企业将继续进行数字化转型以在新常态下生存和发展
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2020-12-24
当前数据表明到2021年可能会保持相同的模式
企业中的某些部门将聘用新员工以加速数字化转型，而其他组织将与现有员工一道迁移以解决新问题，企业将开发新产品并开发使用数据的新方法，除了COVID-19（或它的一部分）之外，自助服务和高级分析（例如机器学习）在2020年继续发展，我们今年接受调查的大多数受访者表示，机器学习需求正在增长，企业雇用数据科学家，并计划提高其业务分析师的技能，以成为数据科学家，从而解决了机器学习所需的人才。
供应商通过提供自动机器学习之类的工具
通过提供包括自动特征提取和超参数化的功能来帮助提高数据科学家的生产率，并使其业务分析人员更易于构建模型，从而继续使其产品更易于使用，关于提高技能是否成功尚无定论，早期数据表明可以，我们将在2021年了解更多，供应商在2020年大肆宣传的另一个领域是统一平台，尤其是在云中，这里的想法是支持分析，尤其是具有大规模和可信赖数据的迭代和计算密集型高级分析（例如AI技术），由于云的可伸缩性和灵活性，许多组织都将云作为其统一平台策略的一部分。
2020年趋势将继续炙手可热但是随着组织摆脱大流行，他们还将关注以下三个趋势
热点1：机器学习和自助服务仍然是首要任务
对机器学习和自助服务的需求持续增长，公司希望在分析方面变得更加先进，以更好地竞争。在实践方面，企业将需要确定这些工具可以为他们提供多少帮助，以及使用这些工具会涉及哪些方面，对于自助工具，数据素养将是关键，这是组织需要进步的领域，许多企业仍不懂数据，这影响了自助服务分析的采用，数据素养将是2021年的优先事项，如前所述，在机器学习方面，人们对自动化工具的兴趣与日俱增，我们建议用户应该具有验证这些工具产生的见解的技能；对于组织而言，选择透明的工具非常重要，这样用户就可以知道幕后发生的事情，因为无论模型是如何衍生的，他们都必须理解并捍卫自己的分析，作为2021年供应商解决方案的一部分，可解释性功能将继续发挥重要作用，帮助识别数据偏差的工作也将认真进行。
热点2：统一平台
将数据快速移交给业务用户和分析应用程序从未如此重要，但是随着企业寻求产生更快更好的见解，他们面临着令人眼花zz乱的数据源以及缓慢而复杂的步骤来准备和转换数据以进行分析，操作仪表板和其他类型的数据使用，传统的数据仓库流程例如提取，转换和加载（ETL）通常终会变得太慢，太复杂而无法满足数据需求，新兴的替代方法是统一的数据和分析平台-紧密集成的工具套件，可提供数据管理，分析和其他服务。这些平台更常见于云中，同样他们更经常利用微服务架构，随着企业在2021年转向云计算，期望听到更多有关云数据和分析平台的信息。
热点三：容器
随着企业开始建立更多的机器学习模型并希望将其投入生产，他们经常寻求容器来帮助他们，容器化涉及将软件代码及其所有依赖项打包在一个容器中，以便该软件几乎可以在任何基础架构上运行，容器无疑变得越来越流行，大约四分之一的受访者已经在使用容器（根据未发表的TDWI研究），机器学习模型-包括代码，依赖项，工具，库和配置文件-都可以打包到一个容器中，然后数据科学家可以使用容器来共享他们的工作并将其投入生产，这也意味着其他人可以重新运行/复制作品，在云中可以复制容器以在集群中运行，预计2021年将成为部署机器学习的容器之年。
随着企业扩展生产中模型的数量
这是负责模型管理和监视的技术团队，他们负责在生产中验证，注册，部署，监视和重新训练模型，尽管今天有许多数据科学家对此负责，但希望组织随着规模生产模型的扩展，开始更加认真地考虑在2021年招聘。
公司将摆脱COVID-19危机
一些幸存下来的公司将变得更加强大和灵活，部分原因是数据和分析在组织中的作用。展望2021年，这是组织适应新常态并进行相应现代化改造的一年。
