数据和分析职位的领导者必须审视这些趋势对其业务的潜在影响，并相应地调整其业务模式和运营，否则他们可能会失去竞争优势。
增强数据分析、增强数据管理、持久智能、可解释AI、数据结构、NLP/对话式分析、商业AI和ML、区块链和持久内存服务器共同构成了Gartner 2019年数据与分析技术十大趋势。
最近两天，2月18-19日，在悉尼举行的Gartner数据与分析峰会上，增强的数据分析和可解释的人工智能成为焦点。
知名研究机构Gartner表示，增强的数据分析、持久的智能和可解释的人工智能是数据和分析技术的主要趋势之一，在未来三到五年内具有重大的颠覆性潜力。
Gartner副总裁、杰出分析师唐纳德·范伯格(Donald Feinberg)认为，数字化颠覆带来的挑战——太多的数据——也创造了前所未有的机遇。大量的数据和云实现的日益强大的处理能力意味着，现在可以大规模地训练和执行必要的算法，以最终实现AI的全部潜力。
唐纳德说，“任何企业的持续生存都将依赖于一个灵活的、以数据为中心的架构来应对不断变化的速度。」
他还说，“数字业务需要大量复杂和分布式的数据、快速的行动和持续的智能，这意味着僵化和集中的架构和工具分崩离析。」
数据和分析的领导者Gartner的研究副总裁Rita Sallam必须审视这些趋势对业务的潜在影响，并相应地调整业务模式和运营，否则可能会失去竞争优势。
“数据和分析的情况在不断发展，从支持内部决策到持续的情报、信息产品和任命首席数据官，”丽塔说。“深入了解它们对于推动这一不断变化的技术趋势并根据业务价值对它们进行优先排序至关重要。」
Gartner建议数据和分析领导者与高级业务领导者讨论他们的关键业务优先级，并探索以下主要趋势如何实现这些优先级。
趋势:增强的数据分析
作为数据分析的高级增强阶段，增强分析可以为分析计划带来更多自动化动能和创新洞察。因为在正式的数据分析之前，需要对数据进行提取、清洗和融合，以提高数据分析的效率和准确性，方便决策。增强分析可以帮助普通用户在没有数据科学专家或IT人员帮助的情况下访问有效数据，并测试和验证理论和假设。
增强数据分析专注于增强智能的特定领域，使用机器学习来改变开发、使用和共享分析内容的方式。
目前，中国正在加强这一技术突破，包括几大数据计算厂商，如阿里云、云、华为云等。，通过百万级数据的计算和聚合，实现真实计算能力的优化，从而在未来实现更多的突破，比如智能大脑领域。
Gartner预测，到2020年，增强分析将成为分析和商业智能解决方案的主要卖点，当平台功能成熟时，相关业务领导者应率先采用增强分析。
学习和人工智能，增强的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，并可以自动化数据准备、洞察获取和洞察可视化的过程，在许多情况下无需专业的数据科学家。
2:增强的数据管理
增强数据管理利用机器学习功能和AI引擎进行数据管理分类，包括数据质量、元数据管理、主数据管理、数据集成以及数据库管理系统自配置和自调整。
增强的数据管理将元数据从仅用于审计、跟踪和报告转变为支持动态系统。元数据正在从被动变为主动，正在成为所有AI/ML的主要驱动力。
它可以自动执行许多手动任务，并为技术水平较低的用户提供使用数据的机会。它还有助于高技能技术资源专注于更有价值的任务。
趋势:持续智能
持久数据不仅是实时数据的一种新方式；相反，它是一种设计模式，其中实时分析与业务操作相结合，处理当前和历史数据以指定响应事件的操作。
它提供决策自动化或决策支持。持续智能使用多种技术，如增强分析、事件流处理、优化、业务规则管理和机器学习。
Gartner研究副总裁Li Sallam humanology表示:“持续智能代表着数据和分析团队工作的重大变化。“分析和BI团队帮助企业在2019年做出更智能的实时决策，这是一个巨大的挑战，也是一个巨大的机遇。可以算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，并使用实时上下文数据来改善决策。
趋势:可解释的人工智能
人工智能模型越来越多地用于增强和取代人类决策。但是，人工智能解决方案如何解释它们为什么会得出某些结论？
这些先进的AI模型大多是复杂的黑盒，无法解释它们为什么会达成一个特定的建议或决策。
这就是可解释的人工智能的用武之地。
比如数据科学和机器学习平台中的可解释AI，可以自动生成模型的解释，用自然语言从精度、属性、模型统计、特征等方面对模型进行解释。
5.趋势:图形分析
图形分析是一套分析技术，可以帮助企业探索交易、流程和员工等实体之间的关系。
到2022年，图形处理和图形数据库管理系统的应用每年将增长100%。
根据Gartner的说法，图形数据存储可以有效地跨数据仓库建模、探索和查询数据，但对专业技能的需求限制了它们的采用。
由于需要在复杂的数据中提出复杂的问题，图形分析将在未来几年内增长，这在使用SQL查询时并不总是实用的，甚至是不可能的。
6:趋势:数据结构
数据结构是一个单一和一致的数据管理框架。它侧重于在分布式数据环境中实现无摩擦访问和数据共享，而不是孤立的存储。
到2022年，定制数据结构配置将主要用作静态基础设施，迫使组织进入新一轮成本控制，以彻底重新设计更动态的数据网格方法。
趋势:自然语言处理/对话分析
到2020年，50%的分析查询将通过搜索、自然语言处理或语音生成，或者自动生成。
分析复杂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。
根据另一项独立研究，NLP用例非常庞大，预计到2020年NLP的市值将达到134亿美元。
8:商业人工智能和机器学习
到2022年，75%使用ML和AI技术的新终端用户解决方案将由商业解决方案而非开源平台构建。
厂商在开源生态系统中创建了连接器，为组织提供了扩展的AI和所需的功能，如项目和模型管理、透明性、重用、数据沿袭、平台内聚以及开源技术中缺乏的集成。
9:区块链
企业可以使用区块链解决数据管理问题吗？
数据管理对首席技术官来说是一个持续的挑战，但Bluzelle的首席执行官Pavel Bains认为区块链技术可以提供一个解决方案。
区块链和分布式账本技术的核心价值主张是在不受信任的参与者的网络中提供分散的信任。区块链对数据分析有很大的潜在影响，尤其是对那些利用参与者关系和互动的企业。
然而，四五种主要的区块链技术成为主导还需要几年时间。
然而，区块链是一个数据源，而不是一个数据库，不会取代现有的数据管理技术。
趋势10:持久存储服务器
持久存储器技术旨在使用存储器计算来降低架构的成本和复杂性。永久存储器代表了介于DRAM和NAND闪存之间的一种新的存储层，可以为高性能工作负载提供高性价比的大容量存储器。
“数据量正在爆炸式增长，将数据实时转化为价值的紧迫性也在以同样的速度增长，”唐纳德说。“新的服务器工作负载不仅需要更快的CPU性能，还需要大容量内存和更快的存储系统。」
