gartner高级研究总监孙鑫就如何激活企业活力和多样性、增强员工能力与决策和信任的制度化三个维度，拓展了企业对数据价值的认知，为企业更好的迎接数据分析挑战，驶向高质量发展的价值新蓝海提供了参考与方向。
当前，中国制造业正进入转型升级、高质量发展的重要时期。数据已经成为未来企业核心价值与竞争力，是工业数字化转型的核心生产要素。企业数字化的进程，实际上就是数据价值释放过程，如何高效的管理数据，充分挖掘数据的价值，也是当下众多企业面临的技术挑战。
在以往针对数据分析的研究中，企业往往将侧重点放在通过it手段去实现数据采集、数据分析和处理，并通过云、大数据分析等方式简化数据的使用周期。随着近年来以数据为驱动的关键要素导致运营方式、产品服务模式和商业模式的系统性变革，数据分析已经成为企业数字化过程中必不可少的业务能力。在gartner最新发布的《数据分析十二大趋势》中就详细论述了基于数据和分析趋势“构建业务价值的新等式。”在日前举办的线上媒体沟通会上，gartner高级研究总监孙鑫就如何激活企业活力和多样性、增强员工能力与决策和信任的制度化三个维度，拓展了企业对数据价值的认知，为企业更好的迎接数据分析挑战，驶向高质量发展的价值新蓝海提供了参考与方向。
以数据为媒，提升企业创新活力
数字经济时代，海量的数据被实时储存、挖掘、处理、分析，释放出有价值的信息。以制造企业为例，从财务软件到以erp为代表的企业管理软件，再到如今的云服务，积累了大量的数据资源。然而值得注意的一点是，面对这些数据，企业更多的是出于被动执行项目要求和数据分析的惯性行为，并没有主动的发挥数据价值。在孙鑫看来，在企业探索数据价值、发挥数据潜能的过程中，应该通过以下几点将数据以更活力、更多样性的形式利用起来，进而成长为一个更动态、更丰富、更具有韧性的企业。
1.打造自适应人工智能系统（adaptive ai systems）
从业界探讨大数据开始，对于数据的分析利用就被提到了前所未有的高度。在以往gartner针对人工智能的研究报告中，可以看出越来越多的企业通过ai技术将数据转化为有效信息、抽象为模型、辅助人类进行精准决策，最终实现商业活动的高效配置和执行。根据gartner发布的技术成熟度曲线显示，目前全球处于上升期或巅峰期的新兴技术中，一半以上与ai技术有关。孙鑫表示随着数据科学和人工智能技术的发展，越来越多的企业将采用类似于dataops（数据运营）、modelops（模型运营）等方式，以自适应的ai系统去完成更多智能化的决策。
实际上，由于系统基于“数据 算法” 可以在决策中实现越来越重要的价值，gartner预测，到了2026年企业如果利用ai工程化的方式打造自适应的人工智能系统，可以更有效的帮助企业去运营出更多的ai模型，为企业带来25%的效率提升。这也充分说明了面对开放动态的环境，各个企业自身所处的行业know-how也在不断沉淀和发生变化，这就要求未来企业的ai必须具备环境自适应能力，或者说要求ai的鲁棒性要强。
2.提升数据管理能力（data management）
虽然数据早已被认为是构建人工智能系统必需的关键基础设施，然而不幸的是，数据管理在很多人工智能项目当中常常被低估。孙鑫介绍许多企业在建立ai模型的初期，往往并没有专门设想过“该用什么样的数据管理模式去治理ai模型”。这也导致了在企业很多数据分析项目中，更多的是关注模型的开发，却忽视了应用工具实现数据的管理，让数据统一呈现与开放。
对此，gartner认为随着数据为核心的人工智能不断发展，基于其扩展的学科也会越来越多，成为一项复杂的系统工程，包括了数据管理的技术和技能，数据质量、数据集成、数据治理，这些都将扩展成为人工智能的基础能力。对于企业而言，当基于某个项目的ai模型被开发出来后，数据管理活动并没结束，它会像动态数据管道一样，持续支持ai模型的开发，提升企业对于ai模型的洞察。
图 数据管理发展必需满足人工智能需求
3.基于元数据的数据编制（metadata-driven data fabric）
相较于元宇宙掀起的热潮中，“元”代表着构成物质的基础。孙鑫解释元数据是用于描绘数据的数据。例如这些数据是如何使用的，有哪些业务含义。在他看来，过去企业对于“元数据”是比较被动的，往往尘封在数据库中。只有当企业遇到一些数据质量问题时，需要进一步进行数据治理，或者基于数据规范的要求，企业才会对 “元数据”进行更广范围开发。
