Análise dos principais pontos abordados no Gartner Data & Analytics Summit

Como mencionamos em nosso resumo pós-show, a equipe Rocket saiu do Cúpula de Dados e Análise (D&A) da Gartner Em Orlando, o Summit proporcionou ótimas ideias e insights a partir das diversas sessões e discussões. Para aqueles que não puderam comparecer, o evento reuniu líderes de TI, negócios e dados de diversos setores para debater, aprender e compartilhar conhecimentos sobre inteligência artificial (IA), gestão de dados, arquitetura, governança e muito mais. Entre as principais preocupações dos participantes estavam como aproveitar ao máximo o potencial da IA, como a arquitetura de dados pode contribuir para isso e o que os profissionais de dados devem fazer para se preparar para o futuro. 

Como a equipe vivenciou o evento sob diferentes perspectivas, nos reunimos posteriormente e compartilhamos nossas principais conclusões. Ao final, percebemos que dois temas principais emergiram: o futuro da IA ​​e a arquitetura de dados. Para ajudar vocês a se orientarem nesses tópicos importantes, gostaria de compartilhar nossas conclusões e o que elas significam para suas funções, agora e no futuro. 

IA: a sigla mais usada (e ainda a mais confusa) para 2025

Em resumo, as empresas ainda estão tentando definir quais devem ser suas iniciativas de IA. A tecnologia está evoluindo tão rapidamente que é difícil estabelecer um rumo definitivo. (um estudo recente afirmou) A IA pode ficar "ansiosa"."Espere, O QUÊ?!" Mas é evidente que a IA é o futuro da gestão de dados e do conhecimento corporativo. A chave é definir claramente o que você deseja obter ao aplicar a IA às suas iniciativas de coleta e interpretação de dados antes de começar.  

Eis nossas considerações: 

• O nível de investimento na área de dados, agora impulsionado pela IA, continua a acelerar. Mas os casos de negócios e os resultados das iniciativas de IA ainda estão em desenvolvimento. Embora seja fundamental vincular os resultados de negócios aos investimentos em IA, os dados inexplorados presos nos mainframes continuam sendo um grande obstáculo para a construção de um caso de negócios sólido.
• Um ponto interessante foi levantado em uma das sessões: " Apenas uma em cada cinco organizações conseguiu usar seus dados de forma eficaz para casos de uso de IA ". Com a predominância de slogans focados em IA e empresas afirmando dominar tudo relacionado à IA, essa citação chamou a atenção. Ela não se encaixa perfeitamente — e não poderíamos concordar mais! O boom da IA ​​não é tão simples quanto algumas pessoas imaginam. Por exemplo, sabemos que a grande maioria dos dados de mainframe ainda não está sendo aproveitada (72%, segundo...). nossa pesquisaDeixar de fora esses dados cruciais das iniciativas de análise e IA significa que as empresas estão tomando decisões sobre seus futuros com dados incompletos ou até mesmo imprecisos.
• A gestão de dados, a governança e a gestão de mudanças são essenciais. Devem fazer parte da análise de custos de todos os projetos de IA. Mas as empresas devem investir primeiro na base para compreender como gerenciar e integrar seus dados. A governança de IA deve espelhar a estrutura de governança de dados existente, não se concentrando apenas em práticas superficiais, e sim questionando: "O que poderia dar errado?". Os metadados são a chave. São o componente que abrange todos os tipos e formatos de dados. Mas, para funcionar, os metadados principais precisam ser limpos e precisos, bem organizados e fáceis de usar para qualquer pessoa na organização.
• A IA está em toda parte . Foi mencionada em quase todos os estandes de expositores e em quase todas as sessões. Embora existam alguns casos de uso de IA mais claros do que há um ano, os benefícios exatos permanecem ambíguos. Não ouvimos ninguém dizer "redução de custos de 10 vezes com IA para o caso de uso xyz". Os participantes buscavam respostas concretas para seus problemas específicos. A mensagem "Prepare seus dados para IA" estava por toda parte. Mas o que isso significa? As respostas eram quase sempre específicas de cada fornecedor. Uma definição abrangente e liderança de pensamento são necessárias para ajudar as empresas a entender o que isso significa para elas.
• A segurança de dados e como usar o conteúdo corporativo com segurança usando GenAI foi uma das principais preocupações dos participantes. Orientações sobre como garantir essa segurança foram muito relevantes para eles, especialmente no que diz respeito aos dados de mainframe. Profissionais de dados e TI entendem que os mainframes armazenam grandes quantidades de dados críticos e que utilizá-los muitas vezes representa um obstáculo difícil de superar. Muitos sequer sabem se têm acesso a esses dados. pode Supere isso.  
   

