制定互連數據策略需了解的五大趨勢
一、打破數據孤島
到 2026 年，82% 的組織希望在其雲數據平台中緊密集成實現完整數據和 AI 工作流所需的全部功能。
統一的數據云提供了一個平台，用於支持數據生命周期的每一個階段。資料庫、數據倉庫、數據湖、流式傳輸、 BI、AI 和機器學習全部位於一個預配置的通用基礎架構中，可幫助組織實現無縫協作。
01 提升數據使用效率並降低使用門檻
02 縮短決策和開發周期
03 改善客戶體驗
組織開始意識到，孤立的數據存儲和數據倉庫策略已經跟不上新時代的需求。這一點也不意外，因為設備和應用每天生成的數據量十分驚人。組織需要找到更好的方法存儲、管理、分析和治理所有數據，同時減少數據孤島和冗餘系統導致的額外工作、成本以及相互衝突的數據洞見。
開發者、IT 管理員、安全分析師和業務團隊應該將自己的技能運用在開發創新應用、將服務儘快推向市場上，而不是耗費在追蹤數據上。他們必須知道當前有什麼數據及數據所在位置，並能夠輕鬆訪問和分析最新數據。有了統一的數據云，所有這一切都成為可能。
這個趨勢最核心的一點是，統一的數據云可將數據和洞見融入到數字體驗和工作流中。如此一來，用戶就可以在需要時獲得正確的資訊，儘可能取得最佳成 果。
各行業如何利用統一的數據云
零售
越來越多的零售商正在將其所有數據整合到單一平台，並從中獲得所需的客戶數據洞見，以便為所有消費者接觸點提供獨特的個性化體驗，提升所有渠道的客戶忠誠度和轉化率。
製造
製造商正在利用統一的數據平台，將孤立的機器和系統連接起來，讓他們的數據變得更容易使用。這不僅有助於加強他們與供應商之間的聯繫，還可以讓他們迅速採取行動，防止送貨延遲。
金融服務
零售銀行和保險公司正在使用以隱私保護和客戶為中心的數據解決方案，實現更出色的個性化、更有效的市場分析和直接面向客戶的定製化體驗。
統一數據云可以幫助組織實現哪些成果？
如果運營和分析系統彼此分離，組織只能通過艱難拼湊不同的解決方案來構建數據驅動的智能應用。為了滿足客戶期望，提供「始終在線」的數字體驗，運營和分析系統需要緊密集成，在近乎實時的情況下處理同一數據。
二、邁入開放數據生態新時代
78% 的高管認為，使用外部數據是企業需要具備的一種關鍵能力。
為了確保技術選擇的靈活性以及能夠重複使用代碼和基於標準的服務，越來越多的組織正在採用開源軟體和開放式 API。
01 將數據與您自己選擇的技術集成，避免受制於特定供應商
02 提高現有投資的投資回報率
03 縮短開發周期
隨著組織對數據生態系統靈活性的要求不斷提高，關於開放標準、數據集成和技術選擇的討論也達到新高度。組織認識到，數據既是數字創新的核心，也是釋放 AI 潛力的關鍵。但現實問題是，數據正以驚人的速度激增，卻被限制在由不同解決方案和封閉雲所構成的新孤島中。
構建開放的多雲數據生態系統，充分釋放數據的力量，則是改善以上所有問題的有效方法。這種方法不僅可以縮短上市期，還可以提高投資回報率。更重要的是，這種方法還可以讓組織更具競爭力。想像一下，參與這個數據生態系統的所有員工、客戶和合作夥伴都將是貢獻者，而不是旁觀者。
組織希望自由構建數據云，並在其中包含來自任何源或雲的任何形式的數據。他們希望採用最能滿足其特定需求的技術，並在加快創新的同時，不必擔心技術孤島和債務問題。而最終的實現方法，就是為所有這些公司釋放數據和 AI 的力量。
利用開放系統實現數據移動和多雲分析
過去，組織通過部署單獨系統和工具來解決特定問題，導致很多數據被存儲在不同的平台和公有雲中。由於這些數據往往處於孤立狀態，組織很難從所有這些數據中獲得分析洞見。
