数据分析的未来

每个企业都必须知道的关键趋势

大约在十年前,大数据分析的潜在价值开始对所有行业的企业领袖越来越明显, 全世界. 这在很大程度上是由于峭壁造成的 体积 of data that organizations and individuals were generating; it was an abundance that threatened to expand into a glut. 数据分析工具 这有助于企业找到清晰的见解,并从数据中得出可操作的结论,从而成为解决这个问题的清晰方案.

现在,随着十大电子游艺平台首选进入新的十年的最初几年, 很明显,数据分析的重要性将继续稳步增长. 这是一个信息指数增长的新时代, 扩大云架构, 新颖的设计模式, 这也增加了那些负有监督责任的人的风险, 存储, 分布, 分析, 以及利用企业数据. 没有人能够以任何一种致命的确定性预测数据分析的未来, 但一些趋势可以被广泛地识别出来. 将会有令人兴奋的突破和值得注意的挑战需要克服.

未来数据分析的关键趋势

人工智能和机器学习在数据分析中日益重要的作用

当今世界的人工智能(AI)看起来并不像几十年前伟大的科幻作家和电影导演所设想的那样. 也就是说, 不可否认的是,它在十大电子游艺平台首选的职业和个人生活中无处不在,或者它在分析的管理和优化中扮演着至关重要的角色.

出于许多原因,机器学习(ML)是人工智能在数据分析方面最重要的分支. 复杂的ML算法可以处理, 分发, 并在几分钟甚至几秒钟内分析大量的结构化或非结构化数据. 但更重要的是,ML平台不断地从传递给它们的数据中学习.

这不仅允许ML操作的不断自我细化,从而稳步提高质量, 但它也释放了预测分析和规范分析的潜力. 在福布斯技术委员会的一篇客座文章中, InfoVision首席技术和创新官Chithrai Mani解释说,企业已经开始这样做了 使用基于ml的可操作的洞察力 进行更准确的市场调研, 预测单个客户和大量消费者的行为, 并在无数运营领域设计改进策略:从市场营销和客户服务到供应链管理和维护.

因此,ML的使用是最值得注意的,这就不足为奇了 数据分析趋势 在接下来的几年里. 据Gartner, by 2024, 75%的企业将从人工智能和机器学习试点项目转向这些技术的全面应用. ML具有激发决策建模等过程的潜力, 个性化, 和数据管理, 它将在边缘变得更加普遍, 考虑到那里要处理的数据量. 正如数据科学中心所指出的,这些努力的成功将需要 高质量的工程数据.

高德纳公司的另一份报告指出,企业提高人工智能运营水平至关重要, 包括毫升, 为了应对不断扩大的数据量 组织越来越依赖它. 该公司还指出,随着新冠疫情引发的经济巨变,历史数据在分析中的重要性将有所下降. 像这样, ML工具将不得不适应基于较少信息的计算, 但这项技术的本质表明,它能够应对这一挑战.

更多的数据在多云,混合云和云间架构

企业正在将大量的工作负载和相关数据转移到云上:到2022年,75%的数据库将基于云计算, 每Gartner的预测, 到2023年, 数据库管理系统(DBMS)市场的一半收入将来自云DBMS的采用. 有, 当然, still plenty of reasons to keep certain data on-premises; migration does not have to be total to have great value. 但考虑到Gartner的数据, 很难想象这种云迁移趋势会逆转,甚至显著放缓.

这一趋势所涉及的数据的数量和种类意味着许多企业不是迁移到一个云,而是迁移到多个云:

  • 那些选择 多重云 方法是使用来自一个或多个云服务提供商(CSPs)的多个云。.
  • 混合云 需要同时使用本地基础设施和公共云资源.
  • Intercloud 将多个csp的公共云连接成一个整体架构. 这种跨云利用策略允许自动移动工作负载,并帮助根据实时业务需求利用每个云的特定优势.

