（CWW）近日，Gartner發布2022年十二大數據和分析趨勢，趨勢圍繞“激活企業的數據活力和多樣性”、“增強員工能力與決策”和“信任的制度化”三大主題，以期在當前全球大背景下，幫助企業“構建業務價值的新等式”，完成基于數據分析業務能力的建設。

Gartner高級研究總監孫鑫表示，當前對數據分析的需求日益繁重，企業希望通過數據分析實現更多價值兌現，向更多部門擴展，也希望數據分析成為創新起源，為企業帶來新想法和新助力。與此同時，基于數據本身的變現與日俱增，通過數據的降本增效，為企業帶來非常多的盈利增長。數據分析帶來的決策能力，已經變成企業成為一個有韌性企業的核心能力。

趨勢一：自適應人工智能系統（Adaptive AI Systems）。

很多企業號稱有AI舉措、AI的一些想法，但是真正把這些AI模型運營起來的卻少之又少。Gartner建議企業利用DevOps等類Ops手段，完成更好的AI模型建立，在新數據和新業務環境進入時，可以持續迭代所需的AI模型功能。

AI工程化所賦能的自適應型AI系統，將成為一個明顯趨勢，使企業可以快速生成有效果的AI模型。

趨勢二：以數據為中心的人工智能。

大多數企業交付的AI解決方案，很大程度上取決于數據質量，以及能否被業務理解。而在很多人工智能項目當中，數據管理經常被低估，即使它可以大大提效人工智能的開發和部署。

以數據為核心的人工智能將會不發展，擴展的學科也會越來越多，數據管理的技術和技能，數據質量、數據集成、數據治理……都會擴展成為人工智能的基礎能力。AI模型被開發出來后，數據管理活動并沒結束，它會像動態數據管道一樣，持續支持AI模型的開發。

企業需要更健壯的數據管理模式，完成對于AI運營的能力。

趨勢三：元數據驅動的數據架構（Metadata-Driven Data Fabric）

“元數據”是描繪數據的數據，過去多為被動地使用。現在，元數據可以被高效利用起來。通過元數據驅動機器學習能力，幫助企業做好數據管理，打通數據孤島，解決數據利用率低的問題。

未來幾年里，我們會看到越來越多對元數據的考量，利用元數據基于知識圖譜的能力完成更好的數據發現。

Gartner的調研顯示，更好的利用數據編織手段、利用主動元數據管理數據源，可以有效降低繁瑣的數據管理工作，降低手動工作量。到2025年，數據利用率可以提高到400%。

趨勢四：始終分享的數據（Always Share Data）。

近年來，企業發現，因擔心安全風險而拒絕分享數據，會使企業面臨被競爭者超過，或數字化舉措執行失敗的風險增加。越來越多企業考慮用數據資產化、數據目錄、數據字典、數據地圖等方式，在可被治理的方式下分享數據。

企業投資方向更關注于，如何通過自動化手段發現更多相關數據，還有用OpenData（開放數據）的方式，對自身數據可能性做更多探索。

業界已經展開了更多公開標準的元數據，以實現更好的數據分享。

趨勢五：情境豐富的數據分析（Context Enriched Analysis）。

Gartner預測，由于更多知識圖譜的利用，到2025年，情境驅動/背景驅動的數據分析和人工智能模型，將取代60%建立在傳統數據上的現有模型。

情境豐富的數據分析能力，會成為企業未來必須尋找的能力。這一趨勢不止在全球，在中國也有所呈現：越來越多企業考慮，如何通過釘釘、飛書等企業數據化辦公軟件，完成更多的數據分析。

趨勢六：從IT嵌入到業務組裝式數據分析（From IT-Embedded toBusiness-Composed D&A）。

現在，業務用戶完成全生命周期數據分析，已經具備可能性。

Gartner預測，到2025年，50%的嵌入式數據分析，將由業務用戶利用低代碼、無代碼工具，以組裝式、模塊化拼湊的方式完成。

過去，技術多為固化的、單體軟件形式，設計模式角度從IT出發，考慮報表美觀度與易理解性。未來，企業將大多以組裝式的技術完成應用搭建，業務人員會更多從自身產品化角度出發，進行數據分析產品的運維。

趨勢七：決策驅動的數據分析（Decision Centric D&A）。

數據分析驅動的決策，逐漸轉變為決策驅動的數據分析。

孫鑫在解讀中提出“融合團隊”概念，成員來自業務和IT，團隊展開合作、思考與嘗試，完善數據決策的路徑。

Gartner數據和分析決策智能模型

Gartner提出了上圖的決策智能模型，幫助企業從頂層設計角度，管理決策鏈。

當企業需要越來越多人，從更高的高度為決策做基于數據分析的建議和規劃。企業可以利用該決策框架，讓更多用戶進入決策層，實現企業數據分析的搭建。

趨勢八：缺乏數據分析技能與素養（Data and Analytics Skills and Literacy Shortfall）。

企業數據素養普遍不高，IT采購很多工具但業務沒有真正用起來。

Gartner預測，到2025年，大多數企業的首席數據官，將無法在員工中培養出足夠的數據素養，以實現他們計劃的數據驅動戰略。

數據分析人才的匱乏，困擾很多企業管理者。針對數據素養缺失現象，Gartner給予了一個“三步走”方案，分別是：對人才的獲取、人才的培養，以及人才的留存。

趨勢九：互聯治理（Connected Governance）。

“互聯治理”并非指企業要建立一個新團隊，而是一個框架，用于建立跨組織、跨業務職能、跨地域的虛擬數據分析治理層，以實現跨企業的治理結果。

數據治理的因素變得越來越多，如數據質量、數據安全、數據隱私、數據道德，數據定義模型和全生命周期的管理都被納入治理范疇之內。

對企業來說，“互聯治理”或成為不得不采取的舉措，建立起一個更廣泛的數據治理團隊，也顯得非常重要。

趨勢十：AI信任風險和安全治理（AI Trust Risk and SecurityManagement）。

研究發現，有50%的AI模型從未進入生產環境，“安全”和“隱私”是主要誘因。

AI創新速度受到來自企業內部和外部壓力，企業需要花更多的時間、資源，用于人工智能的風險和安全管理。而企業往往沒有完整的流程、工具、衡量標準，用于AI信任風險和安全的治理。

趨勢十一：廠商和區域性的數據分析生態（Vendor and Region Ecosystems）。

很多時候，數據分析生態建立的初始原因就是“信任”。

去年一年，越來越多企業正建立自己本土化/國產化的數據分析能力。

Gartner發現，當企業用一家云廠商的數據分析生態產品時，所涉及的數據管理、分析管理麻煩更少，因此，越來越多企業更傾向于用一家云廠商的生態。

數據分析的生態產品能力已經越來越多，未來，企業建立自身數據分析本身生態時，要更多考慮廠商與廠商之間的兼容性。

趨勢十二：數據分析向邊緣擴展（Data and Analytics Expansion to The Edge）。

邊緣數據分析解決方案部署，呈現持續增長態勢。數據和分析活動，更多在數據中心、公有云基礎設施之外的分布式設備——即在邊緣側完成。原因在于，位于邊緣的數據分析，更符合當前“數據主權”和“監管”的訴求。

數據分析的管理者，可能要放棄將數據分析能力全部部署在公有云/數據中心，增加部署分布式的數據分析環境。

Gartner預測，到2025年，超過50%的企業核心數據，將會在數據中心和云以外的地方創建并分析。