通過採用開放標準和開放架構，公司可以根據需要在各平台之間自由移動數據，以支持工作流、數據分析和數據創收，避免受制於特定供應商和陷入數據孤島。例如，公司可以輕鬆移動存儲在任何基於 SQL 的關係型資料庫（例如 PostgreSQL）中的數據，並將這些數據與任何其他基於 SQL 的資料庫共享。利用集成了開放式 API 且符合 REST 架構設計的系統，公司可以輕鬆使用和共享來自內部和外部源的數據。同時，組織還可以使用開放標準和開放架構分析源頭數據，將數據移動和出站流量產生的費用降至最低。
擁抱開源技術
研究表明，開源軟體的採用率正在增加，許可型企業軟體的採用率則在降低。
開源軟體在數據生態系統中發揮著關鍵作用：
• 為加快開發速度和降低成本，組織正在使用預構建、預測試的開源服務和應用（包括 PostgreSQL、Kafka、TensorFlow、PyTorch、PrestoJanusGraph 和 Apache 項目）。例如，組織利用開源技術構建數據湖倉一體、使用處理引擎（如 ApacheSpark）以開放格式（如 Apache Parquet）存儲數據，並採用開放式框架（如 Apache Iceberg 和 Delta）。
• 藉助雲服務提供商的「開源即服務」解決方案，公司可以在自由選擇開源軟體的同時，受益於專屬工程資源的支持和技術專長。
擁抱更多數據
許多組織正在利用公開可用的數據集（如天氣、趨勢和位置數據），來獲取有價值的數據洞見和開發創收型應用。如今，有 75% 的組織正在將位置數據用於各種業務職能和流程，包括供應鏈、公共運輸和個性化客戶體驗等。
公共數據集可以按需使用，沒有管理和維護成本，其準確性也已通過社區審核。此外，如果團隊可以通過基於開放標準的 API 訪問公共數據集，遵循一致的數據使用和注入標準，他們就能進一步加快數據流水線開發速度。
三、擁抱 AI 發展轉折點
到 2025 年，至少 90% 的新企業應用將包含嵌入式 AI 功能。
如今，AI 驅動的體驗已經融入人們的日常生活中。為適應這一趨勢，組織需要找到更容易的方法，讓更多人輕鬆使用 AI 和機器學習技術。
01 從任意規模的數據中尋找規律、發掘數據洞見
02 精準而規模化地解決問題
03 普及機器學習技術和 AI 的使用
AI 發展的轉折點已經來臨。無論人們是否意識到，AI 驅動的應用已經融入人們的日常生活中。社交媒體平台、語音助理和駕駛服務都是典型示例。組織紛紛採用 AI 和機器學習工具及技術，因為這樣，組織就可以從現有數據中提取更多資訊，並精準而規模化地解決實際問題。
統一性是新興 AI 採用策略中最重要的方面。在一年前，公司還在考慮將數據云和 AI 雲作為單獨實體來管理。但正如我們在其他趨勢中看到的，這種分離或孤立的策略會帶來很多障礙。
如今，數據科學家、分析師、開發者和其他機器學習創作者都在協同工作。他們都希望擁有一個單一界面，通過一個統一門戶獲取所需工具、數據和洞見。
彌合機器學習技能差距
由於大多數公司都沒有聘請幫助實現 AI/機器學習目標的數據科學家，因此，更多組織選擇依靠「草根數據科學家」，藉助預訓練模型或低代碼訓練方法來開發機器學習模型。其中有 81% 的組織表示，引入更多草根數據科學家可大幅提高他們將高級分析技術應用於更多項目的能力。
各行業組織通過在員工中普及 AI/機器學習，持續推進運營轉型。例如，零售商積極利用 AI/機器學習實現以下目標：
•向買家提供個性化建議
•通過預測買家需求，確保商品庫存狀況
•通過預測客戶流失，對相應客戶給予特別關注
金融服務和保險公司利用 AI/機器學習實現以下目標：
