KI-Techniken wie Verstärkungslernen und verteiltes Lernen schaffen anpassungsfähigere und flexiblere Systeme, um komplexe Geschäftssituationen zu bewältigen; beispielsweise können agentenbasierte Systeme komplexe Systeme modellieren und stimulieren – insbesondere jetzt, wenn Pre-COVID-Modelle auf historischen Daten nicht mehr gültig sind.
Signifikante Investitionen in neue Chip-Architekturen wie neuromorphe Hardware, die auf Edge-Geräten bereitgestellt werden können, beschleunigen KI- und ML-Rechenvorgänge und Arbeitsbelastungen und reduzieren die Abhängigkeit von zentralisierten Systemen, die hohe Bandbreiten erfordern. Schließlich könnte dies zu skalierbareren KI-Lösungen führen, die eine größere geschäftliche Auswirkung haben.
Eine verantwortungsvolle KI, die Modelltransparenz ermöglicht, ist unerlässlich, um vor schlechten Entscheidungen zu schützen. Dies führt zu einer besseren Zusammenarbeit zwischen Mensch und Maschine und Vertrauen für eine bessere Akzeptanz und Ausrichtung von Entscheidungen im gesamten Unternehmen.
Trend 2: Ablehnung des Dashboards
Dynamische Datengeschichten mit automatisierteren und konsumierten Erfahrungen ersetzen visuelles, Point-and-Click-Authoring und -Exploration. Infolgedessen nimmt die Zeit, die Benutzer mit vordefinierten Dashboards verbringen, ab. Der Wechsel zu kontextbezogenen Datengeschichten bedeutet, dass die relevantesten Erkenntnisse auf der Grundlage ihres Kontexts, ihrer Rolle oder ihrer Verwendung an jeden Benutzer gestreamt werden. Diese dynamischen Erkenntnisse nutzen Technologien wie erweiterte Analytik, NLP, Streaming-Anomalieerkennung und Zusammenarbeit.
Data- und Analytics-Führungskräfte müssen regelmäßig ihre vorhandenen Analyse- und Business-Intelligence-Tools (BI) und innovativen Start-ups bewerten, die neue erweiterte und NLP-gesteuerte Benutzererfahrungen über das vordefinierte Dashboard hinaus bieten.
Trend 3: Entscheidungsintelligenz
Bis 2023 werden mehr als 33 % der großen Unternehmen Analysten haben, die Entscheidungsintelligenz praktizieren, einschließlich Entscheidungsmodellierung.
Die Entscheidungsintelligenz bringt eine Reihe von Disziplinen zusammen, einschließlich Entscheidungsmanagement und Entscheidungsunterstützung. Es umfasst Anwendungen im Bereich komplexer adaptiver Systeme, die mehrere traditionelle und fortschrittliche Disziplinen zusammenführen.
Es bietet ein Rahmenwerk, das Data- und Analytics-Führungskräften hilft, Entscheidungsmodelle und -prozesse im Kontext von Geschäftsergebnissen und -verhalten zu entwerfen, zu erstellen, zu modellieren, abzustimmen, auszuführen und zu überwachen.
Erkunden Sie die Verwendung von Entscheidungsmanagement- und Modellierungstechnologie, wenn Entscheidungen mehrere logische und mathematische Techniken erfordern, automatisiert oder halbautomatisiert werden müssen oder dokumentiert und geprüft werden müssen.
Trend 4: X-Analyse
Gartner prägte den Begriff „X Analytics“ als Oberbegriff, wobei X die Datenvariable für eine Reihe von verschiedenen strukturierten und unstrukturierten Inhalten wie Textanalyse, Videoanalyse, Audioanalyse usw. ist.
Data- und Analytics-Führungskräfte nutzen X-Analysen, um die schwierigsten Herausforderungen der Gesellschaft zu lösen, einschließlich Klimawandel, Krankheitsprävention und Wildtierschutz.
Während der Pandemie hat KI entscheidend dazu beigetragen, Tausende von Forschungsarbeiten, Nachrichtenquellen, Social-Media-Posts und Daten aus klinischen Studien zu durchkämmen, um Medizinern und Fachleuten des öffentlichen Gesundheitswesens dabei zu helfen, die Verbreitung von Krankheiten, Kapazitätspläne, neue Behandlungen und gefährdete Populationen vorherzusagen. X-Analysen in Kombination mit KI und anderen Techniken wie Graph Analytics (ein weiterer Top-Trend) werden eine Schlüsselrolle bei der Identifizierung, Vorhersage und Planung von Naturkatastrophen und anderen geschäftlichen Krisen und Chancen in der Zukunft spielen.
Data- und Analytics-Führungskräfte sollten X Analyse-Fähigkeiten untersuchen, die von ihren bestehenden Anbietern zur Verfügung stehen, wie z. B. Cloud-Anbieter für Bild-, Video- und Sprachanalyse, aber erkennen, dass Innovation wahrscheinlich von kleinen disruptiven Start-ups und Cloud-Anbietern kommen wird.
Trend 5: Augmented Data Management
Das erweiterte Datenmanagement verwendet ML- und KI-Techniken, um den Betrieb zu optimieren und zu verbessern. Es wandelt auch Metadaten von der Verwendung bei Audits, Abstammung und Berichterstattung in dynamische Systeme um.
Produkte zur erweiterten Datenverwaltung können große Stichproben von Betriebsdaten untersuchen, einschließlich tatsächlicher Abfragen, Leistungsdaten und Schemata. Mithilfe der vorhandenen Nutzungs- und Arbeitsbelastungsdaten kann eine erweiterte Maschine den Betrieb optimieren und Konfiguration, Sicherheit und Leistung optimieren.
