Gartner发布2025年数据和分析重要趋势
Gartner公司发布了2025年数据和分析（D&A）重要趋势，这些趋势正在催生包括企业和人员管理等方面的一系列挑战。
Gartner研究副总裁孙鑫（Julian Sun）表示：“D&A正在从一个小众领域走向普及。与此同时，D&A领导者面临的压力已经从‘资源少，事情多’变成了‘资源多，事情更多’，而且这项工作由于风险的增加而变得更具挑战性。不过，有一些趋势将帮助D&A领导者应对他们所面临的压力、期望和需求。”
趋势1：高消耗数据产品
为了充分利用高消耗数据产品，D&A领导者应重点关注关键业务用例，通过产品关联和规模化来减少数据交付方面的挑战，优先交付可重复使用和可组合的最小可行数据产品，以便让团队不断改进这些产品。同时，D&A领导者还必须在数据生产和使用团队之间就关键绩效指标达成共识，这对于衡量数据产品的成功至关重要。
谈数据解读：
未来每个公司都需要搭建一个高效的数据工具库，关键是要先集中精力解决最影响业务的实际问题，而不是做一堆花哨但没用的数据报表。整个过程就像搭建乐高：先拼出基础模块，确保每个模块都能多场景使用，然后通过模块组合解决更复杂的问题，同时所有参与者对"什么样的积木算好积木"有统一标准。
具体做法可以理解为：
1、聚焦关键业务场景：比如先解决"如何预测爆款商品销量"这个问题，而不是同时做用户画像、广告效果分析等10个需求。
2、搭建可复用的数据积木：先做一个最基础的"销售分析看板"（最小可行产品），包含每日销售额、热销商品排行等核心指标。后续逐步添加功能，比如结合天气数据预测销量（改进产品），同时保持这个看板能被采购、仓储等部门共用。
3、建立数据产品体系：把销售看板、库存预警系统、用户行为分析工具等关联起来，形成"数据产品全家桶"。比如当销售预测数据更新时，仓储系统能自动调整备货量。
4、统一考核标准：数据团队和业务部门共同确定：用"库存周转率提升幅度"来衡量预测系统的有效性，而不是技术团队自嗨地追求算法准确率。
5、持续迭代优化：就像手机系统定期升级，根据仓储部门的反馈，在销售预测系统中逐步加入促销活动影响因子、竞争对手价格监控等新功能。
趋势2：元数据管理解决方案
有效的元数据管理应先从技术元数据出发，然后扩展到业务元数据以增强上下文。通过整合各种类型的元数据，企业能够实现数据目录、数据脉络和AI用例。因此，选择有助于自动发现和分析元数据的工具势在必行。
谈数据解读：
AI加持的元数据管理就像给数据贴"智能标签"，第一步先记录数据的基本信息（比如格式、存储位置），第二步补充说明这些数据在业务中的意义（比如这个表格到底是客户名单还是库存清单）。把这两种标签结合起来，数据就会自己"讲故事"，既能快速被找到，又能被AI理解利用。这就像先给图书馆所有书编上编号（技术标签），再给每本书写内容简介（业务标签），最终实现智能检索。
趋势3：多模态数据编织
建立强大的元数据管理实践涉及获取和分析整个数据管道中的元数据。数据编织提供的洞察和自动化可满足编排需求、通过数据运维（DataOps）实现更卓越的运营，并最终实现数据产品。
谈数据解读：
AI时代企业面临的是多模态数据分析，首先就需要将多模态数据进行融合管理，这需要借助Dataops将多模态数据融合工程化处理。就像用智能织布机把不同颜色的线编织成布料，数据编织是把分散在各处的数据（比如Excel表格、监控视频、传感器数据）自动串联起来。例如物流公司把货车GPS数据、仓库监控视频、天气预报整合后，系统能自动发现"暴雨天货车迟到总发生在A路段"，进而调整配送路线。这种自动化连接让数据自己会"报时告警"，省去人工排查的麻烦。
趋势4：合成数据