•獲得高級欺詐檢測能力
•對文檔進行分類和翻譯
•分析交易情況和檢測異常
電信組織通過部署 AI/機器學習實現以下目標：
•實現聯絡中心自動化，採用虛擬客服幫助來電者解答常見問題
•讓人工客服騰出更多時間處理複雜或緊急事務
•自動監控手機基站
•識別有價值的數據趨勢和預測
AI/機器學習採用建議
•即使您對數據科學十分了解，也不一定想從頭開始一切工作。利用支持定製的模板、模型和其他可直接使用的資產，讓它們幫助您完成 80% 的工作，使您能夠集中精力處理關鍵事務。
•跟蹤模型非常重要，有助於您了解誰在什麼時間訓練了模型，以及數據來自何處等資訊。
•構建的模型不一定要強大無比，只要它能更出色地完成現有任務就夠了。
•從見效快的小項目著手。使用機器學習將搜索點擊率提高 3% 到 4% 看似微不足道，但這種小項目實際上可能會帶來數百萬美元的額外收入。
•成功的 AI 解決方案從一開始就將可靠性和穩定性融入模型中。
四、隨時隨地融入數據洞見
未來幾年，75% 的組織期望用上傳統 BI 軟體力所不及、能夠為決策助力的新功能。
重新構想 BI/分析策略及應用，從而改進決策流程、客戶服務、產品開發並增加收入。
01 改進決策流程
02 快速開拓新的收入來源
03 提升獲客率和留存率
多年來，組織在數據和分析方面投入巨大，但 BI 依然難以在組織中得到廣泛普及。原因之一是組織對報告和工具本身缺乏信任。傳統報告提供的數據經常不一致或不準確，因為這些報告是使用過時的數據副本、孤立的工具和不標準的計算方式創建的。BI 採用速度慢的另一個原因是，其輸出通常依賴於一個共享的資訊中心，提供的也都是一些寬泛的指標，而不是為特定用戶量身定製的清晰而實用的資訊。
為了加快 BI 採用步伐，組織正在改變他們對 BI 的期望，包括傳統的資訊中心形式。他們正在探索不同的解決方案，以提供富含背景資訊的數據體驗，讓用戶隨時隨地獲取所需資訊。這樣的數據體驗將覆蓋所有用戶，而不僅限於那些熟悉數據和 SQL 的數據分析師。組織正在為業務決策者提供必要的工具，使他們能夠將需要的數據洞見融入日常工作流中。
隨著組織重新構想 BI 和採用更加多樣的解決方案，他們需要確保從一致的數據指標和定義中獲取實時的數據洞見，以保證事實的唯一性。在衡量 BI 投資回報率方面，相較於評估用戶登錄資訊中心的次數，組織更應該評估的是通過改進決策帶來的成果，例如收入得到增加、供應鏈得到優化，以及產品開發創新能力得到增強。
不只是 KPI
BI 在不斷演進。有遠見的組織正在摒棄那些以資訊中心為焦點的傳統模型，轉向以行動為中心的 BI 模式，讓數據洞見覆蓋更多環境中的更多人群，以支持更加豐富的工作流類型。
除了識別潛在趨勢以外，組織還使用 BI 和數據分析來檢測數據異常，發現潛
在業務問題。這些數據洞見不一定涉及機器學習或 AI。但值得注意的是，87% 的組織認為預測模型的開發和部署離不開 BI 和分析軟體的支持。在這些 用例中，BI 和分析軟體通過將數據注入模型，向用戶提供實時的數據洞見， 即使在以毫秒計數的動態環境（如數字廣告出價）中也毫無問題。
將 BI 嵌入企業應用（87% 的組織認為這項功能很重要）等其他用例則有助於
擴大受眾範圍。這些用例非常重要，因為 79% 的組織希望利用企業應用內置
的 BI 和分析功能覆蓋更廣泛的內部受眾，66% 的組織則期望用其覆蓋更多外部用戶。
通過將分析功能嵌入面向客戶的應用，組織還可以提升服務水平，開拓新的收入來源。組織正在利用數據打造深度個性化的全渠道體驗，優化庫存和產品植入決策，以及提高供應鏈的可見性和效率，所有這一切都由現代商業智能平台提供支持。
