Nove desafios de dados e analytics para 2025, segundo o Gartner

O Gartner, consultoria americana especializada no mercado de tecnologia, anunciou recentemente uma lista com nove tendências de dados e analytics (D&A) para 2025. Segundo a empresa, há uma ampla gama de desafios surgindo nessa área, incluindo questões organizacionais e humanas.

Veja também: Brasil ocupa a 4ª posição em casos de malware nas Américas

“D&A está passando do domínio de poucos para a onipresença”, diz em comunicado Gareth Herschel, vice-presidente e analista do Gartner. “Ao mesmo tempo, os líderes de Data & Analytics estão sob pressão não para fazer mais com menos, mas para fazer muito mais com muito mais, o que pode ser ainda mais desafiador, uma vez que os riscos estão aumentando.”

A lista é a seguinte:

Produtos de dados altamente consumíveis

Para capitalizar os produtos de dados altamente consumíveis, os líderes de D&A devem se concentrar em casos de uso críticos para os negócios, correlacionando e dimensionando soluções para aliviar os desafios de entrega de dados, diz o Gartner. Priorizar a entrega de produtos de dados reutilizáveis e combináveis minimamente viáveis é essencial, permitindo que as equipes os aprimorem ao longo do tempo.

Os líderes de D&A também devem chegar a um consenso sobre os principais indicadores de desempenho entre as equipes produtoras e consumidoras, o que é vital para medir o sucesso do produto de dados.

Gerenciamento de metadados

O gerenciamento eficaz de metadados começa com metadados técnicos e se expande para incluir metadados de negócios para um contexto aprimorado. Ao incorporar vários tipos de metadados, as empresas podem viabilizar catálogos de dados, linhagem de dados e casos de uso orientados por inteligência artificial (IA).

É fundamental selecionar ferramentas que facilitem a descoberta e a análise automatizadas de metadados.

Data fabric multimodal

A criação de uma prática robusta de gerenciamento de metadados envolve a captura e a análise de metadados em todo o pipeline de dados. Os insights e as automações do data fabric fornecem suporte às demandas de orquestração, melhoram a excelência operacional por meio de DataOps e viabilizam produtos de dados.

Dados sintéticos

Identificar áreas onde os dados estão ausentes, incompletos ou são caros de obter é crucial para avançar nas iniciativas de IA. Os dados sintéticos, como variações dos dados originais ou substituições de dados sensíveis, garantem privacidade e, ao mesmo tempo, facilitam o desenvolvimento da IA, diz o Gartner.

Agentic Analytics

Automatizar os resultados de negócios de circuito fechado com agentes de IA para análise de dados é transformador. Recomenda-se testar casos de uso que conectem insights a interfaces de linguagem natural e avaliar roadmaps de fornecedores para integração de aplicações de locais de trabalho digital.

Estabelecer a governança minimiza erros e alucinações, ao mesmo tempo em que é essencial avaliar a prontidão dos dados por meio de princípios de dados prontos para IA.

Agentes de IA

Valiosos para necessidades de automação adaptativa ad hoc, flexível ou complexa. Mais do que depender apenas de grandes modelos de linguagem (LLMs), outras formas de análise e inteligência artificial são necessárias. Os líderes de D&A devem permitir que os agentes de IA acessem e compartilhem dados entre aplicações sem problemas.

Pequenos modelos

É recomendável considerar pequenos modelos de linguagem (SLMs) em vez de grandes para obter resultados de IA mais precisos e contextualmente apropriados em domínios específicos, diz o Gartner. Fornecer dados para geração aumentada por recuperação ou ajuste fino (fine-tuning) de modelos de domínio personalizados é recomendado, especialmente para uso on-premises para lidar com dados sensíveis e reduzir recursos e custos de computação.

IA composta

A utilização de várias técnicas de IA aumenta o impacto e a confiabilidade. As equipes de D&A devem diversificar além da IA generativa (GenAI) ou dos LLMs, incorporando ciência de dados, aprendizado de máquina, gráficos de conhecimento e otimização.

Inteligência de decisão

É fundamental fazer a transição de uma visão orientada por dados para uma visão centrada em decisões. Priorizar decisões de negócios urgentes para modelagem, alinhar práticas de inteligência de decisão (DI) e avaliar plataformas de DI são etapas recomendadas.

A redescoberta das técnicas de ciência de dados e a abordagem dos aspectos éticos, legais e de conformidade da automação de decisões são essenciais para o sucesso.

Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!