DOITAPP
DOIT数据智能产业媒体与服务平台
立即打开
DOITAPP
DOIT数据智能产业媒体与服务平台
立即打开

如果企业正在构建数据分析能力,不妨先看看Gartner的见解

在许多人看来,数据分析是一个IT名词,但在Gartner看来,数据分析已经成了一个业务能力。

这是Gartner高级研究总监孙鑫(Julian Sun)在媒体沟通会上的一个说法,意在说明数据分析能力对于企业的重要性。

其实,所有人都知道数据分析有价值,但现实是,很多企业经常处于无从下手的阶段,或者下手后效果不理想,问题很多。

针对以上诸多问题,同时结合中国企业面临的一些问题,Gartner进行了一些汇总与分析,并提出了一些建议,一共提到了12点,本文将进行简要分享。

第一点,利用自适应人工智能系统(Adaptive AI Systems)来产出更多有用的AI模型。

从孙鑫的介绍中了解到,许多企业其实都有AI战略,但大部分都并没有将AI模型运营起来。这是现状。

Gartner提出了“AI工程化”的说法,利用一些工程化的方式让AI融入到生产环境中,从而运营出价值。

运营的含义指的是Ops,这一叫法借鉴了常说的DevOps,将DevOps的实践持续反复训练AI模型,从而可以更快速的生成对企业有用的AI模型。

第二点,以数据为中心的人工智能,强调数据管理对于AI的重要性。

孙鑫也提到了一个现状,那就是企业通常只重视AI模型产出的过程,而忽视数据管理支持AI模型产生的部分。

Gartner认为加强数据管理对AI也很重要,认为数据管理的技术和技能,数据质量、数据集成、数据治理是人工智能的基础。因为,AI模型被开发出来之后一切并没有结束,还需要数据持续支撑AI模型的开发。

第三点,元数据驱动的数据编织(Metadata-Driven Data Fabric)自动化的方式提升数据利用效率。

数据利用效率低下是普遍现象,Gartner提出要把数据编织起来,充分利用上元数据的价值,辅以机器学习技术、知识图谱的能力,用自动化的手段进行数据管理,提升数据管理效率,提升数据利用的效率。

第四点,始终分享的数据(Always Share Data),企业的数据分享意愿增强。

Gartner发现,越来越多的企业看到了数据分享所能带来的价值,从而更愿意分享数据。因为,许多企业发现,如果不分享数据,企业会面临更大的竞争压力和失败的风险。

许多企业在分享数据的时候会考虑用数据资产化、数据目录、数据字典等方式,同时,也看中用自动化的手段发现更多相关数据,发现数据的更多可能性。

第五点,背景丰富的数据分析(Context Enriched Analysis)

Gartner预测,到2025年,基于情境驱动/背景驱动的数据分析和人工智能模型,将取代60%建立在传统数据分析上的现有模型。

孙鑫表示,很大一部分原因就在于知识图谱的利用。随着“知识图谱”和“元数据”管理工具以及预测分析工具的结合,提高数据分析的情境条件。

说白了,就是数据分析与应用场景的关联度更高了。利用知识图谱,按图索骥地结合更多元化的数据进行分析,从而得出更有针对性的更有业务价值的分析结果。

在国内,越来越多的企业在思考,如何通过数据化办公软件进行更多的数据分析,比如:利用钉钉、飞书做数据分析的项目,根据所处的情境去查找相应的数据,从而获得更符合业务需求的数据洞察。

第六点,向业务组装型演进(From IT-Embedded to Business-Composed D&A。)

英文含义简单理解为,以IT嵌入式的模式转变为业务组装型的模式。

前者需要IT技术人员进行数据分析并进行开发最后反馈到业务逻辑中,而后者赋予业务人员数据分析的能力,并由业务人员将分析的结果反应到业务中。

Gartner预测,到2025年,50%的IT嵌入式数据分析都将由业务人员用低代码之类的工具,用组装式、模块化的拼凑方式来完成。

正如孙鑫所言,当有越来越多的业务侧用户使用数据分析时,就意味着数据分析正在从IT技术话题转变为业务能力话题。

第七点,Decision Centric D&A(以决策为中心的数据分析)