建議：通過語義層構建一致的可信指標
語義層位於數據之上，控制著用戶可以看到什麼數據。語義層還負責定義數據，並將關係映射到相關數據。為降低複雜性，組織應為所有用戶提供一致的數據洞見、提升數據探索能力，構建有利於人員互動的統一語義層，而不僅僅是提供原始數據。為提高效率，人們只需看到與自己相關的數據。此外，他們還應了解這些數據的準確性和時效性。
五、了解未知數據
如今，77% 的組織希望提高數據分類能力，並加強數據安全和隱私控制。
組織希望及時發現和降低未知數據帶來的監管和合規風險。
01 提升效率和協作能力
02 增強客戶信任度
03 降低違規和罰款風險
數據價值連城，對公司保持競爭力起著重要作用。但是，在公司利用支持客戶、合作夥伴、供應商和員工的更多渠道，收集大量結構化和非結構化數據的同時，他們很少意識到所有這些數據帶來的風險。
如果您不知道自己擁有什麼數據，就無法保護這些數據，也無從了解可能面臨什麼安全風險，或需要採取什麼樣的安全措施。
如果您在資料庫中創建了一個表格，其中包含諸如患者數據這樣的個人身份資訊（PII），那麼就能知道其中會涉及什麼類型的數據、如何保護這些數據，以及如何讓這些數據保持合規。但現代企業需要從眾多來源收集和複製大量數據（特別是非結構化數據），而且他們發現，通過手動查找、掃描和分類每一個數據集來降低風險並不現實。
來自聊天應用或日誌文件的非結構化數據可能會令組織非常頭疼，特別是在這些數據意外包含個人身份資訊等敏感數據時。客戶支持記錄就是一個例子，因為您永遠無法預測客戶會提交什麼資訊。客戶在與客服人員聊天時可能會輸入： 「我沒有拿到藥。這是我的名字、需要的藥物和我的社會保障號。 」現在，這些敏感的個人身份資訊數據就存儲在您的某個資料庫中。您可能既沒有對其進行適當分類，也沒有實施有效的保護。
確保數據可見性
確保所有數據的可見性是實施數據風險管理最關鍵的第一步。這包括了解所有 數據注入流水線和存儲孤島。
對數據分類
知道數據所在位置後，需要對所有這些數據進行分類。準確性是關鍵。由於數
據分類通常無法手動完成，組織正在利用機器學習和業務自動化工具，不斷增
強現有技能和資源。我們在趨勢 4 中已經看到，90% 的公司也在利用 BI 和分
析功能檢測數據異常。通過這種方式進行的異常值檢測，可以標記出任何不符合表格或文件存儲區用途的數據類型。
實施一致的控制
擁有可見數據並對其進行分類後，就可以實施自動化控制，以降低存儲和共享數據帶來的風險。例如，如果擔心客戶在與客服代表互動時提供個人身份資訊等敏感數據，可以通過配置自動化流程來自動執行下面這些步驟：
•在將事務資訊存儲到系統前，隱去客戶的個人身份資訊
•存儲所有事務數據，但如果事務數據離開存儲它的系統，則對其中的個人身份資訊進行詞元化處理
•存儲所有事務數據，但阻止將其移動到某些國家/地區
主動風險管理用例
零售商需要保護個人身份資訊和其他敏感數據，這些數據可能意外地出現在客戶支持通話中和網站上的產品評價中。
製造商和物流公司在滿足數據主權要求的同時，對數據所在位置進行控制，並了解和降低工廠和車輛中的傳感器生成的 IoT 數據帶來的風險。
金融服務和保險公司使用主動風險報告，保護個人身份資訊和其他敏感客戶數據，包括客戶支持通話期間交換的資訊。
這一趨勢出現的新變化
鑑於數據安全問題的複雜性，越來越多的公司選擇加強合作。到 2025 年，為應對日益嚴峻的數據市場、數據隱私權法規和數據主權問題，60% 的 G2000 組織將邀請首席數據官、首席資訊安全官和首席法務官加入數據風險管理委員會。
