对数据“投入”却没有“产出”？听听 Gartner 的最新分析

Posted 2021-12-11 CSDN云计算

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了对数据“投入”却没有“产出”？听听 Gartner 的最新分析相关的知识，希望对你有一定的参考价值。

作者 | 宋慧

出品 | CSDN云计算（ID：CSDNcloud）

关于数据中台的问题，CSDN 在一年前采访了 Gartner 研究总监孙鑫，采访中，孙鑫提到数据分析将是改变“游戏规则”的技术、企业的中台需要可组装的架构。经过一年的发展，Gartner 再次分享了数据中台的最新进展与其分析观点。

Gartner研究总监孙鑫

从 2019 年起，Gartner 开始关注与研究数据中台，到 2020 年首次发布中台市场的“技术成熟度曲线”，Gartner 认为数据中台在“技术成熟度曲线”的“炒作顶峰”。孙鑫看到，中国有众多的数据库、商业智能 BI、数据科学的厂商，但现在的数据仍是孤岛式，企业已有的数据投入，并没有产出理想的业务价值。而中国企业对数据整合的需求非常旺盛，做数据整合的厂商并不多。因此孙鑫提到，数据整合将成为数据中台最核心的解决方案，也是用户真实所需。

数据中台在技术成熟度曲线的炒作顶峰

数据与业务鸿沟下，Gartner 以分析模型分解数据中台

针对数据和业务问题存在价值鸿沟的痛点，孙鑫认为首先在数据中台的团队中，除 IT 人员，也需要业务端的人员加入，一同完成数据分析，确保企业级数据一致性，共享最佳实践。

另外，在以往数据中台的建设中，通常存在的问题是业务侧团队不了解数据在哪里，用户需要花费时间去寻找数据而不是分析数据，数据资产的定义并未在业务侧团队之间共享。Gartner 认为，需要针对这些问题，中台应实现自动发现元数据，通过元数据智能搜索，找到数据源，让各系统中的数据可以直观传递到用户（业务侧使用者）手中。另外，孙鑫提到，数据资产不应以 IT 团队维护单个项目的形式运行，而应由业务侧团队参与（或众筹的形式），去演进优化与共享数据资产。

Gartner 也建立了一个重要的分析模型——数据和分析基础设施模型DAIM，去分解数据中台建设中遇到的各类问题。模型将各类数据投入分为IT与业务两个维度，将数据分为“已知的数据”和“未知的数据”，业务问题分为“已知的问题”和“未知的问题”，依据模型对中台所需的基础产品进行剖析。

重要模型：数据和分析基础设施模型 DAIM

数据中台组件均可归类在模型中

数据中台的核心产品化组件，都可以归类到模型的四个象限中，其中，孙鑫提到，在中国市场中，数据虚拟化产品目前仍几乎是空白。

数据中台建设重点：数据编织、数据治理、平衡采集与连接

针对数据中台建设，Gartner 给出了三个重点关注的方向。首先是 Gartner 早先提出的数据编织。现在企业已有交易型数据库、数据仓库、数据湖、云端数据存储等众多数据源，Gartner 提出了数据编织，为企业“织”起一张虚拟的网，对企业所有数据虚拟化，在场景中利用知识图谱处理元数据。孙鑫提到，数据编织不是将数据收集于一处，而是对数据进行更优关联，以服务不同用户，帮助用户在合适的时间获得合适大小的数据。同时数据编织也涵盖数据消费的信息，将之定义为企业元数据。

Gartner 提出数据编织 Data Fabric

第二，数据中台应涵盖数据治理。随着《数据安全法》、《个人信息保护法》的颁布和实施，以及“上云”的安全性问题，Gartner 认为数据分析平台应处于企业数字化平台的中心位置，所以也应涵盖治理相关的工作。数据治理不仅由软性标准或治理委员会等执行，之后也将通过技术手段完成政策设置、执法和执行，如数据中台可对数据质量、安全性、隐私、道德的掌控，对数据的定义，以及数据留存条约、条款的制定等。

第三，数据收集与连接实现平衡。数据管理不应只注重数据的收集，导致数据分析和生产价值的延后。采用数据虚拟化，数据中台可依据元数据（数据消费行为）判断应采集还是连接，以及资产化的处理。

对于中台演进的技术，孙鑫也总结其中一些重要的方向。Gartner 看到，现在的数据语义层工具已经在用知识图谱对数据完成关联和建模，从用户自助式分析转变为组装式分析，以业务的视角做业务价值导向的分析，企业应该构建起可以复用的数据分析能力以让用户可以在价值流（Value Stream）上组装分析型应用。

数据分析应用的未来

数据中台未来技术方向：DataOps

未来，孙鑫认为，组装式的数据中台将发展成为“组装式的能力创新平台”，并将塑造数据分析应用的未来。已有的报表平台、分析工作站、自助式分析平台或数据科学平台等，将走向容器化和微服务化。另外，数据分析也将借助 DevOps 加速数据和分析应用上线，Gartner 称其为 DataOps，最终让数据管理与分析的用户从测试更快转入数据生产应用。