数据分析已经是老生常谈的事儿了，那数据和分析到底都有哪些趋势呢？我们一一阐述下：

趋势1

增强分析

增强分析功能可自动发现和显示业务中重要的数据见解或变化，以优化决策。与手动方法相比，它需要的时间更少。

增强分析使洞察力可用于所有业务角色。它减少了数据分析对分析，数据科学和机器学习专家的依赖，能提高整个组织的数据素养。

到2020年，增强分析将成为新购买分析和商业智能以及数据科学和机器学习平台的主要驱动力。

趋势2

增强数据管理

随着供不应求的技术和数据呈指数增长，组织需要自动执行数据管理任务。供应商正在添加机器学习和人工智能（AI）功能，使数据管理过程能够自我配置和自我调整，以便高技能的技术人员可以专注于更高价值的任务。

这种趋势正在影响所有企业数据管理类别，包括数据质量，元数据管理，主数据管理，数据集成和数据库。

趋势3

自然语言处理和会话式分析数据管理

正如Google之类的搜索界面使普通消费者可以访问Internet一样，NLP也为商务人士提供了一种更轻松的方式来询问有关数据的问题并获得对数据见解的文字解释。对话式分析使用户可以语言而不是通过文字来提问和回答，从而使NLP的概念更进一步。

到2021年，NLP和对话式分析将把分析和商业智能的使用率从35％的员工提高到50％以上，其中包括新的用户类别，甚至是前台工作人员。

趋势4

图分析

业务用户正在跨结构化和非结构化数据提出越来越复杂的问题，经常将来自多个应用程序的数据以及越来越多的外部数据混合在一起。

图分析是一组分析技术，可显示诸如人，地点和事物之类的实体之间如何相互关联。该技术的应用范围从欺诈检测，交通路线优化和社交网络分析到基因组研究。

Gartner预测，在未来几年中，图处理和图数据库的应用将以每年100％的速度增长，以加速数据准备并实现更复杂和适应性更强的数据科学。

趋势5

商业AI和机器学习

开源平台目前在人工智能（AI）和机器学习中占主导地位，并且已成为算法和开发环境中创新的主要来源。商业供应商相对滞后，但现在提供了连接到开源生态系统的连接器。它们还提供了扩展AI和ML所必需的企业级功能，例如项目和模型管理，重用，透明性和集成，这些都是当前开放源代码平台所缺乏的功能。

越来越多地商业级AI和ML平台得到用户的使用，将有助于加速生产中机器学习模型的部署，并从这些投资中获得商业价值。

趋势6

数据结构

从分析投资中获得价值取决于拥有敏捷，可信赖的数据结构。数据结构通常是定制设计，可以通过精心策划的数据集成方法的组合来提供可重用的数据服务，管道，语义层或API。它使分布式数据环境中的数据能够无摩擦地访问和共享。

趋势7

可解释的AI

可解释的人工智能提高了人工智能解决方案和成果的透明度和可信度，降低了监管和声誉风险。可解释的AI是描述模型，突出其优缺点，预测其可能的行为并识别任何潜在偏见的一组功能。

如果没有可接受的解释，对人工智能的自动生成见解或“黑匣子”方法可能会引起对法规，声誉，责任制和模型偏差的担忧。

趋势8

数据和分析中的区块链

区块链技术解决了数据和分析中的两个挑战。首先，区块链提供资产和交易的血统信息。其次，它为复杂的参与者网络提供了透明度。

但是，区块链不是独立的数据存储，它具有有限的数据管理功能。基于区块链的系统不能用作记录系统，这意味着涉及数据，应用程序和业务流程的巨大整合工作。实际上，对于超出加密货币的用例，该技术的可伸缩性尚未成熟到实际的生产级别。

趋势9

持续智能

长期以来，组织一直在寻求情报实时化，并且系统可用于执行对应的相关任务。现在，由于云，流数据软件的进步以及来自物联网（IoT）传感器的数据增长，在更广泛的规模上实现这些系统（Gartner称为连续智能）终于是切实可行的。

到2022年，超过一半的主要新业务系统将采用持续智能，这些智能将使用实时上下文数据来改善决策。

趋势10

性内存服务器

大多数数据库管理系统（DBMS）使用内存数据库结构，但是随着数据量的快速增长，内存大小可能会受到限制。新的服务器工作负载不仅要求更快的处理器性能，还要求大容量的内存和更快的存储。

持久存储技术将帮助企业从数据中提取更多可行的见解。许多DBMS供应商都在试验持久性存储器，尽管要利用它们来修改其软件可能要花费几年时间。