一些组织使用严重依赖大量历史数据的传统分析技术，新冠疫情袭来时，这些组织意识到了一件重要的事情：许多这些数据模型不再适用。实际上，新冠疫情改变了一切，导致许多数据毫无用处。
反过来，高瞻远瞩的数据团队和分析团队顺势而变：之前采用依赖“大”数据的传统AI技术，现在改而采用一类需要较少量但更多样化的“小”数据的分析技术。
Gartner列出了2021年数据和分析领域的十大趋势，从大数据向小而广数据转变是其中之一。这些趋势代表着商业、市场和技术方面的动态，数据和分析领导者不可忽视。
Gartner杰出副总裁分析师Rita Sallam说：“数据和分析领域的这些趋势可以帮助组织和社会应对颠覆性变化、巨大的不确定性以及它们在今后三年带来的机遇。数据和分析领导者须积极研究如何充分利用这些趋势，做出与时俱进的重要投入，以提升预测、转变和响应的能力。”
每一个趋势都符合以下三大主题之一：
1、数据和分析方面的变化加快：充分利用AI方面的创新、增强的可组合性以及更灵活更有效地集成更迥然不同的数据源。
2、通过更有效的XOps切实发挥业务价值：支持更有效的决策，并支持将数据和分析变成业务不可或缺的一部分。
3、分发一切：需要灵活地关联数据和洞察力，以支持更广泛的人和物件。
更智能化、更负责任、更灵活扩展的AI将带来更好的学习算法、可解释的系统和实现价值的更短时间。组织将开始对AI系统提出多得多的要求，它们需要弄清楚如何扩展技术——到目前为止，这仍是一大挑战。虽然传统的AI技术可能严重依赖历史数据，但鉴于新冠疫情已改变了商业格局，历史数据可能不再适用。这意味着AI技术必须能够通过“小数据”技术和自适应机器学习，以更少的数据进行运作。这些AI系统还必须保护隐私、遵守联邦法规并尽量减少偏差，以支持道德AI。可组合式数据和分析的目的是使用来自多个数据、分析和AI解决方案的组件，以获得一种灵活、对用户友好和易用的体验，从而使领导者能够将数据洞察力与业务活动联系起来。Gartner收到的客户咨询表明，大多数大组织拥有不止一种“企业标准”分析和商业智能工具。利用各自的套装业务功能组合新应用程序可提高生产力和敏捷性。可组合式数据和分析不仅有助于协作、完善组织的分析功能，还会加大分析技术的普及程度。随着数据变得日益复杂、数字化业务加快发展，数据结构（data fabric）成为支持可组合式数据和分析及各种组件的体系结构。数据结构将集成设计时间缩短了30%，将部署时间缩短了30%，将维护时间缩短了70%，原因是这种技术设计运用了使用/重用和结合不同数据集成方式的能力。此外，数据结构可以充分利用来自数据枢纽、数据湖和数据仓库的现有技能和技术，同时又引入适应未来的新方法和工具。
许多组织在处理AI方面日益复杂的问题以及数据使用场景寥寥无几的挑战，与大数据相反，小而广数据为这些组织解决了许多问题。广数据充分利用“X分析”技术，支持分析众多小而多样化（广）数据源、非结构化数据源和结构化数据源，并实现协同效应，以增强上下文意识和决策。顾名思义，小数据能够使用需要较少数据，但仍提供实用洞察力的数据模型。
XOps（数据、机器学习、模型和平台）的目的是，使用DevOps最佳实践来获得效率和规模经济效益，并确保可靠性、可重用性和可重复性，同时减少技术和流程的重复，并实现自动化。这些技术将能够扩展原型，并提供受控决策系统的灵活设计和敏捷编排。总体而言，XOps将使组织能够实际运用数据和分析技术以提高业务价值。
决策智能是一门学科，涵盖一系列广泛的决策，其中包括常规的分析、AI和复杂的自适应系统应用软件。集成决策智能不仅适用于单个决策，还适用于一系列决策，可以将它们分组为业务流程，甚至新兴决策网络。
这使组织能够更快地获得促使公司采取行动所需要的洞察力。如果结合可组合性和通用数据结构，集成的决策智能带来了新的机会，以便组织重新思考或重新设计如何优化决策，并使决策更准确、可重复和可追溯。业务领导者开始认识到使用数据和分析技术来加快数字化业务计划的重要性。数据和分析不再是不同团队完成的次要工作，而是转而成为一项核心职能。然而，业务领导者常常低估了数据的复杂性，因而最终错失了机会。如果首席数据官（CDO）参与制定目标和策略，他们可以将源源不断获取的业务价值提高2.6倍。图形构成了现代数据和分析的基础，能够增强和改善用户协作、机器学习模型和可解释型AI。虽然图形技术不是数据和分析领域的新技术，但随着组织识别越来越多的使用场景，围绕它们的观念已发生了转变。实际上，关于AI话题的Gartner客户咨询当中多达50%都离不开讨论图形技术的使用。在过去，业务用户囿于预定义的仪表板和手动探索数据。这常常意味着数据和分析仪表板仅限于数据分析员或平民数据科学家探究预定义的问题。然而Gartner认为，展望将来，这些仪表板将被自动化、对话式、移动、动态生成的洞察力取而代之，这种洞察力可根据用户的需求进行定制，并交付到用户的消费点。这将洞察力知识从一小撮数据专家的手里转移到组织中任何人的手里。随着更多的数据分析技术开始出现在传统数据中心和云环境之外的环境，它们更靠近实体资产。这缩短或消除了以数据为中心的解决方案的延迟，并支持获得更大的实时价值。将数据和分析技术转移到边缘将为数据团队带来机会，以扩大功能，并将影响扩展到公司的不同部门。这还可以为因法律或法规原因而无法从特定地理位置删除数据的情况提供解决方案。