然而实际上，企业可以通过机器学习等方式，更敏捷、高效的利用这些元数据，解决企业“数据利用率低”的问题。通过将实际问题中的决策标的、约束、偏好以及目标转化为数学模型，企业可以更好的利用数据编织的手段，实现对于元数据的主动管理。gartner认为通过充分应用元数据等方式，到2025年数据利用率可以提高到400%。
4.坚持分享开放的数据（always share data）
对于企业而言，数据安全是一个绕不开的话题。特别是前几年的勒索病毒，更是让企业对于敏感数据的保护进行层层加码，提升了数据防泄漏和保护等级。然而现实表明，企业对于数据的故步自封同样将导致许多机会的丧失，特别是如汽车等供应链一体化的生产企业，如果不去分享数据反而将带来数字化举措的失利，被同行竞争者所抛弃。
对于企业而言，数据不仅能够发挥自身数字化的潜能，更是顺应外界变化的核心引擎。gartner认为企业应该考虑用数据资产化、数据目录、数据字典、数据地图等方式，在可被治理的方式下分享数据。
以人为本，充分释放数据价值
《“十四五”规划和2035年远景目标纲要》提出，要“充分发挥海量数据和丰富应用场景优势，促进数字技术和实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式，不断做强做优做大我国数字经济。”对于企业而言，数据分析只是手段，不是目的。如今企业数据正变得越来越复杂，所用到数据的环境也变得越来越多样。这也表明业务侧的用户，对于能够实现更多情境化的分析就变得越来越迫切。在孙鑫看来，“人”正在成为企业面对动态多变的市场环境下，提升运营与决策效率的关键因素。
5. 背景丰富的数据分析context enriched analysis
知识图谱是目前构建大规模关系和基于图进行知识发现的有效工具之一，以知识关联为基础的知识图谱能够多角度、多层次描述事物关联的事实与规律。如今，企业的“知识图谱”已经和越来越多的“元数据”管理工具、预测分析工具相结合。例如以往crm系统中的数据往往跟erp系统相交互，数据多来自于交易型数据库。然而伴随着数字浪潮带来的线上线下加速融合，crm中的数据源可能存在着各种信息系统中、各个业务线saas的“云”中，甚至存在于搜索引擎使用轨迹中，企业完善知识图谱需要整合更多广泛数据源，从而使企业获得更加精准的决策。
gartner预测到了2025年，这种情境驱动/背景驱动的数据分析和人工智能模型，将取代60%建立在传统数据上的现有模型。这也是为什么目前越来越多的数字化办公软件开始驱动数字分析普及率，例如钉钉、飞书等通过它的数据化办公软件去完成更多的数据分析。这其中也会涉及到非常多“人”的部分，因为只有用户在数字化平台当中发挥作用，企业才可以采集到真正数据消费的行为。
6. 从it嵌入到业务组合式数据分析（from it-embedded to business-composed d&a）
基于业务进行数据分析在企业数字化拓展中屡见不鲜，随着越来越多“低代码、无代码”帮助应用开发人员、公共数据开发人员完成数据分析和数据洞察，业务侧的开发人员正在积极加入到数仓搭建、数据库、报表等数据分析工作中，为企业带来了更好的符合业务思路的情境化数据分析应用。
对此，gartner预测到2025年50%的过去嵌入式分析型数据内容，将会由业务用户利用低代码、无代码工具，用组装式、模块化的方式去完成。这种从单一技术人员主导转变为业务和技术人员相互配合的方式，也使许多报表的最终呈现更加贴合业务需求，更容易被决策者理解。
7.决策驱动数据分析（decision-centric d&a）
过去企业在搭建数据分析的组织架构时，通常是在基于现有数据去进行整合分析，重点在于如何加速数据分析过程。而在数字经济的影响下，现实业务场景的痛点正在反向倒逼企业采用更快、更高效的数据分析方式。孙鑫介绍这里面涉及一个“融合团队”的概念：让业务与it真正衔接起来，如dna双螺旋般支撑数据分析过程。例如在制造业，it与ot融合已经是大势所趋，其背后就是it与ot团队的深度融合。
图 决策智能模型
