数据管理的未来发展趋势
|
1)人工智能让数据管理软件的运行更加流畅
现在，人工智能可以帮助企业机构增强数据管理。事实上，数据管理技术的未来就是人工智能和机器学习的应用。 具体而言，有以下四方面： 第一是数据质量(Data Quality)。目前市场上有很多供应商都是在用机器学习的方式帮助企业机构扩展和增强数据的分析、清理、连接、识别、语义协调和重组。企业机构在不同数据源中管理主数据质量以往需要人为操作、费时费力，而机器学习可以使这一整串流程变得完全自动化，且准确率明显提高。 第二是主数据管理(Master Data Management)。机器学习可以帮助企业机构配置和优化主数据，尤其在记录匹配和算法融合方面，机器学习可以让企业机构对主数据的管理更加便利。 第三是数据集成(Data Integration)。人工智能可以通过升级多个相同模式并根据语义分析，向企业机构告知数据源的相关性，推荐企业机构将相同的数据源进行连接，最终使得数据集成的流程更加简化。 第四是数据库管理系统(DataBase Management System)。人工智能技术的引入将使数据库从存储、索引、分区到调整、优化、修补——这一系列繁琐的人工流程变得更加自动化。 2)动态元数据创造“自我驱动型”数据管理
机器学习和人工智能是一个后端底层技术，诸如性能分析等更多数据管理工作的完成还需动态元数据的支持。元数据专门用于描述数据的特质，帮助企业机构将不同的数据进行关联并做推荐。 以数据分析为例，企业机构在定义数据的相关性时，动态元数据就会起到中间凝合力的作用。 3)开源软件收益与风险的平衡
提及开源，一般想到的是总拥有成本(TCO)很低、企业机构的回本速度很快。 虽然企业机构有时无法通过开源软件(OSS)得到所需支持，但目前市场上已有很多商业软件包可给予帮助。
3组织的衍化(Organization Evolves) Gartner预测，到2022年之前，使用动态元数据去连接、优化、自动化数据集成流程的企业机构将减少30%的数据交付的时间。 此外，到2023年之前，在数据管理中使用人工智能技术能够帮助企业机构进行更多的自动化工作，因此这些企业机构对于IT专业人士的需求将减少20%。 1)自动化数据与分析工作即将来临
Gartner就数据分析工作的自动化优先级进行过一项调研。调研结果显示，数据集成(Data Integration)排名第一，因为其最费时间也最易出错。 此外，机器学习相关技术的研发需要进行大量前期的数据准备(Data Preparation)。Gartner预计数据科学家大约需要花费70%到80%的时间进行数据准备。 因此，若数据准备无法进行自动化，那么项目交付的时间就会极其漫长。 2)人机联盟：少花钱、多做事
未来，数据集成工作需要人与机器共同完成。数据存在不同的端口且数量庞大，因此单独的人力难以进行处理、需有工具进行支持。未来，这种工具将引入人工智能与机器学习技术，让人力做不到或短期内无法实现的工作变成现实。 与此同时，此前从事这类工作的IT工程师将可腾出时间去做更多、更重要的事情。 3)元数据与数据管理架构紧密贴合
元数据的管理平台上有很多引擎，有些可以根据数据目录，即目前所存储的数据信息，自动地发现企业机构目前架构中有哪些数据源还未掌控，然后进行处理。 元数据有两种维度——度量(Metrics)与语义(Meaning)。 以往，企业机构做得更多的是语义，但在未来元数据的管理上，两者具有同等重要性，甚至“度量”的地位更高，因为它可以根据此前类似数据的集成方式自动进行数据挖掘和规划。 4)数据管理新角色不断涌现
Gartner针对“企业机构目前及2020前的数据管理职位”进行过调研，结果如上图所示。其中，需重点强调的是数据管家(Data Steward)。“数据管家”在未来的数据管理工作中占有极其重要的地位。 当前，企业机构已经意识到自己的数据源变得更多、数据使用案例变得更为复杂，在此情况下，它们需要新的岗位去应对挑战。 但需强调的是，每个企业机构都有自己不同的战略，它们需要根据预测的业务结果来应用不同的技能、设置不同的数据管理岗位。 （编辑：常州站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
