Esqueça o Big Data, uma das grandes tendências em dados para 2021 diz respeito ao small e wide data
Embora a pandemia tenha acelerado a adoção de tecnologias baseadas em dados, muitas empresas que já estavam familiarizadas com o uso de dados para os negócios precisaram rever como as usavam. Quando a Covid-19 avançou, as organizações que usavam técnicas tradicionais de analytics e que dependem muito de grandes quantidades de dados históricos perceberam que muitos desses modelos não são mais relevantes, ou mesmo, se tornaram inúteis após a pandemia, segundo avaliação do Gartner.
Por sua vez, as equipes de Data & Analytics voltadas para o futuro estão mudando de técnicas tradicionais de inteligência artificial que dependem de “grandes” dados para uma classe de analytics que requer menos ou “pequena” e mais variada. De acordo com o Gartner, a transição de big data para small data e wide data é uma das principais tendências de Data e Analytics para 2021.
“Essas tendências de dados e analytics podem ajudar as organizações e a sociedade a lidar com mudanças disruptivas, incertezas radicais e as oportunidades que elas trazem nos próximos três anos”, disse Rita Sallam, VP Analyst do Gartner. “Os líderes de dados e analytics devem examinar de forma proativa como aproveitar essas tendências em investimentos de missão crítica que aceleram suas capacidades de antecipar, mudar e responder”.
O Gartner listou dez tendências do segmento de Data e Analytics para 2021, cada uma delas se enquadra em um destes três temas principais:
Essas tendências representam a dinâmica de negócios, mercado e tecnologia que os líderes de Data e Analytics não podem ignorar.
A IA escalável, mais responsável e inteligente permitirá melhores algoritmos de aprendizagem, sistemas interpretáveis e menor tempo de valorização. As organizações começarão a exigir muito mais dos sistemas de IA e precisarão descobrir como dimensionar as tecnologias – algo que até agora tem sido um desafio.
Embora as técnicas tradicionais de IA possam depender muito de dados históricos, considerando como a Covid-19 mudou o cenário de negócios, os dados históricos podem não ser mais relevantes. Isso significa que a tecnologia de IA deve ser capaz de operar com menos dados por meio de técnicas de “pequenos dados” e machine learning adaptável. Esses sistemas de IA também devem proteger a privacidade, cumprir os regulamentos federais e minimizar o preconceito para apoiar uma IA ética.
O objetivo dos dados e analytics combináveis é usar componentes de vários dados, análises e soluções de IA para uma experiência flexível, amigável e utilizável que permitirá aos líderes conectar percepções de dados a ações de negócios. As consultas dos clientes do Gartner sugerem que a maioria das grandes organizações tem mais de uma ferramenta de analytics e inteligência de negócios de “padrão corporativo”.
A composição de novos aplicativos a partir dos recursos de negócios empacotados de cada um promove produtividade e agilidade. Os dados e analytics combináveis não apenas encorajarão a colaboração e desenvolverão os recursos analíticos da organização, como também aumentam o acesso a analytics.
À medida que os dados se tornam cada vez mais complexos e os negócios digitais aceleram, a malha de dados é a arquitetura que dará suporte a dados e analytics combináveis e seus vários componentes.
O data fabric reduz o tempo para o projeto de integração em 30%, a implantação em 30% e a manutenção em 70%, porque os projetos de tecnologia se baseiam na capacidade de usar/reutilizar e combinar diferentes estilos de integração de dados. Além disso, os data fabrics podem aproveitar as habilidades e tecnologias existentes de hubs de dados, data lakes e data warehouses, ao mesmo tempo que introduz novas abordagens e ferramentas para o futuro.
Dados pequenos e amplos, ao contrário do big data, resolvem uma série de problemas para organizações que lidam com questões cada vez mais complexas em IA e desafios com casos de uso de dados escassos. Dados amplos – aproveitando as técnicas de “X analytics” – permitem a análise e a sinergia de uma variedade de fontes de dados pequenas e variadas (amplas), não estruturadas e estruturadas para aprimorar a consciência contextual e as decisões. Dados pequenos, como o nome indica, são capazes de usar modelos de dados que requerem menos dados, mas ainda oferecem percepções úteis.
O objetivo do XOps (dados, machine learning, modelo, plataforma) é atingir eficiências e economias de escala usando as práticas recomendadas de DevOps – e garantir confiabilidade, capacidade de reutilização e repetibilidade, reduzindo a duplicação de tecnologia e processos e permitindo a automação.
Essas tecnologias permitirão o dimensionamento de protótipos e fornecerão um design flexível e uma orquestração ágil de sistemas de tomada de decisão governados. No geral, o XOps permitirá que as organizações operacionalizem dados e analytics para gerar valor de negócios.
A inteligência de decisão é uma disciplina que inclui uma ampla gama de tomadas de decisão, incluindo analytics convencionais, IA e aplicativos de sistemas adaptativos complexos. A inteligência de decisão de engenharia se aplica não apenas a decisões individuais, mas também a sequências de decisões, agrupando-as em processos de negócios e até mesmo em redes de tomada de decisão emergente.
Isso permite que as organizações obtenham mais rapidamente os insights necessários para conduzir ações para os negócios. Quando combinada com capacidade de composição e um tecido de dados comum, a inteligência de decisão projetada abre novas oportunidades para repensar ou reformular como as organizações otimizam as decisões e as tornam mais precisas, reproduzíveis e rastreáveis.
Os líderes de negócios estão começando a entender a importância de usar dados e analytics para acelerar iniciativas de negócios digitais. Em vez de ser um foco secundário – concluído por uma equipe separada – os dados e analytics estão mudando para uma função central. No entanto, os líderes de negócios muitas vezes subestimam as complexidades dos dados e acabam perdendo oportunidades. Se os diretores de dados (CDOs) estiverem envolvidos na definição de metas e estratégias, eles podem aumentar a produção consistente de valor de negócios por um fator de 2,6 vezes.
O gráfico forma a base de dados e analytics modernos com recursos para aprimorar e melhorar a colaboração do usuário, modelos de machine learning e IA explicável. Embora as tecnologias de gráfico não sejam novas para dados e analytics, houve uma mudança no pensamento em torno delas conforme as organizações identificam um número crescente de casos de uso. Na verdade, até 50% das consultas dos clientes do Gartner sobre o tópico de IA envolvem uma discussão sobre o uso da tecnologia de gráfico.
Tradicionalmente, os usuários de negócios estavam restritos a painéis predefinidos e exploração manual de dados. Frequentemente, isso significava que os painéis de dados e analytics eram restritos a analistas de dados ou cidadãos cientistas de dados explorando questões predefinidas.
No entanto, o Gartner acredita que, no futuro, esses painéis serão substituídos por insights automatizados, conversacionais, móveis e gerados dinamicamente personalizados para as necessidades do usuário e entregues em seu ponto de consumo. Isso muda o conhecimento do insight de um punhado de especialistas em dados para qualquer pessoa na organização.
À medida que mais tecnologias de data analytics começam a viver fora do data center tradicional e dos ambientes de nuvem, elas se aproximam dos ativos físicos. Isso reduz ou elimina a latência para soluções centradas em dados e permite mais valor em tempo real.
Transferir dados e analytics para o limite abrirá oportunidades para as equipes de dados escalarem recursos e estenderem o impacto a diferentes partes do negócio. Ele também pode fornecer soluções para situações em que os dados não podem ser removidos de geografias específicas por razões legais ou regulatórias.
