Gartner的研究副總裁Rita Sallam今天在悉尼舉行的Gartner數據和分析峰會上表示，數據和分析領導人必須審視這些趨勢給業務帶來的潛在影響，并相應調整業務模式和運營，否則有可能喪失競爭優勢。

她說：“數據和分析領域的形勢在不斷變化，從支持內部決策到持續型智能、信息產品和任命***數據官。更深入地了解推動這種不斷變化的形勢的技術趨勢，并根據業務價值對它們確定優先級顯得至關重要。”

據Gartner副總裁兼杰出分析師Donald Feinberg聲稱，數字化顛覆帶來的挑戰（數據太多）也創造了***的機遇。海量數據加上云帶來日益強大的處理功能，這意味著現在可以大規模地訓練和執行算法，而最終實現AI的全部潛力勢必需要這么做。

Feinberg先生說：“數字化業務需要大量復雜且分布式的數據、迅速行動以及持續型智能，這意味著僵化且集中式的架構和工具分崩離析。任何企業的持續生存將取決于靈活的且以數據為中心的架構，可應對不斷變化的形勢。”

Gartner建議數據和分析領導人與高級業務負責人討論他們的關鍵業務優先級，并探討下列幾大趨勢如何助力自己。

趨勢1：增強型分析

增強型分析是數據和分析市場的下一波顛覆。它使用機器學習和AI技術來徹底改變開發、消費和共享分析內容的方式。

到2020年，增強型分析將成為促使企業新購買分析及商業智能（BI）、數據科學及機器學習平臺以及嵌入式分析技術的主要驅動因素。數據和分析領導人應計劃在平臺功能趨于成熟時采用增強型分析。

趨勢2：增強型數據管理

增強型數據管理充分利用機器學習功能和AI引擎來搞好幾類企業信息管理，包括數據質量、元數據管理、主數據管理、數據集成以及數據庫管理系統（DBMS）自我配置和自我調整。它使許多手動任務實現自動化，讓技術不太嫻熟的用戶得以更獨立自主地使用數據。它還讓技能嫻熟的人員得以專注于更重要的任務。

增強型數據管理將元數據由僅用于審計、沿襲和報告變成支持動態系統。元數據正由被動變成主動，正成為所有AI/機器學習的主要驅動因素。

到2022年底，有望通過增加機器學習和自動化服務級別管理，將數據管理手動任務減少45%。

趨勢3：持續型智能

到2022年，一半以上的主要新業務系統將采用利用實時上下文數據來改善決策的持續型智能。

持續型智能是一種設計模式；按照這種模式，實時分析技術集成到業務運營中，處理當前數據和歷史數據，以確定響應事件的操作。它提供決策自動化或決策支持。持續型智能利用多種技術，比如增強型分析、事件流處理、優化、業務規則管理和機器學習。

Sallam女士說：“持續型智能代表數據和分析團隊的工作發生了重大變化。這既是巨大挑戰，又是巨大機會，分析和BI（商業智能）團隊可以在2019年幫助企業做出更明智的實時決策。可以將它視作操作型BI的***版。”

趨勢4：可解釋型AI

企業日益部署AI模型以增強和取代人類決策。然而在一些情況下，企業必須證明這些模型如何做出決策。為了贏得用戶和利益相關者的信任，應用軟件***必須使這些模型更易于解釋。

遺憾的是，大多數這些先進的AI模型都是復雜的黑盒子，無法解釋它們為何得出特定的推薦或決策。比如說，數據科學和機器學習平臺中的可解釋型AI可自動生成模型的解釋，用自然語言從準確性、屬性、模型統計和特征等方面解釋模型。

趨勢5：圖形分析

圖形分析是一組分析技術，便于探究組織、人員和事務等相關實體之間的關系。

圖形處理和圖形DBMS的運用將以每年100%的速度增長，一直持續到2022年，不斷加快數據準備，并支持更復雜、更適應的數據科學。

據Gartner聲稱，圖形數據存儲系統可以跨數據孤島高效地建模、探究和查詢有著復雜關系的數據，但迄今為止需要專業技能限制了它們的采用。

由于需要跨復雜數據詢問復雜問題，圖形分析在今后幾年會迎來增長，跨復雜數據詢問復雜問題在大規模環境下使用SQL查詢并不總是切實可行或甚至可能的。

趨勢6：數據結構（data fabric）

數據結構可以順暢無阻地訪問和共享分布式數據環境下的數據。它支持單一、一致的數據管理框架，因而可以跨原本孤立的存儲環境無縫地訪問和處理數據。

到2022年，定制的數據結構設計將主要部署成靜態基礎設施，迫使企業組織迎來新一波的成本控制浪潮，針對更動態的數據網格方法全面重新設計。

趨勢7：NLP /對話式分析

到2020年，50%的分析查詢將通過搜索、自然語言處理（NLP）或語音來生成，或者將自動生成。需要分析復雜的數據組合，并使企業組織中的每個人都易于訪問分析技術，這將推動更廣泛的采用，使分析工具如同搜索界面或借助虛擬助理的對話一樣簡易。

趨勢8：商業AI和機器學習

Gartner預測，到2022年，利用AI和機器學習技術的新的最終用戶解決方案中75%將采用商業解決方案而非開源平臺來構建。

商業供應商現在已經構建了連接到開源生態系統的組件，它們提供了擴展并普及AI和機器學習所必需的企業功能，比如項目及模型管理、重復使用、透明度、數據沿襲以及開源技術缺乏的平臺凝聚力和集成。

趨勢9：區塊鏈

區塊鏈和分布式賬本技術的核心價值主張是，跨不受信任的參與者網絡提供去中心化的信任。區塊鏈在數據分析這種使用場合大有影響，對利用參與者關系和交互的那些企業來說影響尤其大。

然而，幾年后四五種主要的區塊鏈技術會成為主導者。在此之前，技術最終用戶將被迫與其主導性的客戶或網絡所要求的區塊鏈技術和標準整合起來。這包括與你現有的數據和分析基礎設施整合起來。整合成本可能超過任何潛在的好處。區塊鏈是數據源，而不是數據庫，不會取代現有的數據管理技術。

趨勢10：持久性內存服務器

新的持久性內存技術將有助于降低采用基于內存計算（IMC）的架構的成本和復雜性。持久性內存代表DRAM和NAND閃存之間一個新的內存層，可為高性能工作負載提供經濟高效的大容量內存。它有望改善應用軟件的性能、可用性、啟動時間、集群方法和安全實踐，同時牢牢控制成本。它還可以減少對數據復制的需要，幫助企業組織降低其應用軟件和數據架構的復雜性。

Feinberg先生說：“數據量正在快速增長，將數據實時轉化成價值的緊迫性正以同樣快的速度增長。新的服務器工作負載不僅需要更高的CPU性能，還需要大容量內存和更快的存儲系統。”