Data- und Analytics-Führungskräfte sollten nach erweitertem Datenmanagement suchen, das aktive Metadaten ermöglicht, ihre Architekturen zu vereinfachen und zu konsolidieren und auch die Automatisierung ihrer redundanten Datenmanagementaufgaben zu erhöhen.
Trend 6: Die Cloud ist eine Selbstverständlichkeit
Bis 2022 werden öffentliche Cloud Services für 90 % der Daten- und Analyseinnovationen unerlässlich sein.
Da Daten und Analysen in die Cloud verlagert werden, haben Data- und Analytics-Führungskräfte immer noch Schwierigkeiten, die richtigen Services an die richtigen Anwendungsfälle anzupassen, was zu unnötigen erhöhten Governance- und Integrations-Overheads führt.
Die Frage für Daten und Analysen ist, wie hoch die Kosten eines bestimmten Services sind und wie die Performance-Anforderungen der Arbeitsbelastung über den Listenpreis hinaus erfüllt werden können.
Data- und Analytics-Führungskräfte müssen Arbeitsbelastungen priorisieren, die Cloud-Fähigkeiten ausnutzen können, und sich auf Kostenoptimierung und andere Vorteile wie Veränderung und Innovationsbeschleunigung beim Wechsel in die Cloud konzentrieren.
Trend 7: Daten- und Analysewelten kollidieren
Daten- und Analysefähigkeiten wurden traditionell als unterschiedliche Fähigkeiten betrachtet und entsprechend verwaltet. Anbieter, die End-to-End-Arbeitsabläufe anbieten, die durch erweiterte Analysen ermöglicht werden, verwischen die Unterscheidung zwischen einst separaten Märkten.
Die Kollision von Daten und Analysen wird die Interaktion und Zusammenarbeit zwischen historisch getrennten Daten- und Analyserollen erhöhen. Dies wirkt sich nicht nur auf die bereitgestellten Technologien und Fähigkeiten, sondern auch auf die Menschen und Prozesse aus, die sie unterstützen und nutzen. Das Spektrum der Rollen wird sich von traditionellen Daten- und Analyserollen in der IT bis hin zu Informationsforschern, Verbrauchern und Bürgerentwicklern als Beispiel erstrecken.
Um die Kollision in eine konstruktive Konvergenz umzuwandeln, integrieren Sie sowohl Daten- als auch Analysetools und -fähigkeiten in den Analyse-Stack. Konzentrieren Sie sich über Tools hinaus auf Menschen und Prozesse, um Kommunikation und Zusammenarbeit zu fördern. Nutzen Sie Daten- und Analyse-Ökosysteme, die durch einen erweiterten Ansatz ermöglicht werden und das Potenzial haben, kohärente Stacks bereitzustellen.
Trend 8: Datenmarktplätze und -austausch
Bis 2022 werden 35 % der großen Unternehmen entweder Verkäufer oder Käufer von Daten über formelle Online-Daten-Marktplätze sein im Vergleich zu 25 % im Jahr 2020.
Datenmarktplätze und -austausche bieten einzelne Plattformen zur Konsolidierung von Datenangeboten von Drittanbietern. Diese Marktplätze und Börsen bieten zentralisierte Verfügbarkeit und Zugriff (z. B. auf X-Analysen und andere einzigartige Datensätze), die Größenvorteile schaffen, um Kosten für Daten von Drittanbietern zu reduzieren.
Zur Monetarisierung von Datenbeständen durch Datenmarktplätze sollten Data- und Analytics-Führungskräfte eine faire und transparente Methodik etablieren, indem sie ein Data-Governance-Prinzip definieren, auf das sich Ökosystempartner verlassen können.
Trend 9: Blockchain für Data und Analytics
Die Blockchain-Technologien decken zwei Herausforderungen von Daten und Analysen ab. Erstens zeigt die Blockchain die Herkunft von Assets und Transaktionen. Zweitens bietet Blockchain Transparenz für komplexe Teilnehmernetzwerke.
Neben den begrenzten Bitcoin- und Smart-Contract-Anwendungsfällen werden Ledger-Datenbankmanagementsysteme (DBMS) eine attraktivere Option für die Prüfung von Datenquellen durch einzelne Unternehmen bieten. Gartner schätzt, dass die meisten zugelassenen Blockchain-Nutzungen bis 2021 durch Ledger-DBMS-Produkte ersetzt werden.
Daten und Analysen sollten Blockchain-Technologien als Ergänzung zu ihrer bestehenden Datenmanagement-Infrastruktur positionieren, indem sie die Fähigkeitskonflikte zwischen Datenmanagement-Infrastruktur und Blockchain-Technologien hervorheben.
Trend 10: Beziehungen bilden die Grundlage für den Wert von Daten und Analysen
Bis 2023 werden Graph-Technologien eine schnelle Kontextualisierung für die Entscheidungsfindung in 30 % der Unternehmen weltweit ermöglichen. Graphenanalyse umfasst eine Reihe von Analysetechniken, die die Untersuchung von Beziehungen zwischen Objekten von Interesse (Entities of Interest) wie Organisationen, Personen und Transaktionen ermöglichen.
Es hilft Data- und Analytics-Führungskräften, unbekannte Beziehungen in Daten zu finden und Daten zu überprüfen, die mit herkömmlichen Analysen nicht einfach ausgewertet werden können.
Während sich die Welt darum bemüht, auf aktuelle und zukünftige Pandemien zu reagieren, können beispielsweise Graphtechnologien, Entitäten über alles hinweg miteinander in Beziehung setzen, von Geodaten auf den Telefonen der Menschen bis hin zu Gesichtserkennungssystemen, die Fotos analysieren können, um festzustellen, wer mit Personen in Kontakt gekommen sein könnte, die später positiv auf das Coronavirus getestet wurden.