决策智能学科（即对如何做出决策进行深思熟虑）正在使企业机构重新思考在数据和分析能力方面的投资。gartner预测到2023年，超过33%的大型企业机构将有从事决策智能工作的分析师，包括决策建模。
8. 人员技能和素养的不足（skills and literacy shortfall）
人才培养和培训是企业持续推进数据分析的关键成功要素。然而现实中企业虽然采购了许多it工具，但并未能真正结合业务场景产生实际价值，这中间缺失的便是数据分析人才。根据gartner预测，从现在起到2025年，大多数首席数据官无法培养实现战略数据驱动的既定业务目标所必需的员工队伍。
为此，近年来，各大高校纷纷开设数据分析相关专业，希望培养更多人才。gartner则给出了人才获取、人才培养、人才留存“三步走”路线图，建议结合实际场景培养数据素养，利用社区的方式去聚合人才，并基于数据分析成果给予优秀人才嘉奖。
图 gartner人才规划路线图
以信任为基，构建灵活的互连治理模式
数据驱动已经成为企业数字化转型升级的共同选择，在业务侧如何使用数据的过程中，必需建立相匹配的组织架构和信任关系。孙鑫强调数据分析不仅仅是it部门的事情，它需要多部门、跨团队参与推进，建立对应的信任架构将有助于企业更好的应对数据挑战。
9.互联治理（connected governance）
在it与ot融合的大趋势下，企业跨业务线的重组和融合正在加速。例如对于很多正致力于“走出去”的中国企业而言，不仅需要满足国内合规性要求，在数据治理方面还可能面临着国外的各种要求，从数据质量、数据安全、数据隐私、数据道德乃至数据最初的定义模型全生命周期都将纳入治理范畴之内。
图 数据治理需要考虑的要素
对此，gartner提出了“互联治理”的模式，在不打破现有组织架构的基础上，用“互联治理”的方式实现建立跨组织、跨业务职能，甚至是跨地域的虚拟的数据和分析治理层，以实现跨企业的治理结果。
10.ai风险管理（ai risk management）
针对企业ai应用gartner发现：50%的ai模型是从未进入到生产环境的，其中“安全”和“隐私”是导致了负面结果的一个主要原因。孙鑫介绍有些企业倾向于收集ai训练数据，但没有在选择数据的时候建立一个合理的目标，这时候数据往往带有一定的人为主观色彩，这些偏见导致企业数据模型质量很大的偏差。
对此，gartner预测，到2026年，开发出可信赖的目标导向型ai的企业机构将实现75%以上的ai创新成功率，而未能做到这一点的企业机构只有40%的成功率。此外，gartner还预测ai的失败会大幅减少，包括不完整的ai项目、意外或负面结果的减少等。
11.打造厂商与区域性数据生态（vendor and region ecosystems）
过去一年，越来越多的本土企业开始打造自主可控的数据分析能力，这是一个很重要的趋势。孙鑫将这一趋势称为“厂商和区域性的数据分析生态”。实际上，当企业去建立自己数据分析生态时，要更多考虑厂商与厂商之间的兼容性。可能一个工具在国外用的很好，在国内的兼容性则会很差，所以对于中国企业来说，国内的数据分析生态会变成企业在做产品选型、平台选型时的重要因素。
随着市场上五花八门的数据分析产品层出不穷，gartner提出，到2024年，尽管可能被云服务商锁定，采用单一云服务提供商的数据和分析生态系统构建应用程序的企业将超越其竞争对手。由此可见当企业用单一云厂商的数据分析生态产品时，所涉及的数据管理、分析管理更简便、高效，折也促使越来越多企业更倾向于用一家云厂商的生态。
12.拓展边缘数据分析（data and analytics expansion to the edge）
如今，边缘设备的数据来源正在与日俱增，边缘计算允许组织通过扩展其it基础设施以更低的成本更快地提高计算能力，这进一步帮助企业收集更多的数据，包括收集物联网中的数据。孙鑫介绍在数据采集的全生命周期中，通过边缘端的分布式架构不仅可以完成数据的初次筛选和处理，更重要的是从云、数据中心到边缘端的连续体使企业随心所欲的在最佳位置完成数据处理而不需要集中至一点。
根据gartner预测，到2022年，超过50%的企业生成数据将在数据中心或云之外创建和处理。在许多制造业场景中，边缘计算设备的传感器产生大量实时数据，企业对这些实时数据的洞察和处理需求也成为边缘计算的强劲增长催化剂。