谈谈@@2023年@@数据@@治理@@的@@@@5大趋势@@@@

　　2023年@@数据@@将继续在商业行业和@@经济体中流动@@。有了更多@@的@@渠道@@、更快的@@速度和@@包含更多@@的@@洞察力@@，组织将别无选择@@，只能向数据@@驱动的@@业务模型发展@@。企业领导者面临的@@问题是@@：它是积极主动和@@动态的@@@@——还是更加被动并参与追赶@@？

　　前几年@@可能意味着数据@@泛滥使处理和@@提取见解变得更加困难@@。在大数据@@挑战更多@@围绕存储和@@安全性的@@时代@@。现在情况正在发生巨大变化@@。我们看到@@越来越多的@@组织开始意识到@@其数据@@驱动的@@潜力@@。成功的@@用例广泛且跨行业@@。

　　随着数据@@价值达到@@新高@@，管理数据@@驱动决策的@@基本规则没有改变@@。要做出正确的@@决策@@，您需要高质量的@@数据@@@@。您需要知道@@您拥有@@什么@@、它位于何处@@、它的@@沿袭是什么以及哪些业务规则决定了它的@@结构@@、内容和@@有效性@@。如果您的@@数据@@质量低下或您的@@数据@@资产管理不善@@，那么您将无法使用它们做出正确的@@业务决策@@。

　　随着数据@@的@@作用和@@数据@@驱动的@@决策制定的@@增加@@，以及可用数据@@的@@总体数量和@@速度的@@增长@@，数据@@治理@@也在不断发展@@，以满足不断变化的@@业务需求@@。2023年@@数据@@治理@@的@@@@最大趋势@@@@是什么@@？

　　“ 到@@2025年@@，30%的@@Gartner客户将使用@@“需要共享@@”方法@@而不是@@传统的@@@@“需要知道@@”方法@@来保护他们的@@数据@@@@。“

　　1.云数据@@治理@@@@

　　从远程工作到@@人工智能@@@@，云继续支撑着现代商业的@@重塑@@。超过@@70%的@@组织已将至少部分工作负载迁移到@@公共云中@@。然而@@，成为云原生的@@竞争并非没有风险@@，从预算超支到@@迁移延迟@@。

　　“效率低下导致平均每年@@公司的@@迁移支出比计划多@@14%，而且@@38%的@@公司的@@迁移延迟超过@@四分之一@@。”

　　------麦肯锡@@

　　DevOps人才的@@持续短缺将加剧迁移和@@生态系统的@@挑战@@。尤其是在受到@@高度监管的@@行业中@@，传统和@@本地基础设施占很大比重@@，不同的@@工作负载不太适合@@“提升和@@转移@@”方法@@。组织将需要寻找其他方法@@来保持竞争力@@，例如自动化和@@自助数据@@分析@@。

　　这些基于云的@@管理系统提供了一种转换原始数据@@并在正确的@@时间将其交付给正确的@@用户的@@方法@@@@。无需@@IT或数据@@分析师先准备报告@@。相反@@，可以按需存储和@@访问大量数据@@@@。超越使用数据@@仓库的@@传统和@@静态方法@@@@，而是为每个用户及其相关用例带来可定制的@@仪表板@@。

　　至关重要的@@是@@，基于云的@@服务现在越来越多地得到@@@@AI和@@ML产品的@@支持@@。这些释放了企业应用人工智能@@优化现有流程的@@潜力@@，例如通过自动化工作流程@@。还可以根据历史请求应用学习元素@@，确保现代数据@@治理@@的@@持续改进周期@@。

　　2.自适应人工智能@@@@

　　在当今瞬息万变的@@世界中@@，“一切照旧@@”的@@概念要求提高灵活性@@、活力和@@适应生存的@@准备@@。预计@@2023年@@将通过自适应人工智能@@@@的@@兴起来实现这一点@@。系统根据新数据@@不断学习@@、调整和@@重新训练模型@@。它不同于传统的@@和@@更静态的@@人工智能@@@@，后者需要人类开发人员更新模型并防止它们变得过时或过时@@。

