关于2021年数据分析技术趋势我们提前了解一下：
一、更智能、负责任的、可扩展的AI
人工智能和机器学习正在带来更大的影响，要求企业采用新技术构建更智能的、消耗数据更少的、符合道德原则的、更具弹性的AI解决方案。企业组织通过部署更智能、更负责任的、更可扩展的AI，将利用学习算法和可解释的系统加速价值实现给业务带来更大影响力。
二、可组合式的数据和分析
开放的、容器化的分析架构让数据分析功能可组合性更强。可组合式的数据分析利用来自多个数据、分析和AI解决方案的组件，快速构建灵活且用户友好型的智能应用，从而帮助数据分析领导者将洞察和行动连接在一起。随着数据重心转移到云端，可组合式的数据分析将成为一种更加敏捷的方式，开发支持云市场、低代码和无代码解决方案的分析应用。
三、数据架构是基础
更高程度的数字化和不再受约束的消费者，推动着数据分析领导者越来越多地使用数据架构来一个对企业组织数据资产日益加剧的多样化、分布式、规模和复杂性。数据架构利用分析功能来持续监控数据管道，通过对数据资产的持续分析，支持各种数据的设计、部署和使用，缩短集成时间30%，缩短部署时间30%，缩短维护时间70%。
四、从大数据到小数据、宽数据
疫情给企业带来的极端变革，导致那些基于大量历史数据的机器学习和人工智能模型变得不那么重要了。同时，由人类和AI做出的决策变得更加复杂和苛刻，要求数据分析领导者拥有更多种类的数据才能更好地了解态势。
因此数据分析领导者应该选择那些可以更有效地利用可用数据的分析技术。数据分析领导者依赖于所谓的“宽数据”和“小数据”，宽数据可以对各种小型的、大型的、非结构化的、结构化的数据源进行分析和协同，小数据指的是那些需要较少数据但仍提供有用见解的分析技术应用。
小数据和宽数据提供强大的分析和人工智能功能，降低了企业组织对大数据集的依赖性，而且通过使用宽数据，企业组织还可以获得更丰富、更完整的、全方位的态势感知，使他们能够运用分析来做出更好的决策。
五、XOps
XOps包括DataOps、MLOps、ModelOps和PlatformOps的目标是利用DevOps最佳实践来实现效率和规模经济，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，实现自动化。大多数分析和人工智能项目都因为仅仅在事后才能解决可操作性问题而失败了。如果数据分析领导者利用XOps进行大规模运营，将实现分析和人工智能资产的再生性、可追溯性、完整性和可集成性。
六、工程决策智能
工程决策智能不仅适用于单个决策，还适用于决策序列，可将其分为多个业务流程，甚至是突发决策和结果构成的多个网络。随着决策得到增强并且越来越自动化，工程决策让数据分析领导者有机会做出更准确、可重复、透明和可追溯的决策。
七、数据和分析是一项核心业务功能
数据分析不再是一个次要项目，而是变成了核心的业务功能。在这种情况下，数据分析变成与业务成果一致的共享业务资产，而且因为中央和联合数据分析团队之间能够更好地展开协作，数据分析孤岛问题也得到了解决。
八、关联一切的图形技术
图形技术构成了很多现代数据分析功能的基础，可以在各种数据资产之间找到人、地方、事物、事件和位置之间的关系。数据分析领导者依靠图形技术快速回答复杂的业务问题，而这些问题往往需要上下文感知，以及理解多个实体之间的关联本质。有专业认识预测到2025年图形技术将被用于80%的数据分析创新项目中，高于2021年的10%，从而促进整个企业组织的快速决策。
九、增强型消费者的崛起
如今大多数企业用户使用的是预定义的仪表板和手动数据浏览功能，这可能导致结论、决策和操作失误，而自动的、对话式的、移动且动态生成的洞察将取代预定义的仪表板，可根据用户需求进行定制，交付给消费方。这将推动分析能力转移到信息消费者——增强型消费者，让他们具备那些以前只有分析师和数据科学家才能拥有的能力。
十、边缘位置的数据和分析
数据、分析和其他支持技术正在被越来越多地运用于边缘计算环境中，并且这些技术更靠近物理资产所在的位置，位于IT权限范围之外。Gartner预测，到2023年超过50%的数据分析领导者的主要职责将涉及到在边缘环境中创建、管理和分析的数据。
数据分析领导者可以利用这一趋势来提高数据管理的灵活性、速度、治理和弹性。从支持实时事件分析到实现“物”的自主行为，各种各样的使用场景正在吸引着人们对数据分析边缘能力的兴趣。
数据分析技术趋势总结：更智能、负责任的、可扩展的AI、可组合式的数据和分析、数据架构是基础、从大数据到小数据、宽数据、XOps、工程决策智能、数据和分析是一项核心业务功能、关联一切的图形技术、增强型消费者的崛起、边缘位置的数据和分析。