识别缺失、不完整或获取成本高的数据对于推进AI行动至关重要。合成数据既可以作为原始数据的变体，也可以替代敏感数据，能够在促进AI发展的同时保护数据隐私。
谈数据解读：
AI合成数据在不远的将来将是企业数据的一个重要构成。当真实数据不够用时，就像用仿真食材练习做菜。比如医院需要训练AI识别癌症影像，但真实患者数据涉及隐私，就可以用电脑生成1000张仿真X光片（其中200张带模拟肿瘤），既保护隐私又让AI学会诊断。某银行甚至用合成数据模拟了100万虚拟客户的消费记录，用来测试反欺诈系统是否可靠。
趋势5：代理式分析
使用AI智能体进行数据分析，完成业务成果的自动化闭环具有变革性意义。Gartner建议尝试开发自然语言接口连接业务洞察的用例，并评估供应商的数字化工作场所应用集成路线图。同时，建立治理机制可最大程度地减少错误和幻觉，并且通过AI就绪数据原则评估数据就绪度十分重要。
谈数据解读：
随着智能体的成熟，每个公司都需要配了个AI秘书，她不仅能看懂数据报表，还会主动干活。比如电商平台的AI发现"带视频讲解的商品退货率低15%"，就自动给所有服装类商品生成拍摄脚本，联系模特公司预约拍摄，最后把成果反馈给运营部。整个过程像有个隐形助手在闭环处理问题。
趋势6：AI代理
AI代理对于满足临时的、灵活的或复杂的自适应自动化需求至关重要。企业不能仅仅依赖大语言模型（LLM），还需要采用其他形式的分析和AI技术。D&A领导者应使AI代理能够无缝访问和共享所有应用的数据。
谈数据解读：
未来的数据分析应用，一定是大模型+小模型相互融合的方式，来处理多种复杂分析场景。他就像24小时在线的全能员工，能同时处理多种任务。例如智能客服不仅能回答"我的快递到哪了"，还会根据对话记录发现客户想退货，自动调取该订单数据、检查库存情况，生成"接受退货并赠送20元优惠券"的处理方案，全程无需人类插手。
趋势7：小语言模型
相比大语言模型，Gartner更推荐企业考虑使用小语言模型，以便在特定领域获得更加准确、更符合语境的AI输出结果。Gartner建议提供用于检索增强生成或微调自定义领域模型的数据，特别是在本地使用时，可以处理敏感数据并减少计算资源和成本。
谈数据解读：
Gartner认为小语言模型在特定领域的应用不可忽视，未来各行业级、领域级的小语言模型才是企业数据分析所需要的。就像与其让博士生来做小学数学题，不如直接培养专业解题员。比如法律事务所训练专门解读保险条款的小模型，处理合同的速度比通用大模型快3倍，而且不会瞎编法律条文。就像给收银员配个计算器，比用超级计算机结账更实用。
趋势8：复合型AI
多种AI技术的结合可提高AI的影响力和可靠性。D&A团队不应局限于GenAI和LLM（大语言模型），还应整合数据科学、机器学习、知识图谱以及优化等技术，以实现全面的AI解决方案。
谈数据解读：
把不同AI技术组合使用，就像中西医结合治病。比如预测房价时，既用机器学习分析历史数据，又用知识图谱关联学区、地铁规划等信息，最后用优化算法排除不合理预测。某房产平台这样组合后，房价预测准确率从75%提升到89%。
趋势9：决策智能平台
从数据驱动到以决策为中心的转变至关重要。Gartner建议采取的步骤包括：优先考虑急需建模的业务决策、调整决策智能（DI）实践、评估DI平台。成功的关键在于重新发掘数据科学技术并解决决策自动化的道德、法律和合规问题。
谈数据解读：
从数据驱动到以决策为中心就像把数据武器库升级成作战指挥系统。比如快餐连锁店的AI决策平台，实时分析各门店销售数据后，不仅会建议"明天B店汉堡备货增加30%"，还会自动考虑：库存是否足够、促销方案是否合法、是否要临时调派员工，最终生成可执行的完整方案。就像给将军配了卫星地图+参谋团+传令兵。
