据数据管理领域的思想领袖称，我们将在 2022 年谈论企业数据时使用一些新术语。
各级 CTO 和 IT 经理将为他们自己的生产用例定义和测试“数据即代码”和“即时”数据分析等术语。
人工智能将在数据管理领域加班加点，使呼叫中心能够从客户那里挖掘更有说服力的信息，修补供应链中的漏洞，并加强本地和云端的医疗保健服务。
以下是关于 2022 年 IT 数据管理方面我们可以期待看到的一些令人信服的预测：
我们将开始经常听到“数据即代码”
自动部署基础设施的基础设施即代码运动正在获得关注。 然而，如果没有数据，基础设施和应用程序就无法提供什么价值。 组织将需要能够按需动态克隆、分发和销毁数据副本，以便他们能够开发、测试、分析、构建 AI/ML 模型并满足监管要求。 随着机器生成更多数据，IT 组织将无法手动管理数据。 他们需要使数据像基础设施和应用程序一样动态和自动化。
– Stephen Manley，Druva 首席技术官
人工智能将解读客户的言外之意
2022 年客户服务数据管理的一个主要趋势将是使用人工智能来解锁客户与联络中心代理的所有对话中保存的数据。 用于审查所有这些对话的技术已经存在了一段时间，但该领域的供应商（Genesys、NICE、Twilio、Cisco）都在积极地将其作为一个用例进行推广——甚至将其用作跳板 开始为销售和营销提供解决方案。 这对他们来说是一场大戏。 该领域已经进行了多次收购，特别是 Twilio 以 30 亿美元的价格收购了 Segment。
– Max Ball，Forrester Research 首席分析师
供应链故障将推动“及时”数据分析的迅速崛起
面对全面的供应链危机，公司将不得不解决其数据管道中长期存在的问题——瓶颈和其他脆弱性——这些问题阻碍了团队获得他们在未来十年生存所需的供应链的可见性。 不再受遗留模型、系统和方法的阻碍，公司将采用创新的新解决方案，以使“及时”数据分析成为其业务的现实。
– Matthew Halliday，Incorta 产品执行副总裁
人工智能服务将在创收方面发挥重要作用
随着医疗危机、劳动力短缺和供应链问题等持续存在的问题继续给企业带来相当大的风险，人工智能服务的采用率和收入预计将飙升。 例如，基于人工智能的聊天机器人和虚拟代理正在减轻劳动力短缺给企业带来的压力。 在医疗保健领域，基于人工智能的解决方案使护理团队能够管理更广泛的患者群体，并在患者层面采用个性化方法。 卫生和人类服务机构热衷于实施全人健康计划，这需要获得高质量和准确的临床、社会决定因素和公共卫生数据，以便在个人层面制定定制的护理计划。
在接下来的几年里，我们可以期待看到联邦机器学习的出现，它支持高可追溯性技术，并允许研究人员透明地训练敏感数据的预测模型。 这种方法包括从支持疾病预测的演变到对自动驾驶汽车的更快响应的一切。
– Zakir Hussain，安永美洲物联网负责人
新的以隐私为重点的立法将把注意力转移到数据主权云上
随着欧盟对监管数据保护和隐私的通用数据保护条例 (GDPR) 和加州消费者隐私法案 (CCPA) 加强对加州人隐私权和消费者保护的关注，其他州和国家正面临制定全面数据隐私立法的压力 . 随着这种情况在 2022 年继续，我预计我们会看到更多关注数据主权云，以将数据保存在国家内部或特定物理位置内。 这是一个更加具体的云模型，我们开始在 EMEA 和 Gaia-X 中看到它。 有些人会认为这是一个障碍，但一旦实施，这将是一件好事，因为它将消费者隐私置于商业战略的核心。
– Danny Allen，Veeam 首席技术官
新的边缘数据管理方法将脱颖而出
我们将看到数据分析在边缘扩展以减少数据或执行数据细化，以便分析软件可以为组织的管理团队提供更好的洞察力和价值，以处理现在在数据中心和云之外生成的数据量（Garter 说到 2025 年它将占所有数据的 75%）。 今天的边缘计算平台并不是为处理这个问题而设计的——需要一种新的方法来经济高效地存储数据，通过只找到有用的部分来“精简”数据，随后使分析、机器学习和人工智能变得容易 为组织提取价值。
– Bruce Kornfeld，StorMagic 的 CPMO
数据科学行业犯了将模型置于干净数据之前的错误
如果不清理数据，每个开发和提出的模型都将提供肮脏、无关紧要的数据，这将让人无法判断旨在标准化数据的 AI 是否正常工作。 这种做法会影响数据科学家的地位，并围绕人工智能在数据管理中的使用产生信任问题。 为了成功地充分利用数据的潜力，公司必须迈出标准化数据集的第一步，以真正改变一个行业。
–博士 Ron Bekkerman，首席技术官，Chere
我们将拥抱数据结构
数据管理挑战不会在 2022 年消失，因此企业将需要构建和采用数据结构架构以实现敏捷性和动态决策。 数据结构不是简单地将数据沿路径发送以进行存储、缩放或分析，而是能够将数据定向到存储区域，以便在最相关的时候使用数据。 大数据支持 72% 的组织的业务目标，正确实施 Data Fabric 是一种自然演变，可帮助公司更快地了解更多信息。
– Stefan Sigg，Software AG 首席产品官
图数据库：2022 年数据格局的必备组件
据 Gartner Research 称，到 2025 年，图形技术将用于 80% 的数据和分析创新，高于 2021 年的 10%，从而促进整个企业的快速决策制定。 随着在整个企业中创建和复制的数据量不断增加，可扩展的图形技术已成为连接海量数据和关键业务洞察力的关键纽带。 该图将成为多个行业（从金融服务和医疗保健到零售和制造）公司之间的主要竞争优势。 图表可以快速突出显示、发现和预测数据中的复杂关系——发现金融欺诈或帮助解决供应链中的物流挑战的洞察力。
到 2022 年，更多公司将应用图分析的力量来支持高级分析和机器学习应用，包括欺诈检测、反洗钱 (AML)、实体解析、客户 360、建议、知识图、网络安全、供应链、物联网 和网络分析。 图将与 ML 和 AI 联系得更加紧密。 Gartner 甚至报告说，“多达 50% 的 Gartner 客户关于 AI 主题的询问都涉及图形技术的使用讨论。”
– TigerGraph 技术总监 Richard Henderson
从数据、人工智能中获取价值或输给竞争对手并被投资者做空
我们将找到“数据民主化”的更好定义，尤其是数据工程。 随着越来越多的人跨组织和工作职能接受和参与数据，数据工程将继续发展，以允许这些人在同一个空间协作工作。 有意义的下游用途需要有效的数据工程，包括机器学习和分析。 因此，协作数据工程对于允许喜欢 SQL 和 Python 的开发人员与那些转向 AI 辅助可视化工具的开发人员一起工作至关重要。 基于云的工具将使这越来越容易获得。
因此，低代码和无代码解决方案将变得越来越普遍，特别是当它们使编码人员能够在与业务用户相同的空间中工作时。 这些更复杂的下一代工具将拥有自动程序员助手，并采用现代技术，允许非编码人员在根本没有意识到的情况下创建自定义程序。
最后，人工智能工程正在发生变化：想想“机器学习操作”。 随着许多初创企业使该领域的组件更易于访问和实用，该领域将呈爆炸式增长。
– Trifacta 首席执行官 Adam Wilson
