在2020年，COVID-19疫情讓各種規模的企業都意識到數據驅動型決策的重要性，而在2021年，預計將推動市場發展的分析趨勢將繼續擴大商業智能的范圍。

在疫情前，很多企業將分析視為奢侈品。但當COVID-19在2020年3月開始傳播時，大家不得不在家隔離，本地經濟基本停止，這使得提高效率、管理供應鏈甚至通過分析找到新的業務渠道，變得至關重要。

[[373335]]

那些已經在進行數字化轉型的企業更是加快了這一進程，而很多尚未開始擁抱數據驅動文化的企業也最終了解到這一需求。

他們將易用性作為優先事項，以便更多的業務用戶(不僅是數據科學家和數據分析師)可以使用數據，并采取措施來提高最終用戶的數據素養。

分析供應商ThoughtSpot公司首席執行官Sudheesh Nair表示：“我認為2020年讓很多人意識到數字化轉型的旅程不會放緩，不會回到疫情前狀態，這很好。”

因此，分析師和高管認為，在2021年至關重要的分析趨勢是：那些在過去幾年開始而由于疫情在2020年加速的基于數字化轉型的分析趨勢。這些趨勢旨在提高效率以縮短完成整個分析流程所需的時間，并通過易用性使企業更多用戶受益。

持續智能

醫療機構需要了解病毒的傳播方式和傳播地點，以便為潛在病例激增做好準備;地方政府需要了解所在市鎮的風險，以便做出有關其經濟的決策;而企業則需要知道其客戶是否仍然會找他們。

在過去，很多人依賴季度和月度報告，而在2020年，這些報告突然變得無關緊要。

當突然很少人去購買食物以外的其他東西時，2月或3月收集的企業數據在4月或5月已經失去意義，而在夏天收集的數據到秋天也沒有意義，因為夏天天氣溫暖，COVID-19病例不多，在秋天，天氣轉冷，病毒傳播再次激增。

企業需要知道五分鐘前而不是五個月前發生了什么。去年同期數據也變得完全沒有相關性，因為12個月前還沒有爆發疫情。

在2020年，持續智能變得至關重要，并將繼續在2021年成為重要的分析趨勢之一。

Qlik公司高級總監兼全球市場情報負責人Dan Sommer說：“自疫情爆發后，我們已經看到對實時和最新數據的需求激增。曾經我們需要季度業務預測，而現在我們需要的數據短暫而易變。”

同樣，SAS公司AI戰略顧問Kimberly Nevala表示，此次疫情暴露了依賴歷史數據和看似可預測模式的弱點。

這意味著，企業將更多地依賴實時數據。

她說：“到2021年，企業將加強對傳統分析團隊和技術的投資，使其更適應于快速數據發現和假設。”

同時，為了充分利用持續智能，當數據發生變化時，應該推送通知。

正是通過這些推送通知，醫療保健組織才可能知道傳播峰值已經開始，他們需要做好準備。警報還可以通知組織了解潛在的供應鏈問題，并讓企業了解有關客戶行為變化的信息。

根據這些警報，企業可以更快地看到各種變化，并且而不是苦苦等待下一個月度或季度報告。

Sommer說：“當基礎設施和應用程序可用，從而可以逐步過渡到主動智能，這將是幫助企業采取行動的重要因素。”

流程自動化

持續智能可使企業比以往更快地對變化做出反應，并讓企業基于比過去更新的智能來采取積極行動，從而使企業更高效、預防損失并推動收入增長。而流程自動化是一種分析趨勢，該趨勢同樣可能使企業變得更高效。

數據管理曾經是IT部門的繁瑣任務，數據科學家過去需要花數周甚至數月完成工作，而現在數據管理工具可以在短時間內自動完成。這些工具能夠自動將數據加載到數據湖和倉庫中，在那里完成所有轉型工作，企業需要準備好這些數據用于探索。

通過流程自動化，數據可以更快準備好用于分析–與人工完成所有數據準備工作相比。同時，這可以讓數據管理人員有更多時間來開發模型，并進行其他工作以利用已準備好的數據，而不是花費大量時間完成艱苦的數據管理。

Sommer說：“快速反應已變得至關重要，而業務流程已成為中心。業務流程管理已經存在數十年。新的發展是我們不僅可以對其進行建模，還可以通過機器人流程自動化等技術來挖掘、自動化和優化流程。”

除準備數據之外，這些工具現在還可以自動監視關鍵績效指標，以了解更改和可能出現的任何其他問題，從而使企業及時對變化作出反應。

Eckerson Group研究副總裁Kevin Petrie表示：新的數據可觀察性工具可以監視、檢測、預測和解決所有問題–從數據源到數據使用。這些可觀察性解決方案有助于使數據管道更快、更可靠。站點可靠性工程師、平臺工程師、數據工程師和架構師都將從中受益，更不用說他們所服務的企業。”

自動化甚至有可能簡化數據的使用。

盡管數據科學家和分析師具有數據素養技能來解釋數據，并做出數據驅動決策，但大多數員工都沒有經過培訓以權威地解釋數據，并做出重要決策。

數據敘事工具能夠自動進行數據解釋，以自然語言創建有關數據的敘述。同時，Yellowfin公司首席執行官兼聯合創始人Glen Rabie預測，BI供應商將開發工具以提供指導性方法，并在處理數據的過程中引導最終用戶。