企业中的某些部门将聘用新员工以加速数字化转型，而其他组织将与现有员工一道迁移以解决新问题，企业将开发新产品并开发使用数据的新方法，除了COVID-19（或它的一部分）之外，自助服务和高级分析（例如机器学习）在2020年继续发展，我们今年接受调查的大多数受访者表示，机器学习需求正在增长，企业雇用数据科学家，并计划提高其业务分析师的技能，以成为数据科学家，从而解决了机器学习所需的人才。
供应商通过提供自动机器学习之类的工具
通过提供包括自动特征提取和超参数化的功能来帮助提高数据科学家的生产率，并使其业务分析人员更易于构建模型，从而继续使其产品更易于使用，关于提高技能是否成功尚无定论，早期数据表明可以，我们将在2021年了解更多，供应商在2020年大肆宣传的另一个领域是统一平台，尤其是在云中，这里的想法是支持分析，尤其是具有大规模和可信赖数据的迭代和计算密集型高级分析（例如AI技术），由于云的可伸缩性和灵活性，许多组织都将云作为其统一平台策略的一部分。
2020年趋势将继续炙手可热但是随着组织摆脱大流行，他们还将关注以下三个趋势
热点1：机器学习和自助服务仍然是首要任务
对机器学习和自助服务的需求持续增长，公司希望在分析方面变得更加先进，以更好地竞争。在实践方面，企业将需要确定这些工具可以为他们提供多少帮助，以及使用这些工具会涉及哪些方面，对于自助工具，数据素养将是关键，这是组织需要进步的领域，许多企业仍不懂数据，这影响了自助服务分析的采用，数据素养将是2021年的优先事项，如前所述，在机器学习方面，人们对自动化工具的兴趣与日俱增，我们建议用户应该具有验证这些工具产生的见解的技能；对于组织而言，选择透明的工具非常重要，这样用户就可以知道幕后发生的事情，因为无论模型是如何衍生的，他们都必须理解并捍卫自己的分析，作为2021年供应商解决方案的一部分，可解释性功能将继续发挥重要作用，帮助识别数据偏差的工作也将认真进行。
热点2：统一平台
将数据快速移交给业务用户和分析应用程序从未如此重要，但是随着企业寻求产生更快更好的见解，他们面临着令人眼花zz乱的数据源以及缓慢而复杂的步骤来准备和转换数据以进行分析，操作仪表板和其他类型的数据使用，传统的数据仓库流程例如提取，转换和加载（ETL）通常终会变得太慢，太复杂而无法满足数据需求，新兴的替代方法是统一的数据和分析平台-紧密集成的工具套件，可提供数据管理，分析和其他服务。这些平台更常见于云中，同样他们更经常利用微服务架构，随着企业在2021年转向云计算，期望听到更多有关云数据和分析平台的信息。
热点三：容器
随着企业开始建立更多的机器学习模型并希望将其投入生产，他们经常寻求容器来帮助他们，容器化涉及将软件代码及其所有依赖项打包在一个容器中，以便该软件几乎可以在任何基础架构上运行，容器无疑变得越来越流行，大约四分之一的受访者已经在使用容器（根据未发表的TDWI研究），机器学习模型-包括代码，依赖项，工具，库和配置文件-都可以打包到一个容器中，然后数据科学家可以使用容器来共享他们的工作并将其投入生产，这也意味着其他人可以重新运行/复制作品，在云中可以复制容器以在集群中运行，预计2021年将成为部署机器学习的容器之年。
随着企业扩展生产中模型的数量
这是负责模型管理和监视的技术团队，他们负责在生产中验证，注册，部署，监视和重新训练模型，尽管今天有许多数据科学家对此负责，但希望组织随着规模生产模型的扩展，开始更加认真地考虑在2021年招聘。
公司将摆脱COVID-19危机
一些幸存下来的公司将变得更加强大和灵活，部分原因是数据和分析在组织中的作用。展望2021年，这是组织适应新常态并进行相应现代化改造的一年。
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