　　通过有效地@@“内置@@”持续学习@@，人工智能@@将需要更少的@@人工干预@@。更重要的@@是@@，从数据@@中自适应学习的@@能力将产生新的@@见解来支持执行决策@@，从而使企业能够引入应用可观察性@@。这是可以分析基于@@AI的@@决策以获得进一步建议的@@地方@@。然后可以创建一个反馈循环来跟踪以前的@@结果@@。由此产生的@@基于证据的@@见解可用于提高预测的@@准确性并为未来的@@战略提供信息@@。

　　“到@@2026年@@，采用@@AI工程实践来构建和@@管理自适应@@AI系统的@@企业将在运行人工智能@@模型所需的@@数量和@@时间上超过@@同行至少@@25%。

　　------Gartner

　　自适应人工智能@@@@有可能解决机器学习@@模型带来的@@一些历史挑战@@。在离群值经常影响训练数据@@的@@情况下@@，每次@@迭代都会以指数方式扭曲结果@@，而不是@@被忽视@@。当然@@，真正新颖的@@观察或现实世界变化的@@影响可能很容易在小数据@@集中检测到@@@@。而在@@AI所需的@@数量中@@，此类异常值更难确定@@。因此@@，自适应人工智能@@@@可以降低这种算法偏差的@@风险@@。通过动态调整流程@@，自适应人工智能@@@@还可以通过应用更智能的@@自动化来帮助企业确保更有效的@@治理@@。

　　3、实时数据@@@@

　　数据@@使企业保持运转@@，但实时数据@@@@提供了竞争优势@@。从以毫秒为单位进行交易的@@金融机构到@@批准付款和@@处理@@PII的@@电子商务商店@@。在按需自助服务体验的@@推动下@@，对实时数据@@@@的@@进一步需求将来自不断提高的@@客户期望@@。与批量数据@@管道相比@@，创建实时数据@@@@管道还可以降低处理成本@@。批处理数据@@必须从源头反复查询@@，而实时只需要对新数据@@或事件做出反应@@。

　　一些用例只需要基于批处理的@@管道来处理历史数据@@@@。然而@@，随着数据@@集和@@相关的@@治理要求越来越大@@，许多组织将不得不进行一些大型基础设施调用@@。这种演变的@@规模@@，加上所需的@@处理能力和@@能力@@，是数据@@分析自动化到@@@@2023年@@将发挥如此重要作用的@@原因@@。从自动执行订单的@@简单脚本@@，到@@自动检测异常或风险活动的@@复杂算法@@。

　　能够成功利用自动化的@@组织将能够提高生产力@@、更快地发现洞察力并更好地管理复杂变量@@。它只需要正确选择平台@@@@。数据@@生命周期可以自动化@@，但仍提供具有所需可见性级别的@@统一事实来源@@@@。

　　4.数据@@访问治理@@

　　数据@@隐私@@、保护和@@治理在世界各国政府@@的@@待办事项清单上名列前茅@@。

　　欧盟的@@@@GDPR、加拿大的@@@@PIPEDA和@@中国的@@@@PIPL——这些和@@其他国家已经表明@@，大规模调整立法是可能的@@@@。这种势头使数据@@治理@@和@@数据@@访问控制成为@@2023年@@业务战略的@@核心@@。

　　“截至@@2020年@@，全球@@10%的@@人口的@@个人数据@@受到@@现代隐私法规的@@保护@@。到@@2023年@@，预计@@全球@@总人口的@@@@65%的@@个人数据@@将受到@@隐私法规的@@保护@@。

　　当多个业务职能协调一致时@@，这些趋势@@将在@@2023年@@及以后带来许多机会@@。从外部角度来看@@，展示合规性可以作为品牌差异化因素@@，在消费者中建立信任@@。从内部角度来看@@，自动化数据@@治理@@和@@策略管理提高了整个企业的@@生产力@@。员工可以自由访问他们需要的@@数据@@@@，而无需@@手动检查他们是否合规@@。数据@@可以动态到@@达@@，用于聚合@@、共享和@@与其他@@BI工具集成@@。当然@@，它始于遵守必要法规的@@基本要求@@。以及灵活性和@@稳健性@@。当这些法规更新时@@，或要求对@@PII进行更多@@控制或围绕无偏差算法提高透明度时@@。一旦数据@@保护框架到@@位@@，数据@@治理@@就可以成为竞争优势@@。重点不是简单地控制数据@@@@，而是更多@@地关注@@需要数据@@的@@人@@。

