近期，愛分析發布2022數據智能應用實踐報告，報告指出，隨著數字化轉型進入深水區，各行各業中的數據形態和應用端需求正在發生變化，傳統的以結構化數據為主的管理和分析已經遠遠不能滿足當前市場中企業對于數據的需求，對于多源異構數據的管理和更加智能化的數據應用是每一個企業在數字化時代必須構建的能力。

湖倉一體強化全域數據管理效能

為解決數據類型豐富、數據體量倍增帶來的存儲問題，同時滿足人工智能、機器學習在趨勢預測、探索分析等方面的應用需求，同時配置數據倉庫、數據湖成為企業的普遍選擇。然而企業逐漸發現多架構的配置并不完美，解決既有問題的同時帶來新的架構問題，如數據流通低效、數據冗余以及存儲成本高。

湖倉一體能有效解決復雜架構問題。湖倉一體通過元數據層在數據湖上實現全局數據統一管理，支持流批一體簡化系統架構，以及云原生、存算分離的特征成為數據架構新一代進化方向。

從管理到運營，DataOps釋放數據中臺價值

當前，數據中臺的功能主要體現在為企業打通數據孤島、建立指標體系、實現數據質量管理、資產管理等方面，重點解決企業“有數據可用”的問題。隨著數據應用場景的豐富，數據應用的多元化，數據開發運維的壓力驟增，數據不可信、數據應用交付緩慢等問題頻發。解決“數據好用”的問題成為數據中臺實現數據能力復用和共享的關鍵。

DataOps是一套以數據為中心的數據管理及運維開發方法論。融合DataOps方法論，數據中臺將顯著提升數據質量、實現數據應用持續敏捷交付、降低數據管理成本。DataOps實踐尚不成熟，但已經成為數據中臺進一步釋放數據價值的關鍵路徑。

高時效場景爆發，實時數據平臺支撐熱數據價值釋放

物聯網使得海量實時數據觸手可及，進而推動以金融、工業行業為代表的實時數據應用的創新，如精準營銷、風控管理、故障預警等。企業需要對數據架構進行升級，實現實時數據和離線數據融合，充分利用實時數據價值。

實時數據平臺支持多源數據采集、提供高可用、低成本的數據同步方案，并通過流批一體的方式實現離線數據和實時數據統一存儲和查詢，提升企業實時場景開發和上線效率。

政策合規要求推動隱私計算平臺快速滲透

以金融、政務、醫療為代表的行業需要通過數據跨機構協作及共享提升服務價值、控制風險、提升效益。然而數據跨機構的流通阻力極大，一方面，隨著《數據安全法》及《個人信息保護法》的頒布，國家對數據流通監管加強；另一方面，數據資產等同于企業的命脈，使得企業對數據流通持十二分謹慎態度。

隱私計算能為企業實現數據跨機構的流通共享。隱私計算通過聯邦學習、多方安全計算、可信執行環境以及同態加密等一種或多種技術組合，實現數據流通過程中的“可用不可見”，已經為越來越多的行業采用。

屬于業務人員的數據分析時代來臨

隨著數據應用的深化，企業數據分析場景正在發生三個“轉變”：1、平民化：數據分析平臺的服務對象從傳統財務人員及管理人員向一線業務人員轉變；2、場景化：數據分析平臺的應用場景也從財務及業績呈現向具體業務分析轉變；3、智能化：企業對數據分析平臺的功能需求從傳固定式的呈現形式向智能、個性、靈活自助的形式轉變。這對數據分析平臺的定位和功能提出了挑戰。

數據分析平臺也在與時俱進，可以看到，市場中已經快速出現多種應對方案。如部分技術廠商通過融合NLP、機器學習、低代碼等技術使數據分析平臺具備滿足智能化、自助化的特點，使產品具備通用性；部分廠商在原本針對垂直業務場景的體系化產品中增加數據分析功能，為企業實現業務小閉環。企業可靈活根據自身業務需求選擇相應數據分析平臺產品及服務。

數據智能行業應用從監測、診斷性分析走向智能決策

傳統的大數據和人工智能技術建模和分析只能識別現狀和問題，企業若想進行業務決策仍需大量人工介入，嚴重依賴專家經驗，影響決策速度，不能適應快速變化的市場環境。企業希望通過人工智能技術實現根因分析、數據關系挖掘和決策支持，從而提高決策速度。

智能決策技術持續迭代更新，融合大數據以及機器學習、深度學習、強化學習、運籌優化、知識圖譜等人工智能技術，能夠深度挖掘數據價值，構建數據知識網絡，持續優化模型精準度，快速輸出優質的決策方案，支持企業各部門實現高效決策。

結語

當前，出于政策合規、采購習慣和認知等方面的原因，中國企業尤其是中大型企業對于公有云的采納進展仍處于早期，但基礎設施上云的趨勢仍在穩步推進。未來，隨著基礎設施上云，基于云上的數據分析和應用，以及跨組織、跨區域的數據共享和消費是值得關注的趨勢。

同時，隨著區塊鏈、隱私計算等技術的滲透，政策對于數據要素流通的倡導，以及數據資產定價機制的探索，相關基礎設施將逐步走向成熟，為數據要素的高效流通和應用、釋放更大的價值帶來可能。