如何构建特有的数据和分析能力 Gartner的建议值得参考

　　事实上，在企业中实现商业智能不仅仅是简单地应用一套系统进行数据采集、存储，以及分析，最重要的应该是将这些数据转换为可操作的业务方案。这就要求，企业能够通过实时的数据洞察看到业务表象下，哪些流程在起作用，哪些风险正在发酵，从而帮助企业为未来的业务发展做好准备。

　　日前，Gartner发布了“2022年十二大数据和分析趋势”。Gartner高级研究总监孙鑫表示，长期以来，很多企业都将“数据和分析”当做一个IT名词，而如今“数据和分析”更多的被看做一种业务能力。基于此，Gartner提出了“构建业务价值新等式”的理念。

　　如何理解“新等式”的实质内涵?对此，孙鑫表示，随着市场不确定性逐渐增加，企业对于“数据和分析”寄予了更多的期望。他们不仅希望通过数据分析实现业务价值变现，也希望数据分析成为企业创新的源泉。另外，透过数据分析还能够使自身成为一家更具韧性的的企业，在帮助自身优化技术选型和人才培养模式的基础上，做出更多符合业务情景的决策，从而加速数字化转型的进程。

　　基于此，Gartner将今年的十二大数据和分析趋势分成了三个大的主题：一是激活企业的活力和多样性;二是增强员工能力与决策;三是信任的制度化。“每一个主题都由四个趋势组成，并且每一个趋势都不是单独存在的，而是环环相扣的。以此能够多维度、全场景的展现数据和分析的迭代演进方向。”孙鑫如此说道。

激活企业的活力和多样性

　　如何理解数据和分析的多样性和活力?这种多样性和活力，是不是决定着数据的精确性、以及获得数据价值的大小?孙鑫表示，其实“活力”很容易理解，就是过去企业更多的是把数据“囤”起来，而不是用起来。或者说以前数据分析的行为更多发生在工具和应用层面，缺乏对企业业务的关注。在孙鑫看来，企业数据应该通过更具活力、更多样性的形式利用起来，从而为企业带来新的机会和价值。

　　为此，Gartner提出了激活企业活力和多样性的第一个趋势——自适应人工智能系统。Gartner认为，通过AI工程化赋能的自适应人工智能系统，可以更快速地生成高效的AI模型。Gartner预测，到2025年，企业如果利用AI工程化的手段构建自适应的人工智能系统，可以更有效地运营AI模型，实现对不同业务情景的分析洞察。这将比没有构建该系统的企业多增加25%的AI模型数量。

　　“以数据为中心的人工智能”是实现自适应人工智能的前提。企业在建立AI模型的初期，其实并没有专门设想过该用什么样的数据管理模式去治理AI模型。数据管理在很多人工智能项目当中，经常是被低估和忽略的。事实上，企业需要一个更健壮的数据管理模式去提升AI运营的能力。

　　利用“元数据”驱动的数据编织能力能够帮助企业更好地进行数据管理。Gartner认为，如果可以更好地利用以“元数据”为驱动的数据编织手段，可以有效地减轻繁琐复杂的数据管理工作。预计到2025年，可以将数据利用率提高到400%，从而更好地实现数据共享。

　　“始终分享数据”将为企业业务发展带来更多可能性。如今，越来越多的企业发现，如果不去分享数据，企业面临被竞争者超过或者实施数字化转型的失败风险反而会变得更大。对此，Gartner认为，越来越多的企业正在尝试用数据资产化、数据目录、数据字典、数据地图等可以被治理的方式分享数据。同时，业界也开始通过公开更多标准的“元数据”，致力于实现更好的数据分享。

增强员工能力与决策

　　目前，企业数据变得越来越复杂，企业要用到数据的环境也变得越来越多样。这使得企业对于实现更多情境化分析的需求就变得越来越迫切。在孙鑫看来，在这一过程中，企业最终做决策的还是人，如何增强人的能力，从而提高他们业务决策的成功率，这将是企业需要完成的第二大主题。

