随着云分析技术的发展，企业比以往任何时候都能更快地处理更多的数据，企业领导人发现了如何通过新的商业案例来推动信息整合的实际价值。数据分析已经达到了一个转折点，企业看到了更多的战略洞察力的机会，并超越了战术利益以推动真正的竞争优势。
世界已经逐渐从COVID-19大流行病中走出来，转向了供应链中断、经济波动和政治不稳定造成的持续不确定性，业务敏捷性和自动化成为许多高管的首要考虑因素。我们今天在数据分析领域看到的许多使用案例，特别是在人工智能领域，实际的投资回报率驱动场景已经超越了几年前普遍的实验性方法。
我们还发现在大多数企业中，分析从一个有点有限的范围命题转变为无处不在的特性。这些趋势表明，对信息整合和数据治理的需求比以往任何时候都强烈。
在这个由两部分组成的博客系列中，我们将回顾451研究公司最近举办的”影响2022年数据驱动业务成功的首要趋势 “的网络研讨会中的一些见解。在第一部分中，我们将通过数据整合的视角来探讨这些趋势。我们将深入探讨强大、灵活的信息整合战略以支持商业智能、自动化、AI/ML等更广泛的数据计划的各种方式。
我们正处于一个转折点
451 Research的Paige Bartley断言，在数据分析方面，商业世界正处于一个转折点。人们几乎一致认为，数据的重要性正在增加。敏捷性和自动化是重中之重，COVID危机已经成为数字化、数据驱动的客户参与的加速器，尤其是在B2C企业的世界里。推荐阅读：《数据分析的方法、过程和类型解释》
同时，创新和全球化的步伐已经加快，这导致了全新的和可能意想不到的邻近市场的竞争压力的增加。这一趋势至少有一部分是由围绕利用数据的创新所驱动的。企业领导人清楚地认识到，为了跟上时代的步伐，他们必须加强数据分析游戏。
不过，数据的完整性仍然是一个重大的挑战。随着可用数据源的数量不断激增，整合是一个关键问题。在451 Research收集的调查数据中，实时数据整合是企业洞察力举措的第三大挑战障碍。由于数据隐私和安全方面的全球法规正变得日益复杂，这个问题将变得更加困难。
趋势1.云和混合IT已成为现实
世界正在向云端转移，这并不奇怪。特别是对于分析来说，这是自然适合于共享资源的计算环境的。混合IT正在成为常态，包括企业需要的所有工具、产品和服务都在将工作负载分配到最合适的环境。
这对数据整合有重大影响。在过去的几年里，许多企业已经从关键业务应用的单一供应商方法转向最佳战略。这一转变主要是由于可靠的、可扩展的企业数据集成工具的出现。同样，混合IT也从灵活和强大的整合工具中获益匪浅。
由于大多数公司使用的数据源数量激增，对信息整合的需求也随之增加。451研究公司的巴特利指出，在关于数据趋势的年度调查中，该公司询问受访者的组织中存在的数据孤岛的数量。在2021年的调查中，他们在可用答案的列表中增加了新的选项。现在还包括了一个 “多到数不清 “的选项。
运营大型机系统的组织尤其在数据整合方面遇到了挑战，主要是因为他们最关键的业务信息存储在这些系统中，而这些系统不容易与现代基于云的分析平台互操作。古老的数据类型、COBOL抄本和类似的挑战比比皆是。
趋势2. 实时数据和洞察力越来越重要
虽然数据孤岛是一项挑战，但对于实时提供分析性见解来说，它们可能是特别有问题的。许多企业正在努力提供数据驱动的自动化，但这往往需要即时性。推荐阅读：《用合成数据构建一个数据驱动的未来》
在某些情况下，用户可以舒适地等待5至10分钟(或更长)的信息更新，但在一个消费者越来越习惯于实时结果的世界里，商业用户会期待更好的结果。对于许多用例，可接受的延迟是以毫秒为单位的。例如，欺诈检测算法必须能够立即评估欺诈性交易的可能性。延迟的决定会转化为收入的损失。
这表明人们对实时流数据的需求更加强烈。在主机系统处理交易的情况下，这可能特别具有挑战性。但有了正确的技术，灵活的实时数据流可以在规模上提供即时性和可靠性。
趋势3. AI和ML用例已经成熟
最近，许多人工智能和机器学习(AI/ML)计划正在作为实验性项目运作，旨在发现潜在的商业价值。许多企业希望通过AI/ML以提高商业智能和流程自动化。
一般来说，AI/ML产生的情况是整体的价值高于其部分的总和。机器学习模型必须在现有的数据上进行训练，在一定程度上，用于输入模型的数据元素的数量将会提高其准确性和有用性。如果没有强大的信息整合，可用的数据会受到限制。特别是对于今天的公司而言，随着新数据源的引入、新系统的部署、公司的收购以及新指标往往成为管理层关注的焦点，变化将发展为一个常态。
为了让AI/ML有效地完成其工作，实时数据整合往往是关键。我们已经提到了欺诈检测的例子。随着公司使用AI/ML来识别其供应链中的瓶颈或启动动态定价以应对不断变化的市场需求，整合已经成为了令AI成功的一个关键。
趋势4. 丰富内容增加价值
正如已经指出的那样，数据分析举措的特点往往是 “整体的价值大于其部分的总和”。我们已经解决了消除数据孤岛这一非常重要的需求。不过，纳入和协调来自第三方的数据也同样重要。
目前，越来越多的情况是，未能利用数据丰富化的公司将无法实现其数据计划所要产生的竞争优势。
对于整合和数据丰富之间的关系而言，重要的是公司要保持灵活性。公司要与经过策划和信任的第三方数据源合作，并将外部来源的数据与他们现有的企业数据资产相协调。
对于有意优化其数据分析和人工智能/ML战略的企业高管来说，数据整合是一个关键焦点，同时，数据质量和治理也是关键焦点。我们将在本系列的第二部分讨论这些问题。推荐相关阅读：《数据加密的类型、算法、技术以及方法》