隨著科技的發展和進步，人們之間的聯系理應更加緊密，但是卻與期望相反，很多人卻變得更加分散和孤立。
社交媒體中的“喜好”使人們兩極分化，而其算法更加傾向于提供煽動性內容，引起更強烈的反應，并使人們更長久地沉迷其中。當涉及到當地法律、法規和隱私時，就會看到這種分化。
很多組織的戰略主管和投資者表示需要剝離不是核心能力的業務，而數字巨頭就潛伏在一個支離破碎的世界中，那么人們需要更換一種思路嗎?可以通過法規、商業模式和數據將支離破碎的格局轉變成機遇。
但是，只是分析還不夠，還需要進行綜合，以將分布式數據連接到分析供應鏈，并將目錄作為連接組織?？萍紝l揮巨大的作用，但它也需要有正確的流程和人員來實施。綜合和分析對于利用大數據和促進向人們所稱的“數據馬賽克”的方向發展至關重要。
大數據是一個相對的術語，是一個不斷變化的目標。而定義大數據的一種方法是，超越現有技術所能實現的范圍。如果企業需要更換或大量投資于額外的基礎設施來處理數據，那么將面臨巨大的數據挑戰。
借助無限擴展的云存儲，可以克服這一缺點?，F在比以往任何時候都更容易在數據庫內進行索引和分析，并且企業擁有確保數據可以移至正確位置的工具。數據的神秘性消失了，這是因為整合以及Hadoop分銷商在2019年的迅速消亡標志著這一轉變。
下一個重點領域將是非常分散的數據或“廣泛的數據”。數據格式正變得越來越多樣化和分散化，因此，適合于不同數據風格的不同類型的數據庫已增加了一倍多，從2013年的162個增加到2019年的342個。海量數據的組合可以通過大數據技術進行處理，而那些能夠將這些零散而又多樣化的數據源進行綜合分析的企業將獲得優勢。
2.DataOps +分析自助服務為組織帶來數據敏捷性
自助服務分析已經提上日程很久了，并且借助“現代商業智能”技術使答案更接近于業務用戶。但直到現在，很多企業在數據管理方面還沒有實現同樣的敏捷性。
“DataOps”已作為一種面向流程的自動化方法而出現，旨在提高質量并減少用于分析的數據管理的周期時間。它專注于持續交付，并通過利用按需IT資源，歐洲服務器，并自動執行數據測試和部署來實現這一目標。諸如實時數據集成、變更數據捕獲(CDC)和流數據管道等技術是實現這一目標的關鍵。
通過DataOps，能夠以系統的方式將80%的核心數據傳遞給業務用戶，而自助數據準備是在數據較少情況下需要的獨立區域。通過在操作方面使用DataOps，在業務用戶方面使用分析自助服務，可以實現整個信息價值鏈的流動性，將綜合與分析聯系起來。
3.活動元數據目錄-數據和分析的連接組織
隨著企業繼續努力尋找、清查和綜合分布廣泛且多樣化的數據資產，對數據目錄的需求正在猛增。到2020年，人們將看到更多的人工智能元數據目錄，這將有助于將這個龐大的任務從人工和被動轉移到主動、自適應和變化。這將是數據運營和自助服務分析所提供的敏捷性的連接組織和治理。
活動元數據目錄還包括信息個性化，這是生成相關見解和定制內容的必要組成部分。但是要做到這一點，目錄還需要不僅在一種分析工具內工作，而且還需要整合大多數組織所擁有的零散工具。
4.數據素養即服務
將綜合和分析連接起來以形成一個包容性的系統將有助于提高數據的使用率，但是如果沒有人參與，世界上任何數據和分析技術或流程都將無法正常運行。僅僅依靠用戶提供工具并寄希望于最好的工具已經遠遠不夠。
提高行業標準分析采用率的關鍵組成部分是幫助人們變得對讀取、使用、分析和通信數據充滿信心。到2020年，企業希望擴大數據素養，并希望在此過程中與供應商合作。這是通過結合軟件、教育和支持合作伙伴關系即服務而實現的，并考慮到結果。
目標可以是將采用率提高到100%，幫助將數據操作與自助服務分析結合起來，或者使數據成為每個決策的一部分。為了使這一點有效，企業需要自我診斷組織的位置和目的地，然后共生地找出如何實現這些結果。
5.“Shashaming”數據和計算機/人機交互
