Gartner(2019年数据分析技术领域十大趋势)

本文经授权转自公众号图灵TOPIA
(ID:turingtopia)
从不惜重金聘用首席数据科学家到采购最新的分析软件,企业领导者们在应用数据分析提高业务方面可谓极尽所能。
但是,想要真正用好数据分析相关技术,却没有那么简单。
“数字化业务涉及到的规模、复杂度、数据分布结构、所需的执行速度等问题意味着:任何僵化和集中的架构或工具都会崩溃,”Gartner副总裁Donald Feinberg说。 “任何企业的持续生存都将取决于灵活的,以数据为中心的架构,以响应不断变化的速度。”
Donald Feinberg认为,数字化颠覆带来了挑战,但也出现了前所未有的机遇。
庞大的数据量与云的强大处理能力相结合,意味着现在可以大规模地训练和执行相关算法,以最终实现AI的全部潜力。
Gartner 建议企业领导者与高级业务负责人应该深入了解以下十大技术趋势,并讨论他们的关键业务优先级,以探索以下主要趋势在推进这些关键业务方面的应用。
1.增强分析(Augmented Analytics)
作为数据分析的高级增强阶段,增强分析能为分析计划带来更多自动化动能以及创新洞察力。
因为在正式进入数据分析之前,都需要对数据进行抽取、清洗、融合等准备工作,以提高数据分析的效率和准确性,更利于决策。而增强分析则能够帮助普通用户在没有数据科学专家或IT人员协助的情况下,访问有效数据,并对理论和假设情况展开测试与验证。
增强型数据分析侧重于增强智能的特定领域,利用机器学习(machine learning)转变分析内容的开发、使用与共享方式。
Gartner表示,到2020年,增强分析将成为分析和BI解决方案的主要卖点。
机器学习和人工智能、增强型分析将为数据和分析市场带来颠覆,因为它将彻底改变开发、消费和共享分析内容的方式,可使数据准备、洞察力获取和洞察力可视化这个过程实现自动化,在许多情况下无需专业的数据科学家
2.增强数据管理(Augmented data Management)
增强数据管理是指利用机器学习功能和AI技术来制作数据管理类别,包括数据质量,主数据管理,元数据管理,数据集成以及数据库管理系统(DBMS)自我配置和自我调整。
【Gartner(2019年数据分析技术领域十大趋势)】它可以自动执行许多手动任务,为技术水平较低的用户提供使用数据的机会。它还有助于高技能的技术资源专注于更多的增值任务。
据Gartner预测,到2022年底,借助机器学习和自动化服务级别管理,数据管理中的手动任务将减少45%。
3.持续智能(Continuous Intelligence)
持续数据可不仅仅是实时数据的时髦说法。它是一种设计模式,指将实时分析与业务运营相结合,处理当前和历史数据以规定响应事件的行动。
“持续智能代表了数据和分析团队工作的重大变化,”Gartner研究副总裁Rita Sallam说。“分析和BI(商业智能)团队在2019年帮助企业做出更明智的实时决策,这是一个巨大的挑战,也是一个巨大的机会。它可以被看作是运营商业智能的终极目标。”
到2022年,超过一半的重要新业务系统将采用持续智能,使用实时上下文数据来改善决策。
4.可解释的 AIExplainable AI)
AI已经越来越多地用于数据管理,但AI解决方案如何解释为什么他们得出某些结论?这是可解释的人工智能的用武之地。
数据科学和机器学习平台中的可解释AI是关于在自然语言中准确性,属性,模型统计和特征方面生成数据模型的解释。
5.图形分析(Graph)
图形分析是一组分析技术,可帮助企业探索关注实体(如交易,流程和员工)之间的关系。
到2022年,图形处理和图形数据库管理系统的应用将以每年100%的速度增长。
6.数据结构(Data Fabric)
数据结构是指单一且一致的数据管理框架。它着眼于在分布式数据环境中实现无摩擦访问和数据共享,而不是孤立存储。
到2022年,定制数据结构配置将主要用作静态基础架构,迫使组织进行新一轮的成本控制,以完全重新设计更动态的数据网格方法。
7.NLP /会话分析(NLP/Conversational Analytics)
到2020年,50%的分析查询将通过搜索,自然语言处理(NLP)或语音生成,或者将自动生成。
分析复杂的数据组合并使组织中的每个人都可以访问分析的需求将推动更广泛的采用,使分析工具像搜索界面或与虚拟助手的对话一样简单。
根据另一项单独研究,NLP 用例非常庞大,预计到 2020 年 NLP 市场价值将达到 134 亿美元。
8.商用人工智能和机器学习(Commercial AI and ML)
Gartner表示,到2022年,75%利用ML和AI技术的新终端用户解决方案将采用商业解决方案而非开源平台构建。
商业供应商已经在开源生态系统中创建了连接器,它们为组织提供了扩展AI和ML所需的功能,例如项目和模型管理、透明度、复用、数据沿袭,平台凝聚力以及开源技术所缺乏的集成。
9.区块链(Blockchain)
区块链等分布式分类账本技术在数据分析领域看起来很有前景,因为它们可能会在不受信任的参与者网络中提供分散的信任。
分析用例的影响很大,特别是那些利用参与者关系和交互的分支。
但是,根据Gartner的说法,未来几年,区块链将在这个领域完全起飞。与此同时,企业将部分地与区块链技术和标准集成,这些技术和标准很可能由其主要客户或网络决定。这包括与您现有的数据和分析基础架构的集成。
10.持久性内存服务器(Persistent Memory Servers)
持久存储器技术旨在降低采用内存计算(IMC)的架构的成本和复杂性。持久性内存代表DRAM和NAND闪存之间的新内存层,可为高性能工作负载提供经济高效的大容量内存。
根据Gartner的说法,它有可能升级应用程序性能,可用性,启动时间,集群方法和安全实践。它还将通过减少数据复制的需要,帮助组织降低其应用程序和数据体系结构的复杂性。
“数据量正在激增,实时将数据转化为价值的紧迫性正以同样快的速度增长,”Feinberg说。 “新的服务器工作负载不仅要求更快的CPU性能,还要求大容量内存和更快的存储。”

更多干货内容,欢迎关注公众号:数猎天下DataHunter
-数据分析展示就用 DataHunter-

    推荐阅读