某些云服务也已经出现,以满足特定业务部门的需求. 据VentureBeat报道,这种趋势包括 所谓的“工业云”解决方案 比如微软制造云,以及基于saas的电子健康记录(EHR)工具的使用.

从商业分析的角度来看, 值得注意的是,像微软这样的主要提供商提供的通用和特定行业的云服务之间可能还没有明显的区别, 亚马逊, 和谷歌. 但是,对于那些担心标准公共云产品是否有能力满足其行业需求的组织来说,这种发展可能仍然值得探索.

无论企业选择哪种类型的部署进行云迁移, 至关重要的是要确保他们的 数据分析技术 工具是云计算.

数据网格设计模式的兴起

充分利用数据分析, 企业不能简单地考虑数据存储在哪里, 但也必须考虑它是如何安排的——它的轮廓和结构. 在过去一年左右的时间里,有很多关于这些术语的讨论 数据湖,数据仓库,数据湖屋数据网格和数据结构,仅举几个例子,所有这些都可能有点令人困惑.

为了避免混淆, 十大电子游艺平台首选主要关注其中之一:数据网格. 在这种方法中,企业操作的不同领域的数据域(例如,数据域).g., 市场营销和会计)是彼此独立控制的——几乎像竖井一样, 即使他们不是——那些最接近他们业务部门的数据的人.

如果每个域都有单独的模式(Teradata推荐的一种方法),那么在企业数据集中为单个模式的情况下,几乎不会出现瓶颈. 根据需要,每个域都遵循数据治理规定, 在一个领域内开发的数据产品是根据一致同意的互操作性标准来设计的,这样它们就可以被它们的对手使用. 也, 在数据网格中, 域模式可以被隔离, 位于单个数据库下, 或者简单地相互连接, 后两种方法特别适合于企业分析.

数据网格可以加速复杂数据产品的开发和交付, 同时也使得在整个企业中共享它们变得更加容易. 这对于任何公司的跨职能团队来说都是一个关键的优势——这些团队必须同时认识到运营的多个方面.

必须说,数据网格化会导致一定的困难. 它的本质是创建大量的数据集. 这会导致复制, 性能和质量下降,以及治理挑战. 但对于大型企业来说, 域去中心化对于确保最有效地利用跨多个域的数据非常有用. 十大电子游艺网站 QueryGrid 解决方案可以是数据网格所有权和维护框架的理想伴侣.

对数据科学家和cdo的需求不断增长

数据分析管理的另一个主要趋势涉及那些执行分析的“具体细节”工作,并揭示其中的见解的人.

为一个, 数量并不多:根据2020年5月美国劳工统计局(Bureau of Labor Statistics, BLS)发布的2020年5月数据(这是能获得准确数据的最新日期),这一数字不足60个,000年“数据科学家,”“数据工程师,或在美国劳动大军中拥有类似头衔的个人. 供应 仍然无法满足需求而且,对具备这类技能的人的需求似乎不太可能减少. 此外,Burtch Works在2021年对分析专业人士和数据科学家的调查中发现 他们的工资中值仍然很高 尽管疫情大流行,但对这些专家服务的竞争将非常激烈.

根据麻省理工学院斯隆管理学院, 已经在工资单上有首席数据官(CDOs)的企业可能有一个解决方案:为员工提供培训 在数据科学领域之外 关于数据分析的基本原则和技术. Towards 数据科学注意到许多数据专业人士 没有这个领域的学位 但从其他领域过渡到它,通过实践学习. 在一个有效的CDO的管理下,企业可以创造“公民数据科学家“走出员工,培养一种积极分析的文化. 如果数据专家和科学家仍然短缺, 越来越多的组织可能会采用这种策略.

这四种趋势并不是数据分析领域唯一需要遵循的发展趋势,Teradata团队正在努力跟踪它们. 看看十大电子游艺平台首选的博客,了解分析的重要性 商人收购5 g技术 embedded-analytics方法,以及更多.