他說：“新的簡化的用戶界面將使業務用戶能夠以一種更具指導性的方式與數據進行交互，從而使他們減少獲取見解的時間，且只需最少的分析技能。自動化分析將從企業領域轉向軟件供應商，后者將嵌入這些功能并通過其客戶群實現大規模部署。”

AI的發展

增強智能是AI的分支，增強智能將商業智能從數據可視化擴展到很多人所認為的第三代分析中。

現在，有些平臺可以自行進行數據分析。同時，低代碼和無代碼應用程序開發工具，使開發人員不必編寫繁瑣代碼來開發應用程序，而自然語言處理(NLP)的進步使沒有數據科學背景的業務用戶能夠提出數據問題并利用數據。

在2021年，人工智能功能將繼續發展，特別是NLP有潛力將分析范圍擴展到新用戶。

NLP已經以某種形式存在很多年，但受到語言本身復雜性的限制。在世界范圍內，存在著5,000多種語言，但是即使是使用最廣泛的語言，也存在聽起來相同但含義不同的單詞，拼寫相同但含義不同的單詞以及含義相同但看起來或聽起來無關的單詞。

但是NLP技術正在進步并變得有效。

Enterprise Strategy Group公司高級分析師Mike Leone說：“自然語言已經開始改變人們從數據中學習和與數據交互的方式。”

例如，數據敘事平臺現在能夠查詢數據并開發敘述以純語言解釋結果。

然而，Leone認為，NLP尚未被廣泛采用。

他說：“在商業智能方面，自然語言集成和使用尚處于部署的早期階段。隨著企業不斷尋找方法使所有最終用戶更好地利用數據，預計自然語言的部署將在2021年激增。”

但是，除該技術本身外，在2021年，AI可能會以其他方式發展，并且Petrie預測企業將在2021年開始將其AI資產貨幣化。

企業需要AI模型來優化自己的業務，但并非所有企業都擁有資金來開發自己的模型。不過，具備能力開發模型的企業數量正在增加，他們正在尋找從其中獲利的方法。

Petrie說：“這些供需力量可以在人工智能市場中找到平衡點，這有助于企業和個人將人工智能模型交換以獲取利潤。業務經理可以尋找和購買模型，數據科學家可以創建和出售模型，開發人員可以使用它們并將其與應用程序集成。”

Nevala同時預測，未來幾年將制定的新政府法規將刺激更多AI的采用。

她說，當前相對缺乏法規，使企業無法開發新功能，因為他們擔心他們違反尚待制定的法律，并超越隱私界限。

Nevala表示：“新法規提供明確的規定，以確定風險和關聯風險，以支持AI的部署。這將使企業能夠更自信地應對這些概率學習系統固有的不確定性。”

她補充說，盡管如此，他們需要謹記，不同地區的法規可能會有所不同。

其他趨勢：數據素養和嵌入式BI

數據素養和嵌入式分析在過去幾年中一直呈上升趨勢，預計在2021年它們的重要性和部署將繼續增加。

在過去，分析師會查看圖表或儀表板，并根據他們所看到的來做出決策，而嵌入式BI使自助服務用戶可以隨時隨地使用數據。

當用戶在屏幕上滾動查看某些單詞或數字時，嵌入式分析可以向用戶傳遞信息。當用戶準備數據時，它可以提醒用戶。當一線員工在銷售點直接與客戶互動時，嵌入式分析也可以及時提供信息。

但是根據Leone所說，盡管嵌入式BI具有潛力，但它仍然是理想，而不是現實。

他說：“在過去的幾年中，供應商已經強調自助服務BI對幫助實現分析大眾化的重要性，但事實是，它并沒有像供應商營銷所描述的那樣迅速發展。嵌入式分析將被證明是真正實現大眾訪問分析和商業智能的理想方法。”

同樣，Rabie表示，隨時隨地的BI(不僅是在運行查詢以及查看圖表和儀表板時)在2021年將是一種趨勢。

他說：“我們將會看到企業擁抱背景分析的力量，使他們能夠在決策時更輕松地涉足分析，同時將操作流程與指導分析相集成。”

同時，數據素養是當前的另一趨勢，并將在2021年繼續保持增長勢頭。

雖然現在有些敘事工具可以自動進行數據解釋，并使更多的最終用戶可以使用數據，但它們仍然有局限性。它們僅旨在為決策提供信息，而不是自己真正做出決策。

因此，數據素養仍然是決策過程不可或缺的部分。當數據不斷變化且很多企業在疫情中掙扎求生時，數據素養比任何時候都更重要。

Nair說：“提高整個企業的數據流暢性至關重要，而不是發出更多報告或為每個職能分配一個BI人員。”

在當前COVID-19病例再次激增的情況下，對于醫療機構而已，數據至關重要。對于政府機構決定是否再次關閉部分經濟體同樣至關重要，這對于企業決定如何保持生計也非常重要。

Nair說：“這將是數據分析的一年，企業有必要提高整個企業的數據流暢性。至少這一旅程將在2021年開始。”