　　5.数据@@民主化@@

　　到@@2023年@@，对数据@@民主化@@的@@需求将继续上升@@，要求企业摆脱传统的@@自上而下的@@数据@@治理@@方法@@@@。相反@@，重点将放在根据需要将数据@@交到@@尽可能多的@@被批准的@@数据@@消费者手中@@。合规数据@@将变得更易于访问和@@按需提供@@。而不是@@期望人类专业知识必须经常通过手动和@@冗长的@@过程和@@瓶颈来寻找数据@@@@。

　　这将意味着商业智能将更加面向自助服务@@，而不是@@IT的@@专利@@。随着员工越来越多地将数据@@纳入决策和@@协作@@，企业文化也将发生变化@@。

　　“组织越来越希望通过内部协作@@、跨生态系统的@@数据@@共享@@、直接商业化或作为@@AI驱动的@@业务决策的@@基础来利用其数据@@来获得业务优势@@”

　　低代码@@的@@兴起表明了非技术用户可以实现的@@目标@@。从生成丰富的@@数据@@可视化到@@构建应用程序@@。民主化数据@@@@——结构化和@@非结构化@@——是该过程的@@自然演变@@。在优先考虑可用性的@@地方@@，同时降低传统数据@@治理@@流程的@@复杂性和@@刚性@@。

　　人工智能@@和@@机器学习@@在即将到@@来的@@数据@@管理趋势@@中的@@作用@@

　　数据@@管理自动化不仅使普通业务用户能够自行执行复杂的@@数据@@相关任务@@，而且@@确保满足所有法规要求@@。因此@@，越来越多地使用@@AI和@@机器学习@@解决方案和@@工具已成为企业在日益规范的@@数据@@管理生态系统中保持相关性和@@合规性的@@必要条件@@。

　　■越来越多的@@关于地震等自然灾害的@@研究将依赖@@AI、RPA和@@ML驱动的@@大数据@@来进行可操作的@@预测@@。

　　AI和@@ML将完全控制从数据@@中心涌出的@@大数据@@@@——试图捕捉隐藏的@@关系@@，并在人类理解的@@边界内保持和@@投射洞察力@@。

　　■随着全球@@供应商在推出变革性@@AI和@@ML解决方案方面展开并驾齐驱的@@竞争@@，组织现在将拥有@@更广泛的@@可用解决方案选择@@。然而@@，技术和@@工具的@@广泛选择也会让企业领导者和@@决策者进退两难@@，难以做出最适合他们需求的@@选择@@。

　　■人工智能@@技术革命将为@@2023年@@及以后的@@数据@@分析创造新机遇@@。突然崛起数据@@分析自动化将需要企业使用人工智能@@@@、机器学习@@、低代码@@、无代码工具和@@更多@@选项来自动化尽可能多的@@流程@@。

　　■协助管理客户数据@@的@@工具也为实施创造了机会智能自动化@@，这是另一个值得关注@@的@@@@AI趋势@@。

　　■自动化支持数据@@管道的@@敏捷创建@@、管理和@@关闭@@，为任何规模或成长阶段的@@组织提供他们在持续集成@@、持续部署@@(CICD)框架内所需的@@数据@@可见性@@。

　　■到@@2025年@@，人工智能@@驱动@@，“上下文感知@@”分析模型将取代@@60%的@@基于传统数据@@构建的@@现有模型@@。

　　最后@@，业务人员可以将这些@@AI和@@ML解决方案适当地集成到@@他们的@@业务流程中@@，以利用组织数据@@功能来做出有效的@@决策@@、分析当前趋势@@并明确识别关键竞争优势@@。

更多@@精彩@@，请关注@@@@“官方微信@@”