　　现在，知识图谱已经和越来越多的“元数据”管理工具、预测分析工具实现了融合。通过知识图谱，可以更准确、可追溯的进行预测和分析，从而让企业对于一些数据有据可循。由此，Gartner预测，到2025年，基于情境驱动/背景驱动的数据分析和人工智能模型，将取代60%建立在传统数据上的现有模型。

　　“业务模块组装式数据和分析”将大幅降低技术应用实践的门槛。随着低代码、无代码技术的快速应用，使得业务人员也能够完成一个数据分析产品或者分析型应用。因此，Gartner预测，到2025年，以前50%的嵌入式分析型内容，将会由业务人员利用低代码、无代码工具，用组装式、模块化的方式完成，从而实现基于业务流程的，自上而下的数据分析和应用。

　　以决策为中心的数据和分析逐渐替代以数据分析为驱动的决策。Gartner认为，加速数据分析的部署应该从一个业务情景或者业务决策开始。这需要由业务部门和IT部门组成的“融合团队”相互协作。为此，Gartner提出了一个决策智能模型，能够为企业的融合团队提供一种改善组织决策的使用方式，同时也能够帮助企业从顶层设计的角度管理自身的决策链。这就需要越来越多的人可以站在更高的高度为企业的决策做基于数据分析的建议和规划。

　　人员技能和素养的不足将限制以决策为中心的数据驱动战略。Gartner预测，到2025年，大多数企业的首席数据官将无法培养出足够具有数据素养的员工队伍以实现数据驱动的战略。Gartner在关于 “首席数据官”的调研中发现，如果一家企业可以把更多人的因素或者人员培养的因素考虑进去，将比没有考虑到“人”的因素的企业更容易成功。所以企业应该更多的培养具备广泛数据素养、以及数据分析能力的员工队伍。

信任的制度化

　　“之前一直强调业务侧该如何使用数据分析。然而，业务侧能够使用数据分析的前提是他们能够信任数据，信任企业可以给予他们这样的能力。所以如果要实现无处不在的数据分析能力，信任制度化将非常重要。”孙鑫如此说道。

　　信任制度化的构建首先要实现“互联治理”。 Gartner认为 ，“互联治理”作为一个框架可以助力建立一个跨组织、跨业务职能，甚至跨地域的虚拟的数据和分析治理层，从而实现跨企业的高效治理。

　　注重AI信任风险和安全管理将提升AI模型的治理能力。Gartner研究发现，以前50%的AI模型并没有真正应用到生产环境。其中“安全”和“隐私”是导致这一负面结果的主要原因。 在Gartner看来，关注AI信任风险和安全管理将有助于提升企业对于AI治理和运营的能力。

　　厂商和区域性的数据分析生态将加速信任体系的建设。Gartner提到，大多数企业首次构建数据分析能力的心态，是用一套数据分析解决方案贯穿始终。然而，由于区域性管理要求的不同，使得企业需要建立一套符合本地条款的数据分析技术栈。对此，Gartner看到，除去担心被一家厂商绑定的因素，为了降低数据管理的难度，越来越多的企业更倾向于选择一家“云厂商”的生态产品。在这一过程中，Gartner建议，企业要构建数据分析生态，还需要更多的考虑厂商与厂商之间的兼容性。

　　向边缘扩展更符合现在强调的“数据主权”。 Gartner认为，从“云、数据中心”到“设备边缘”，不应该看做是单一位置的变化，而应该被看做一个“连续体”。所以数据分析的管理者要放弃以All in的形式在公有云或者数据中心当中部署数据分析能力的做法，更多的选择在分布式的数据分析环境当中进行部署。

(本文不涉密)
责任编辑：路沙

转载：感谢您对网站平台的认可，以及对我们原创作品以及文章的青睐，非常欢迎各位朋友分享到个人站长或者朋友圈，但转载请说明文章出处。