俄罗斯和乌克兰所引发的地缘政治危机对于遭受新冠疫情长期肆虐的世界无疑是雪上加霜。今年数据和分析领导者的工作重点之一是管理由此引发的持续不确定因素和波动性。
现在应该根据关键数据和分析技术趋势对于业务优先事项的紧迫性和匹配性来监测、尝试或积极投资于这些趋势，以此预测、调整并扩大数据和分析战略的价值。
今年的主要数据和分析趋势主要关注以下三大主题：
- 激活多样性和活力。使用自适应AI系统推动增长和创新，同时应对全球市场的波动。
- 增强人员能力和决策，以提供由业务模块化组件创建的丰富的、情境驱动的分析。
- 将信任制度化，以大规模地实现数据和分析的价值。管理AI风险并实施跨分布式系统、边缘环境和新兴生态系统的互联治理。
2022年需要关注的十二项数据和分析(D&A)趋势
我们所发布的数据和分析趋势代表了不容忽视的业务、市场和技术动态。这些趋势还有助于确定推动新增长、效率、韧性和创新的投资优先事项。
趋势一：自适应AI系统(Adaptive AI systems)
随着决策变得更具关联性、情境性和连续性，再造决策的重要性日益增加。企业可以通过自适应AI系统来做到这一点，它可以更迅速地适应变化，提供更加快速灵活的决策。
同时，构建和管理自适应AI系统需要采用AI工程实践。AI工程能够通过编排和优化应用来适应、抵御或吸收各种干扰因素，促进自适应系统的管理。
趋势二：以数据为中心的AI(Data-centric AI)
在不考虑AI特有的数据管理问题的情况下试图解决AI问题。Sallam表示：“如果没有正确的数据，构建AI就会产生风险并且可能带来危险。”因此，正式规定使用以数据为中心的AI和以AI为中心的数据至关重要。在企业的数据管理战略中，它们能够更加系统地解决数据偏差、多样性和标记问题，包括在自动化数据整合和主动元数据管理中使用数据编织。”
趋势三：元数据驱动的数据编织(Metadata-driven data fabric)
数据编织通过元数据侦听、学习并行动。它能为人员和系统标记和推荐行动，最终提高企业机构内部对数据的信任和使用，减少包括设计、部署和操作在内70%的各类数据管理任务。
例如芬兰图尔库市发现该市的创新受到数据缺口的阻碍。通过整合分散的数据资产，图尔库市重新利用数据、减少三分之二的产品上市时间并创建一个可以变现的数据编织。
趋势四：始终数据共享(Always share data)
虽然数据和分析领导者经常承认数据共享是一项关键的数字化转型能力，但他们缺少专业的知识，因此无法怀着信任大规模地共享数据。
顺利推动数据共享并增加对匹配业务案例的正确数据的访问，应开展跨业务和行业领域的合作，这将加快对增加预算授权和数据共享投资的支持。此外，还应考虑采用数据编织设计来实现跨不同类型内部和外部数据来源的统一数据共享架构。
趋势五：情境丰富的分析(Context-enriched analysis)
情境丰富的分析建立在图形技术的基础之上。关于用户情境和需求的信息被保存在图形中，以便利用数据点之间的关系以及数据点本身实现更深入的分析。这能帮助您基于相似性、制约因素、路径和社区来识别和创建进一步的情境。
为了捕获、保存和使用情境数据，企业需要建立数据流水线、X分析技术和AI云服务方面的能力和技能，以便处理不同类型的数据。到2025年，情境驱动的分析和AI模型将取代60%建立在传统数据基础上的现有模型。
趋势六：业务模块组合式数据和分析(Business-composed D&A)
Gartner建议企业采用模块化的数据和分析方法或“组合式数据和分析”。业务模块组合式数据和分析建立在这一趋势的基础上，但重点正在从IT人员转向业务人员。
业务模块组合式数据和分析使业务用户或业务技术人员应联合构建业务驱动的数据和分析能力。
趋势七：以决策为中心的数据和分析(Decision-centric D&A)
决策智能学科(即对如何做出决策进行深思熟虑)正在使企业机构重新思考在数据和分析能力方面的投资。使用决策智能学科设计最佳决策，然后提供所需的信息和资源。
Gartner预测到2023年，超过33%的大型企业机构将有从事决策智能工作的分析师，包括决策建模。
趋势八：人员技能和素养的不足(Skills and literacy shortfall)
数据和分析领导者需要团队中的人才来推动可衡量的成果。但虚拟工作场所和激烈的人才竞争加剧了员工数据素养(读、写和传递数据的能力)的不足。
Gartner预测，从现在起到2025年，大多数首席数据官(CDO)将无法培养实现战略数据驱动的既定业务目标所必需的员工数据素养。
由于数据素养和员工技能提升方面的投资成本不断上升，应在与新员工的合同中加入“薪酬索回”或“费用偿还”条款，这样就能在员工离职时收回成本。
趋势九：互联治理(Connected governance)
企业机构需要在各个层面采取有效的治理来解决他们当前的运营挑战，而且这些治理措施还必须灵活、可扩展并且能够迅速响应不断变化的市场动态和具有战略意义的组织挑战。
然而，疫情进一步突出表明，企业迫切需要强有力的跨职能协作，并随时准备改变组织结构，以实现业务模型的敏捷性。
应使用互联治理建立一个跨业务职能和地域的虚拟数据和分析治理层来实现所期望的跨企业业务成果。
趋势十：AI风险管理(AI risk management)
如果企业机构将时间和资源用于支持AI信任、风险和安全管理(TRiSM)，那么他们就能改进AI在采用、业务目标实现以及内部和外部用户接受度方面的成果。
Gartner预测，到2026年，开发出可信赖的目标导向型AI的企业机构将实现75%以上的AI创新成功率，而未能做到这一点的企业机构只有40%的成功率。
通过加强对AI TRiSM的重视，企业机构就能可控而稳定地实现AI模型的实施与操作化。此外，Gartner还预测AI的失败会大幅减少，包括不完整的AI项目、意外或负面结果的减少等。
趋势十一：厂商和地区生态系统(Vendor and region ecosystems)
随着各地区数据安全法的颁布，许多跨国企业机构正在为遵守当地法规而构建数据和分析生态系统。这一趋势将在新的多极世界中加速。
您将需要考虑迁移和复制特定地区内的部分或全部数据和分析堆栈，并且将多云和多厂商战略管理纳入设计或预设。
企业需要采取多项行动构建一个有凝聚力的云数据生态系统。应评估厂商解决方案的可扩展性和在整个生态系统的供应情况，并考虑与它们保持一致。应通过权衡单一厂商生态系统在成本、敏捷性和速度方面的优势，重新评估有利于最佳或最合适的云中端到端数据和分析能力战略的政策。
趋势十二：向边缘的扩展(Expansion to the edge)
在数据中心和公有云基础设施之外的分布式设备、服务器或网关中执行的数据和分析活动日益增加。它们越来越多地位于边缘计算环境，更加靠近数据和相关决策的创建和执行地点。
Gartner预测，到2025年，超过50%的企业关键数据将在数据中心以外或云以外的地点创建和处理。
企业应将数据和分析治理能力扩展到边缘环境，并通过主动元数据实现可见性。还可通过加入位于边缘的以IT为中心的技术(关系型和非关系型数据库管理系统)以及用于存储和处理更加靠近设备边缘的数据且内存占用量少的嵌入式数据库，为边缘环境中的数据持久化提供支持。
