隨著數據的作用和數據驅動的決策制定的增加，以及可用數據的總體數量和速度的增長，數據治理也在不斷發展，以滿足不斷變化的業務需求。2023年數據治理的最大趨勢是什么？

“到2025年，30%的Gartner客戶將使用“需要共享”方法而不是傳統的“需要知道”方法來保護他們的數據。“

1.云數據治理

從遠程工作到人工智能，云繼續支撐著現代商業的重塑。超過70%的組織已將至少部分工作負載遷移到公共云中。然而，成為云原生的競爭并非沒有風險，從預算超支到遷移延遲。

DevOps人才的持續短缺將加劇遷移和生態系統的挑戰。尤其是在受到高度監管的行業中，傳統和本地基礎設施占很大比重，不同的工作負載不太適合“提升和轉移”方法。組織將需要尋找其他方法來保持競爭力，例如自動化和自助數據分析。

這些基于云的管理系統提供了一種轉換原始數據并在正確的時間將其交付給正確的用戶的方法。無需IT或數據分析師先準備報告。相反，可以按需存儲和訪問大量數據。超越使用數據倉庫的傳統和靜態方法，而是為每個用戶及其相關用例帶來可定制的儀表板。

至關重要的是，基于云的服務現在越來越多地得到AI和ML產品的支持。這些釋放了企業應用人工智能優化現有流程的潛力，例如通過自動化工作流程。還可以根據歷史請求應用學習元素，確保現代數據治理的持續改進周期。

2.自適應人工智能

在當今瞬息萬變的世界中，“一切照舊”的概念要求提高靈活性、活力和適應生存的準備。預計2023年將通過自適應人工智能的興起來實現這一點。系統根據新數據不斷學習、調整和重新訓練模型。它不同于傳統的和更靜態的人工智能，后者需要人類開發人員更新模型并防止它們變得過時或過時。

通過有效地“內置”持續學習，人工智能將需要更少的人工干預。更重要的是，從數據中自適應學習的能力將產生新的見解來支持執行決策，從而使企業能夠引入應用可觀察性。這是可以分析基于AI的決策以獲得進一步建議的地方。然后可以創建一個反饋循環來跟蹤以前的結果。由此產生的基于證據的見解可用于提高預測的準確性并為未來的戰略提供信息。

“到2026年，采用AI工程實踐來構建和管理自適應AI系統的企業將在運行人工智能模型所需的數量和時間上超過同行至少25%。

------Gartner

自適應人工智能有可能解決機器學習模型帶來的一些歷史挑戰。在離群值經常影響訓練數據的情況下，每次迭代都會以指數方式扭曲結果，而不是被忽視。當然，真正新穎的觀察或現實世界變化的影響可能很容易在小數據集中檢測到。而在AI所需的數量中，此類異常值更難確定。因此，自適應人工智能可以降低這種算法偏差的風險。通過動態調整流程，自適應人工智能還可以通過應用更智能的自動化來幫助企業確保更有效的治理。

3、實時數據

數據使企業保持運轉，但實時數據提供了競爭優勢。從以毫秒為單位進行交易的金融機構到批準付款和處理PII的電子商務商店。在按需自助服務體驗的推動下，對實時數據的進一步需求將來自不斷提高的客戶期望。與批量數據管道相比，創建實時數據管道還可以降低處理成本。批處理數據必須從源頭反復查詢，而實時只需要對新數據或事件做出反應。

一些用例只需要基于批處理的管道來處理歷史數據。然而，隨著數據集和相關的治理要求越來越大，許多組織將不得不進行一些大型基礎設施調用。這種演變的規模，加上所需的處理能力和能力，是數據分析自動化到2023年將發揮如此重要作用的原因。從自動執行訂單的簡單腳本，到自動檢測異常或風險活動的復雜算法。

能夠成功利用自動化的組織將能夠提高生產力、更快地發現洞察力并更好地管理復雜變量。它只需要正確選擇平臺。數據生命周期可以自動化，但仍提供具有所需可見性級別的統一事實來源。

4.數據訪問治理

數據隱私、保護和治理在世界各國政府的待辦事項清單上名列前茅。

歐盟的GDPR、加拿大的PIPEDA和中國的PIPL——這些和其他國家已經表明，大規模調整立法是可能的。這種勢頭使數據治理和數據訪問控制成為2023年業務戰略的核心。

“截至2020年，全球10%的人口的個人數據受到現代隱私法規的保護。到2023年，預計全球總人口的65%的個人數據將受到隱私法規的保護。

當多個業務職能協調一致時，這些趨勢將在2023年及以后帶來許多機會。從外部角度來看，展示合規性可以作為品牌差異化因素，在消費者中建立信任。從內部角度來看，自動化數據治理和策略管理提高了整個企業的生產力。員工可以自由訪問他們需要的數據，而無需手動檢查他們是否合規。數據可以動態到達，用于聚合、共享和與其他BI工具集成。當然，它始于遵守必要法規的基本要求。以及靈活性和穩健性。當這些法規更新時，或要求對PII進行更多控制或圍繞無偏差算法提高透明度時。一旦數據保護框架到位，數據治理就可以成為競爭優勢。重點不是簡單地控制數據，而是更多地關注需要數據的人。

5.數據民主化

到2023年，對數據民主化的需求將繼續上升，要求企業擺脫傳統的自上而下的數據治理方法。相反，重點將放在根據需要將數據交到盡可能多的被批準的數據消費者手中。合規數據將變得更易于訪問和按需提供。而不是期望人類專業知識必須經常通過手動和冗長的過程和瓶頸來尋找數據。

這將意味著商業智能將更加面向自助服務，而不是IT的專利。隨著員工越來越多地將數據納入決策和協作，企業文化也將發生變化。

“組織越來越希望通過內部協作、跨生態系統的數據共享、直接商業化或作為AI驅動的業務決策的基礎來利用其數據來獲得業務優勢”

低代碼的興起表明了非技術用戶可以實現的目標。從生成豐富的數據可視化到構建應用程序。民主化數據——結構化和非結構化——是該過程的自然演變。在優先考慮可用性的地方，同時降低傳統數據治理流程的復雜性和剛性。

人工智能和機器學習在即將到來的數據管理趨勢中的作用

數據管理自動化不僅使普通業務用戶能夠自行執行復雜的數據相關任務，而且確保滿足所有法規要求。因此，越來越多地使用AI和機器學習解決方案和工具已成為企業在日益規范的數據管理生態系統中保持相關性和合規性的必要條件。

越來越多的關于地震等自然災害的研究將依賴AI、RPA和ML驅動的大數據來進行可操作的預測。

AI和ML將完全控制從數據中心涌出的大數據——試圖捕捉隱藏的關系，并在人類理解的邊界內保持和投射洞察力。

隨著全球供應商在推出變革性AI和ML解決方案方面展開并駕齊驅的競爭，組織現在將擁有更廣泛的可用解決方案選擇。然而，技術和工具的廣泛選擇也會讓企業領導者和決策者進退兩難，難以做出最適合他們需求的選擇。

人工智能技術革命將為2023年及以后的數據分析創造新機遇。突然崛起數據分析自動化將需要企業使用人工智能、機器學習、低代碼、無代碼工具和更多選項來自動化盡可能多的流程。

協助管理客戶數據的工具也為實施創造了機會智能自動化，這是另一個值得關注的AI趨勢。

自動化支持數據管道的敏捷創建、管理和關閉，為任何規模或成長階段的組織提供他們在持續集成、持續部署(CICD)框架內所需的數據可見性。

到2025年，人工智能驅動，“上下文感知”分析模型將取代60%的基于傳統數據構建的現有模型。