这也是一个转变。

一般而言,通常都是先基于数据来获得一些洞察,从而作出决策。而Gartner提出的Decision Centric D&A则以业务场景或业务决策为原点,然后,再去考虑如何让数据分析影响业务决策。

决策智能模型

想要做到这一点,需要一个由IT人员和业务人员构成的融合团队,团队协作用数据分析来影响决策,为了帮助企业更好的做决策,Gartner还提出了一个决策智能模型,让更多人在决策层进行数据分析工作。

第八点,缺乏数据分析能力(Data and Analytics Skills and Literacy Shortfall)

Gartner预测,到2025年,大多数企业无法在员工队伍中培养出足够的数据素养来实现数据驱动战略。采购的数据分析方案都因为缺少相关人才,而没有真正利用起来。

针对企业数据素养缺失的现象,Gartner提出了一个“三步走”方案:分别是:对于人才的获取、人才的培养,以及人才的留存。

“获取人才”主要是说,通过业务成果让人认识到价值,从而产生认同并愿意学习。“培养人才”主要说的是,建立数据分析社区,建立数据文化,在社区里去讨论相关话题。“留存人才”指的是在考核中加入在数据分析方面的激励。

Gartner看到,一些中国企业通过一些“竞赛”让数据分析人员展示了业务价值,进而获得更多认可,从而带动了更多人进行学习,最后,企业培养了许多数据分析人才。

第九点,互联治理(Connected Governance),提供直接可用的数据

数据分析需要数据分析人员能拿到可信任的数据,所谓“可信任的数据”指的是,企业提供的数据可以直接拿来用,而不会因此承担责任。

Gartner认为,这需要企业将信任制度化,这就是互联治理(Connected Governance), “互联治理”是一个框架,用于建立一个跨组织、跨业务、跨地域的数据和分析治理层,以实现跨企业的治理结果。

数据治理需要考虑的因素越来越多。企业需要考虑国内外的法律法规,还需要考虑数据质量、数据安全、数据隐私、数据道德、数据的定义模型,数据生命周期的管理等多方面因素,所以,“互联治理”的方式就显得尤为重要。

第十点,AI信任风险和安全管理问题(AI Trust Risk and Security Management)

Gartner曾发现,有大约50%的AI模型因为“安全”和“隐私”问题而没能进入生产环境。

孙鑫解释说,这通常是由于人工智能的信任风险以及在安全管理方面的偷工减料所致,企业因此需要额外花更多的时间和资源进行管理。

孙鑫表示,许多企业都缺少一个完整的流程、工具或者衡量标准,来管理AI的信任和风险,而此类问题也应该引起企业的普遍关注。

第十一点,供应商和区域生态系统(Vendor and Region Ecosystems)

大多数企业在建立数据分析能力时,都会只选一套技术栈,随着区域性管治(比如国产化要求),很多企业都会再次建立符合本地条款的新技术栈,新技术栈的好处是更符合本地生态,坏处是会多一些选型方面的挑战。

Gartner调研发现,许多企业都会选择一家云厂商,但又担心被绑定,但实际上,选用一家“云厂商”数据分析生态会降低管理方面的麻烦,如今,越来越多的企业更倾向于用一家“云厂商”的生态。

孙鑫给出的建议,企业在基于自身构建数据分析生态的时,需要考虑厂商与厂商之间的兼容性,特别是中国企业,还考虑国内和国外的生态之间的差异。

第十二点,数据和分析延展到边缘侧(Data and Analytics Expansion to The Edge)

Gartner发现,如今有越来越多的数据和分析活动都出现在边缘侧,边缘数据分析解决方案越发受关注,这对于服务提供商的方案也提出了新要求。

如果构建了从“云、数据中心”到“边缘设备”的技术架构,数据分析方案将找到最佳部署位置,而不只是在某一个“点”上。

Gartner建议,数据分析的部署应该放弃All in的形式,更多地进行分布式部署。

结束语

以上就是Gartner分享的关于数据与分析方面的观察,总结和部分问题的建议,希望对正在构建数据分析能力的企业有所帮助。

未经允许不得转载:DOIT » 如果企业正在构建数据分析能力,不妨先看看Gartner的见解