O Gartner identificou as tendências de Data & Analytics (D&A) para 2025, que estão impulsionando o surgimento de uma ampla gama de desafios, incluindo questões organizacionais e humanas. Segundo a análise, as principais tendências levantadas para esse ano foram:
Produtos de dados altamente consumíveis
Os líderes de Data e Analytics devem se concentrar em casos de uso críticos para os negócios, correlacionando e dimensionando soluções para aliviar os desafios de entrega de dados. Priorizar a entrega de produtos de dados reutilizáveis e combináveis minimamente viáveis é essencial, permitindo que as equipes os aprimorem ao longo do tempo.
Eles 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.
Soluções de gerenciamento de metadados
O gerenciamento eficaz começa com metadados técnicos e se expande para incluir metadados de negócios. 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).
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 Inteligência Artificial.
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 Inteligência Artificial.
Agentes de IA
Os agentes de IA são valiosos para necessidades de automação adaptativa ad hoc, flexível ou complexa. Mais do que depender apenas de Grandes Modelos de Linguagem (Large Language Models – LLMs), outras formas de análise e Inteligência Artificial são necessárias.
Pequenos Modelos de Linguagem
É recomendável considerar Pequenos Modelos de Linguagem (Small Language Models – SLMs) em vez de Grandes Modelos de Linguagem para obter resultados de IA mais precisos e contextualmente apropriados em domínios específicos.
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 da Inteligência Artificial. As equipes de D&A devem diversificar além da Inteligência Artificial Generativa (GenAI) ou dos LLMs, incorporando ciência de dados, Machine Learning (aprendizado de máquina), gráficos de conhecimento e otimização para obter soluções abrangentes de IA.
Plataformas de 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.
