近日在悉尼舉行的Gartner數據與分析峰會上，Gartner研究副總裁Rita Sallam表示，數據和分析***必須分析這些趨勢對業務的潛在影響，并相應調整業務模式和運營，否則就有失去競爭優勢的可能。

她說：“數據和分析技術不斷發展，從支持內部決策到持續的智能、信息產品和任命***數據官。深入了解技術趨勢對于推動這一不斷變化的趨勢，并根據業務價值對其進行優先排序，這些都至關重要。”

根據Gartner副總裁、杰出分析師Donald Feinberg表示，數字化顛覆帶來的挑戰——有太多的數據——也創造了***的機遇。大量數據以及由云實現的日益強大的處理能力，意味著現在我們可以大規模地訓練和執行必要的算法，以最終發揮人工智能的全部潛力。

Feinberg說：“數據的大小、復雜性和分布式特性，以及數字化業務要求的行動速度以及持續智能，意味著需要打破僵化的、集中式的架構和工具束縛。任何企業的持續生存，都將取決于靈活的、以數據為中心的架構，以響應不斷變化的速度。”

Gartner建議數據和分析***與高級業務負責人討論一下他們的關鍵業務優先級，并探索以下主要趨勢如何實現這些優先級：

趨勢1：增強分析

增強分析是數據和分析市場的下一波顛覆性發展趨勢。增強分析采用機器學習和人工智能技術來轉換開發、消費和共享分析內容的方式。

到2020年，增強分析將成為分析和BI、數據科學和機器學習平臺、嵌入式分析新增采購的主要驅動力。數據和分析***為在平臺功能成熟的時候采用增強分析技術做好計劃。

趨勢2：增強數據管理

增強數據管理、利用機器學習和人工智能引擎來劃分企業信息管理類別，包括數據質量、元數據管理、主數據管理、數據集成、數據庫管理系統(DBMS)自我配置和自我調整。增強數據管理能夠讓很多手動任務實現自動化，并讓那些技術水平較低的用戶更加自主地使用數據，此外還可以讓高技能技術資源專注于更高價值的任務。

增強數據管理將元數據轉換為僅用于審計、沿襲和報告等用途，以及為動態系統提供動力。元數據從被動轉為主動狀態，成為所有人工智能/機器學習的主要驅動因素。

到2022年底，通過增加機器學習和自動化服務水平管理，數據管理手動任務量將減少45%。

趨勢3：持續智能

到2022年，將有超過一半的主要新業務系統將采用持續智能，利用實時上下文數據來改善決策。

持續智能是一種設計模式，在這種模式中，實時分析被集成到業務操作中，處理當前數據和歷史數據以規定響應事件的操作。持續智能提供了決策自動化或決策支持，采用了如增強分析、事件流處理、優化、業務規則管理和機器學習等多種技術。

Sallam表示：“持續智能代表了數據和分析團隊工作的一個重大變化。在2019年，分析和商業智能團隊幫助企業做出更明智的實時決策，將是一個巨大的挑戰，同時這也是一個巨大的機會，這可以被看作是運營商業智能的***目標。”

趨勢4：可解釋的人工智能

人工智能模型被越來越多地用于增強和取代人類決策。但是，在某些情況下，企業必須證明這些模型是如何做出決策的。為了與用戶和利益相關者建立信任，應用負責人必須讓這些模型的可解釋性更高。

遺憾的是，大多數先進的人工智能模型都是復雜的黑盒子，無法解釋它們是如何得出推薦和決策結果的。在數據科學和機器學習平臺，可解釋的人工智能能夠自動生成一個用自然語言解釋精確性、屬性、模型統計和特征的解釋模型。

趨勢5：圖形

圖形分析是一組分析技術，可以探索組織、人員和交易等利益實體之間的關系。

到2022年，圖形處理和圖形DBMS應用將以每年100%的速度增長，不斷加速數據準備，并實現更復雜和自適應的數據科學。

據Gartner稱，圖形數據存儲可以跨數據孤島有效地建模、探索和查詢數據，但是對專業技能的需求限制了對這種技術的采用。

由于需要提出關于復雜數據的復雜問題，而使用SQL查詢是不切實際或者大規模無法實現的，因此促使圖形分析將在未來幾年內實現快速增長。

趨勢6：數據結構

數據結構可以在分布式數據環境中實現無摩擦的數據訪問和數據共享。它支持單一且一致的數據管理框架，可通過跨孤島存儲進行設計實現無縫的數據訪問和數據處理。

到2022年，定制的數據結構設計將主要被部署為靜態基礎設施，迫使企業組織面對完全重新設計更動態數據網格方法的新成本浪潮。

趨勢7：NLP/會話分析

到2020年，將有50%的分析查詢是通過搜索、自然語言處理(NLP)或語音生成的，或者是自動生成的。分析復雜的數據組合并使企業組織中的每個人都可以訪問分析的需求，將推動更廣泛的采用，讓分析工具像搜索界面或與虛擬助理對話一樣簡單。

趨勢8：商業化人工智能和機器學習

Gartner預測，到2022年，利用人工智能和及其學習技術的新最終用戶解決方案中，將有75%是采用商業解決方案而非開源平臺構建的。

廠商們現在已經開發了連接到開源生態系統的連接器，為企業提供擴展人工智能和機器學習以及實現民主化所必要的功能，例如項目和模型管理、復用、透明度、數據沿襲以及開源技術缺乏的平臺集成。

趨勢9：區塊鏈

區塊鏈和分布式賬本技術的核心價值，是在不受信任的參與者網絡中提供去中心化的信任。分析用例的潛在影響很大，尤其是那些利用參與者關系和交互影響的用例。

然而，在四到五個主要區塊鏈技術成為主導之前，還需要若干年的時間。在此之前，技術最終用戶將被迫與主要客戶或網絡指定的區塊鏈技術和標準進行集成，包括與你現有的數據和分析基礎架構的集成。整合成本可能掩蓋了任何潛在的好處。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：持久內存服務器

新的持久內存技術將有助于降低采用內存計算(IMC)架構的成本和復雜性。持久內存代表DRAM和NAND閃存之間的一個新內存層，可以為高性能工作負載提供經濟高效的大容量內存。這種技術有可能改善應用的性能、可用性、啟動時間、集群方法和安全實踐，同時控制成本。，此外還可以通過減少數據復制的需要，幫助企業組織降低應用和數據體系結構的復雜性。

Feinberg說：“數據量正在快速增加，將數據實時轉化為價值的緊迫性，也同樣在快速增長。新的服務器工作負載不僅要求更高的CPU性能，還要求大容量內存和更快的存儲。”