- 数据智能
特别鸣谢（按拼音排序）
报告摘要
湖仓一体强化全域数据管理效能
为解决数据类型丰富、数据体量倍增带来的存储问题，同时满足人工智能、机器学习在趋势预测、探索分析等方面的应用需求，同时配置数据仓库、数据湖成为企业的普遍选择。然而企业逐渐发现多架构的配置并不完美，解决既有问题的同时带来新的架构问题，如数据流通低效、数据冗余以及存储成本高。
湖仓一体能有效解决复杂架构问题。湖仓一体通过元数据层在数据湖上实现全局数据统一管理，支持流批一体简化系统架构，以及云原生、存算分离的特征成为数据架构新一代进化方向。
从管理到运营，DataOps释放数据中台价值
当前，数据中台的功能主要体现在为企业打通数据孤岛、建立指标体系、实现数据质量管理、资产管理等方面，重点解决企业“有数据可用”的问题。随着数据应用场景的丰富，数据应用的多元化，数据开发运维的压力骤增，数据不可信、数据应用交付缓慢等问题频发。解决“数据好用”的问题成为数据中台实现数据能力复用和共享的关键。
DataOps是一套以数据为中心的数据管理及运维开发方法论。融合DataOps方法论，数据中台将显著提升数据质量、实现数据应用持续敏捷交付、降低数据管理成本。DataOps实践尚不成熟，但已经成为数据中台进一步释放数据价值的关键路径。
高时效场景爆发，实时数据平台支撑热数据价值释放
物联网使得海量实时数据触手可及，进而推动以金融、工业行业为代表的实时数据应用的创新，如精准营销、风控管理、故障预警等。企业需要对数据架构进行升级，实现实时数据和离线数据融合，充分利用实时数据价值。
实时数据平台支持多源数据采集、提供高可用、低成本的数据同步方案，并通过流批一体的方式实现离线数据和实时数据统一存储和查询，提升企业实时场景开发和上线效率。
政策合规要求推动隐私计算平台快速渗透
以金融、政务、医疗为代表的行业需要通过数据跨机构协作及共享提升服务价值、控制风险、提升效益。然而数据跨机构的流通阻力极大，一方面，随着《数据安全法》及《个人信息保护法》的颁布，国家对数据流通监管加强；另一方面，数据资产等同于企业的命脉，使得企业对数据流通持十二分谨慎态度。
隐私计算能为企业实现数据跨机构的流通共享。隐私计算通过联邦学习、多方安全计算、可信执行环境以及同态加密等一种或多种技术组合，实现数据流通过程中的“可用不可见”，已经为越来越多的行业采用。
属于业务人员的数据分析时代来临
随着数据应用的深化，企业数据分析场景正在发生三个“转变”：1、平民化：数据分析平台的服务对象从传统财务人员及管理人员向一线业务人员转变；2、场景化：数据分析平台的应用场景也从财务及业绩呈现向具体业务分析转变；3、智能化：企业对数据分析平台的功能需求从传固定式的呈现形式向智能、个性、灵活自助的形式转变。这对数据分析平台的定位和功能提出了挑战。
数据分析平台也在与时俱进，可以看到，市场中已经快速出现多种应对方案。如部分技术厂商通过融合NLP、机器学习、低代码等技术使数据分析平台具备满足智能化、自助化的特点，使产品具备通用性；部分厂商在原本针对垂直业务场景的体系化产品中增加数据分析功能，为企业实现业务小闭环。企业可灵活根据自身业务需求选择相应数据分析平台产品及服务。
数据智能行业应用从监测、诊断性分析走向智能决策
传统的大数据和人工智能技术建模和分析只能识别现状和问题，企业若想进行业务决策仍需大量人工介入，严重依赖专家经验，影响决策速度，不能适应快速变化的市场环境。企业希望通过人工智能技术实现根因分析、数据关系挖掘和决策支持，从而提高决策速度。
智能决策技术持续迭代更新，融合大数据以及机器学习、深度学习、强化学习、运筹优化、知识图谱等人工智能技术，能够深度挖掘数据价值，构建数据知识网络，持续优化模型精准度，快速输出优质的决策方案，支持企业各部门实现高效决策。