我们生活在一个时代，人们，地方和事物在数字化方面比以往任何时候都活跃，结果数据量正以惊人的速度增长，数据的大小和复杂性超出了人们从中得出有意义的结论的能力。挑战在于使此数据“易于阅读”以提取有用的信息以支持决策，组织已经转向数据科学家来帮助将复杂数据转换为对业务优化有用的东西，但是出色地完成这项工作所需的技能和经验的复杂组合意味着对这些专家的需求大大超过了供应。

随着自动化机器学习的到来，数据科学家将需要在数据科学生命周期中适应他们的角色，随着公司试图充分利用其数据科学计划，自动化机器学习ML在所有行业中得到了越来越广泛的采用，随着这一趋势的继续，许多数据科学家正在质疑它们对组织的价值以及他们可以提供ML无法提供的功能，要理解这一点，重要的是要了解什么是ML以及它如何适合整个数据科学生命周期。

机器学习应用程序依赖于它们所训练的数据，并且对其敏感，这些实践将帮助您确保培训数据的高质量，要有效，机器学习（ML）有一个重要的要求：数据大量数据，我们可以期望孩子理解猫是什么，并在几次相遇后或通过向他们展示猫的一些例子来识别其他猫，但是​​ML算法需要更多的例子，与人类不同，这些算法无法轻易自行开发推理。

企业需要快速，公正的见解来解释数据中的整个故事，增强分析可以提供帮助，响应COVID-19，企业和个人都被“不确定时期”的言论所淹没。这不是巧合；随着企业处理越来越复杂的决策，不确定性是我们当前状态的标志，快速变化的消费者行为以及对业务和财务绩效的担忧加剧了典型的决策。回答诸如“什么在推动业务绩效？”之类的问题。必不可少，增强分析至关重要，增强分析利用诸如机器学习（ML），人工智能（AI）和自然语言生成（NLG）之类的支持技术来协助数据准备，见解生成和见解解释。这些技术的结合增强了专业人员在分析和商业智能平台中探索和分析数据的方式。

如果要在当今的企业中保持竞争力，哪种技术或方法必须成为企业数据或分析策略的一部分？为什么？如今，成千上万的业务应用程序易于设置，以应对任何公司面临的每一个可能的挑战。但是，随着每个部门采用自己的应用程序集，整个组织中的应用程序数量会增加，从而导致数据孤岛，破坏的手动流程以及缺乏可见性。

在业务中，建立和培育客户关系至关重要，在数据分析领域，关系同样重要，图形数据库供应商的数据科学首席产品经理解释了该技术如何帮助企业化数据关系，上行空间：如果要在当今的企业中保持竞争力，哪种技术或方法必须成为企业数据或分析策略的一部分？为什么？图形技术应该成为每个企业数据和分析策略的一部分，由于多种技术原因，图形数据库平台在连接数据应用程序方面优于其他技术，包括功能，性能，灵活性和开发人员生产率。