近日，Gartner发布2022年十二大数据和分析趋势，趋势围绕“激活企业的数据活力和多样性”、“增强员工能力与决策”和“信任的制度化”三大主题，以期在当前全球大背景下，帮助企业“构建业务价值的新等式”，完成基于数据分析业务能力的建设。
Gartner高级研究总监孙鑫表示，当前对数据分析的需求日益繁重，企业希望通过数据分析实现更多价值兑现，向更多部门扩展，也希望数据分析成为创新起源，为企业带来新想法和新助力。与此同时，基于数据本身的变现与日俱增，通过数据的降本增效，为企业带来非常多的盈利增长。数据分析带来的决策能力，已经变成企业成为一个有韧性企业的核心能力。
趋势一：自适应人工智能系统（Adaptive AI Systems）。
很多企业号称有AI举措、AI的一些想法，但是真正把这些AI模型运营起来的却少之又少。Gartner建议企业利用DevOps等类Ops手段，完成更好的AI模型建立，在新数据和新业务环境进入时，可以持续迭代所需的AI模型功能。
AI工程化所赋能的自适应型AI系统，将成为一个明显趋势，使企业可以快速生成有效果的AI模型。
趋势二：以数据为中心的人工智能。
大多数企业交付的AI解决方案，很大程度上取决于数据质量，以及能否被业务理解。而在很多人工智能项目当中，数据管理经常被低估，即使它可以大大提效人工智能的开发和部署。
以数据为核心的人工智能将会不发展，扩展的学科也会越来越多，数据管理的技术和技能，数据质量、数据集成、数据治理……都会扩展成为人工智能的基础能力。AI模型被开发出来后，数据管理活动并没结束，它会像动态数据管道一样，持续支持AI模型的开发。
企业需要更健壮的数据管理模式，完成对于AI运营的能力。
趋势三：元数据驱动的数据架构（Metadata-Driven Data Fabric）
“元数据”是描绘数据的数据，过去多为被动地使用。现在，元数据可以被高效利用起来。通过元数据驱动机器学习能力，帮助企业做好数据管理，打通数据孤岛，解决数据利用率低的问题。
未来几年里，我们会看到越来越多对元数据的考量，利用元数据基于知识图谱的能力完成更好的数据发现。
Gartner的调研显示，更好的利用数据编织手段、利用主动元数据管理数据源，可以有效降低繁琐的数据管理工作，降低手动工作量。到2025年，数据利用率可以提高到400%。
趋势四：始终分享的数据（Always Share Data）。
近年来，企业发现，因担心安全风险而拒绝分享数据，会使企业面临被竞争者超过，或数字化举措执行失败的风险增加。越来越多企业考虑用数据资产化、数据目录、数据字典、数据地图等方式，在可被治理的方式下分享数据。
企业投资方向更关注于，如何通过自动化手段发现更多相关数据，还有用OpenData（开放数据）的方式，对自身数据可能性做更多探索。
业界已经展开了更多公开标准的元数据，以实现更好的数据分享。
趋势五：情境丰富的数据分析（Context Enriched Analysis）。
Gartner预测，由于更多知识图谱的利用，到2025年，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。
情境丰富的数据分析能力，会成为企业未来必须寻找的能力。这一趋势不止在全球，在中国也有所呈现：越来越多企业考虑，如何通过钉钉、飞书等企业数据化办公软件，完成更多的数据分析。
趋势六：从IT嵌入到业务组装式数据分析（From IT-Embedded toBusiness-Composed D&A）。
现在，业务用户完成全生命周期数据分析，已经具备可能性。
Gartner预测，到2025年，50%的嵌入式数据分析，将由业务用户利用低代码、无代码工具，以组装式、模块化拼凑的方式完成。
过去，技术多为固化的、单体软件形式，设计模式角度从IT出发，考虑报表美观度与易理解性。未来，企业将大多以组装式的技术完成应用搭建，业务人员会更多从自身产品化角度出发，进行数据分析产品的运维。
趋势七：决策驱动的数据分析（Decision Centric D&A）。
数据分析驱动的决策，逐渐转变为决策驱动的数据分析。
孙鑫在解读中提出“融合团队”概念，成员来自业务和IT，团队展开合作、思考与尝试，完善数据决策的路径。
Gartner数据和分析决策智能模型
Gartner提出了上图的决策智能模型，帮助企业从顶层设计角度，管理决策链。
当企业需要越来越多人，从更高的高度为决策做基于数据分析的建议和规划。企业可以利用该决策框架，让更多用户进入决策层，实现企业数据分析的搭建。
趋势八：缺乏数据分析技能与素养（Data and Analytics Skills and Literacy Shortfall）。
企业数据素养普遍不高，IT采购很多工具但业务没有真正用起来。
Gartner预测，到2025年，大多数企业的首席数据官，将无法在员工中培养出足够的数据素养，以实现他们计划的数据驱动战略。
数据分析人才的匮乏，困扰很多企业管理者。针对数据素养缺失现象，Gartner给予了一个“三步走”方案，分别是：对人才的获取、人才的培养，以及人才的留存。
趋势九：互联治理（Connected Governance）。
“互联治理”并非指企业要建立一个新团队，而是一个框架，用于建立跨组织、跨业务职能、跨地域的虚拟数据分析治理层，以实现跨企业的治理结果。
数据治理的因素变得越来越多，如数据质量、数据安全、数据隐私、数据道德，数据定义模型和全生命周期的管理都被纳入治理范畴之内。
对企业来说，“互联治理”或成为不得不采取的举措，建立起一个更广泛的数据治理团队，也显得非常重要。
趋势十：AI信任风险和安全治理（AI Trust Risk and SecurityManagement）。
研究发现，有50%的AI模型从未进入生产环境，“安全”和“隐私”是主要诱因。
AI创新速度受到来自企业内部和外部压力，企业需要花更多的时间、资源，用于人工智能的风险和安全管理。而企业往往没有完整的流程、工具、衡量标准，用于AI信任风险和安全的治理。
趋势十一：厂商和区域性的数据分析生态（Vendor and Region Ecosystems）。
很多时候，数据分析生态建立的初始原因就是“信任”。
去年一年，越来越多企业正建立自己本土化/国产化的数据分析能力。
Gartner发现，当企业用一家云厂商的数据分析生态产品时，所涉及的数据管理、分析管理麻烦更少，因此，越来越多企业更倾向于用一家云厂商的生态。
数据分析的生态产品能力已经越来越多，未来，企业建立自身数据分析本身生态时，要更多考虑厂商与厂商之间的兼容性。
趋势十二：数据分析向边缘扩展（Data and Analytics Expansion to The Edge）。
边缘数据分析解决方案部署，呈现持续增长态势。数据和分析活动，更多在数据中心、公有云基础设施之外的分布式设备——即在边缘侧完成。原因在于，位于边缘的数据分析，更符合当前“数据主权”和“监管”的诉求。
数据分析的管理者，可能要放弃将数据分析能力全部部署在公有云/数据中心，增加部署分布式的数据分析环境。
Gartner预测，到2025年，超过50%的企业核心数据，将会在数据中心和云以外的地方创建并分析。
