(jīng)在開源生態(tài)系統(tǒng)中創(chuàng)建了連接器，為企業(yè)提供擴展與推廣人工智能及機器學習所需要的功能特性，例如項目與模型管理（project & model management）、復用（reuse）、透明度（transparency）、數(shù)據(jù)沿襲（data lineage）、平臺凝聚力（platform cohesiveness）以及開源技術(shù)所缺乏的集成。

趨勢九：區(qū)塊鏈

區(qū)塊鏈與分布式分類帳（distributed ledger）技術(shù)的核心價值主張是在非置信的參與者網(wǎng)絡(luò)中提供去中心化信任。對分析使用案例帶來的潛在結(jié)果非常大，尤其是對于利用參與者關(guān)系及交互的那些使用案例所帶來的影響。

然而，尚需幾年時間才會有四或五項主要區(qū)塊鏈技術(shù)占據(jù)主導地位。在此之前，技術(shù)終端用戶將被迫與由其主導客戶或網(wǎng)絡(luò)所指定的區(qū)塊鏈技術(shù)及標準相集成。這包括與您現(xiàn)有的數(shù)據(jù)及分析基礎(chǔ)架構(gòu)進行集成。集成成本可能會超過任何潛在收益。區(qū)塊鏈是數(shù)據(jù)源，而非數(shù)據(jù)庫，不會取代現(xiàn)有的數(shù)據(jù)管理技術(shù)。

趨勢十：持久內(nèi)存服務(wù)器

在采用內(nèi)存中計算（IMC）所支持的架構(gòu)方面，新型持久內(nèi)存（persistent memory）技術(shù)將有助于降低成本與復雜度。持久內(nèi)存代表著DRAM與NAND閃存之間的新內(nèi)存層，可為高性能工作負載提供經(jīng)濟高效的大容量內(nèi)存。它將有望改進應(yīng)用性能、可用性、啟動時間、集群方法與安全實踐，同時保持成本可控；通過減少數(shù)據(jù)復制需求，還將有助于企業(yè)機構(gòu)降低其應(yīng)用與數(shù)據(jù)架構(gòu)的復雜度。

Feinberg先生表示：“數(shù)據(jù)量正在快速增多，實時將數(shù)據(jù)轉(zhuǎn)化成價值的緊迫性也在同樣快速增加。新的服務(wù)器工作負載不僅需要更快的CPU性能，而且還需要大容量內(nèi)存及更快的存儲?！?/p>

如需了解有關(guān)如何利用數(shù)據(jù)與分析獲得競爭優(yōu)勢的更多信息，請查看Gartner數(shù)據(jù)與分析洞察中心（Gartner Data & Analytics Insight Hub）。