DATA MESH vs FABRIC vs WAREHOUSE vs DATALAKE vs … 

A arquitetura de dados foi outra área de grande foco, e por um bom motivo. Existem tantas opções e a resposta mais comum para “Qual devo usar?” foi: “Depende”. Concordamos com esse ponto. Não existe uma resposta perfeita. Portanto, trabalhar com parceiros fortes que entendam todas as opções e combinações possíveis — e que estejam dispostos a compreender profundamente sua situação e seus objetivos — é a maneira mais eficiente e eficaz de avançar. A alternativa, uma abordagem de “aprender enquanto ganha”, é simplesmente insustentável.  

Eis o que concluímos:  

• É interessante observar que o conceito de data fabric (estrutura de dados) evoluiu de uma ideia um tanto vago no ano passado para uma estratégia tangível sendo implementada em grandes empresas. O ponto crucial das sessões sobre esse tema é que não haverá duas estratégias iguais. Haverá combinações de lakehouse, mesh, fabric, warehouse e muito mais, dependendo da situação e da necessidade. E não é algo que as organizações possam simplesmente implementar. Elas precisam construir e ajustar conforme necessário, de modo que os resultados podem ser completamente diferentes do que haviam previsto. Tudo isso reforça a importância de metadados de qualidade em toda a organização. A integração orientada a metadados é a única abordagem de integração empresarial capaz de suportar todas essas variações.
• Os conceitos de malha de dados e tecido de dados já existem há alguns anos. O Gartner foi claro sobre a diferença entre eles: a malha de dados descentraliza os dados, enquanto o tecido de dados os controla centralmente. No entanto, os participantes ainda os usavam como sinônimos. Talvez a confusão surja do fato de que nenhum dos dois é um "produto" que as empresas possam comprar. E, como mencionado anteriormente, sua aplicação é altamente variável e específica para cada situação. O tecido de dados está definitivamente ganhando força, mas os participantes queriam saber qual é a melhor opção para seus negócios em seus respectivos setores. "Se eu atuo no setor XYZ e uso o Databricks, qual estratégia de tecido de dados devo adotar?" Não é tão simples assim.
• Os lakehouses continuam sendo uma tendência crescente. Eles combinam os benefícios dos data lakes (armazenamento econômico de dados brutos) e dos data warehouses (gerenciamento e governança de dados estruturados) em uma única plataforma. Como os dados estruturados e não estruturados permitem a análise de dados, as casas à beira de lagos que combinam os dois oferecem o melhor dos dois mundos.
• E, claro, acessar dados de mainframe de forma eficaz ainda é um problema . Minha sessão sobre Aproveitando os dados do mainframe para análises Enterprise orientadas por IA A apresentação pareceu atrair bastante público para o estande da Rocket . O evento foi bem frequentado, teve boa repercussão e, depois, conversamos com várias pessoas sobre os dados inexplorados armazenados em seus mainframes, que os tomadores de decisão não estão aproveitando. Essa revelação certamente chamou a atenção dos profissionais de dados, análise e BI. Foi surpreendente como poucos participantes sabiam que isso era possível! Como dissemos, os mainframes armazenam vastas quantidades de dados essenciais para os negócios e os proprietários desses sistemas os protegem com zelo. Analisar esses dados sob a perspectiva do valor para os negócios é fundamental. Os profissionais de dados, IA e análise precisam construir o argumento comercial partindo dos objetivos finais para otimizar o enorme impacto dos dados na estratégia, direção e resultados dos negócios — em outras palavras, seu enorme impacto nos resultados financeiros e no futuro da empresa. 

Uma última observação

Como profissionais de dados e análises, o futuro da sua empresa está literalmente em suas mãos. Fornecer à liderança dados completos e confiáveis ​​permitirá as melhores decisões estratégicas. Ao avançar com as iniciativas, é importante compreender plenamente onde você está hoje, onde deseja chegar e traçar uma estratégia viável para alcançar esses objetivos. Isso significa ter metas claramente definidas, roteiros de gerenciamento e arquitetura de dados e os parceiros estratégicos necessários para o sucesso. pode Planeje seu futuro com segurança. 

Saber mais sobre como aproveitar a IA e otimizar todo o seu ambiente de dados para o futuro.