数据分析是企业经营管理中必不可少的一项工作，是企业高管制定企业战略的基础。进入智能时代，数据的生产要素意义更加凸显，得数据者得天下更是成为企业的共识。因此，在当前数据分析更是企业竞争的核心竞争力。但在这个智能化时代，数据量更是裂变性地爆炸，传统的数据分析方式已经不能适应如此大量、需求多变的数据形势，如何应用AI助力数据分析就成为了企业当前的必要。

近日，权威机构Gartner发布了一份《2025年数据和分析趋势》的报告，总结了当前数据分析的现状、需求变化，并提出数据分析的9大趋势，对业界的数据分析发展卓有启迪意义。

从用户体验到代理体验的跃迁

市场和新技术层出不穷、瞬息万变，企业的管理者始终要在不变中应对万变。AI主导的数字化世界当中，数据分析也有万变中的不变：数据永远都在增长；业务部门的需求越来越复杂多样。

从供给角度来看，在IT侧或者AI主管侧，永远都会有更多的数据涌入到企业当中，一定会有越来越多更复杂、更详细的需求从业务部门提出。在这种趋势下，许多时候供需情况并不匹配，企业经常是用一些旧的方式解决新的问题，这对企业高管是一个现实的挑战。

在数据分析中，有所谓暗数据（Dark Data）的概念，是指企业没有关注到的一些数据，例如从IoT设备当中来的一些数据，也有文本数据、企业知识库构建的源头等非结构化的数据。这些数据积累越来越多，种类变得越来越复杂。企业IT部门需要考虑如何获得数据，Gartner将这一阶段称之为用户体验阶段（User experience）。在这个阶段，开发人员希望有更好的开发界面，良好的开发体验能更好地让开发人员提高生产力。

随着技术的发展，又进入到类代理式体验（Agentic experience），可以服务到更广阔的业务用户。在这个阶段用户可以用自然语言的形式去快速地获取数据，能够更好地把业务需求转化成业务分析语言，最后呈现出业务部门能够看得懂、企业能够执行的效果。

Gartner研究副总裁孙鑫（Julian Sun）表示：“我们需要构建一个非常好的管理模式让这样的供需能够达到合理平衡，每一个业务部门都希望有一个界面可以让我们的业务用户直接通过跟代理对话的形式完成数字化愿望。”

AI时代数据分析的九大趋势

高消耗数据产品：为了有效利用高消耗数据产品，企业可以通过产品关联和规模化来降低数据交付的挑战，优先提供可重复使用和可组合的最小可行数据产品，使团队能够持续改进这些产品。此外，企业高层还需在数据生产与使用团队之间就关键绩效指标达成一致，这对于评估数据产品的成功至关重要。

元数据管理解决方案：有效的元数据管理应从技术元数据扩展至业务元数据，以增强上下文关联。通过整合各类元数据，企业可实现数据目录、数据脉络及AI应用。因此，选择能自动发现和分析元数据的工具至关重要。

多模态数据编织：建立强大的元数据管理实践需要收集和分析整个数据管道中的元数据。数据编织提供的洞察力和自动化功能，能够满足编排需求，通过数据运维提升运营效率，最终实现高质量的数据产品。

合成数据：识别缺失、不完整或获取成本高的数据对于推动AI进展至关重要。合成数据既能作为原始数据的变体，也能替代敏感数据，在促进AI发展的同时保护数据隐私。

代理式分析：利用AI智能体进行数据分析，对于实现业务成果的自动化闭环具有革命性意义。Gartner建议尝试开发自然语言接口以连接业务洞察，并评估供应商在数字化工作场所应用集成方面的路线图。此外，建立治理机制可以最大限度地减少错误和幻觉，同时通过AI就绪数据原则评估数据的准备情况也非常重要。

AI代理：在满足临时、灵活或复杂自适应自动化需求方面，AI代理至关重要。企业不应仅依赖大语言模型（LLM），还需结合其他分析和AI技术。确保AI代理能无缝访问和共享所有应用程序的数据是必要的。

小语言模型：相较于大型语言模型，Gartner建议企业考虑使用小型语言模型，以在特定领域获得更准确、更符合语境的AI输出结果。Gartner还建议提供用于检索增强生成或微调定制领域模型的数据，尤其是在本地使用时，这样可以处理敏感数据，并减少计算资源和成本。

复合型AI：结合多种AI技术可以提升其影响力和可靠性。数据分析不仅限于生成式AI和大语言模型，还应包括数据科学、机器学习、知识图谱和优化等技术，以实现全面的AI解决方案。

决策智能平台：从数据驱动向以决策为中心的转变至关重要。Gartner建议采取以下步骤：优先处理需要建模的业务决策，调整决策智能（DI）实践，并评估DI平台。成功的关键在于重新审视数据科学技术，并解决决策自动化中的道德、法律和合规问题。

从数字化时代步入智能化时代，数据分析的主体也正在从人变成人工智能，而人需要走得更高，变成使用AI进行数据分析的工作者、管理人。无论技术迭代如何高频，把握时代的发展规律，从数据中寻找企业发展的方向总是以不变应万变的不二法门。