Gartner identifica as principais tendências em Data & Analytics para 2025

Analistas do Gartner discutirão como empresas podem aproveitar essas tendências durante a Conferência Gartner Data & Analytics, que será realizada nos dias 28 e 29 de abril em São Paulo

O Gartner, Inc. identificou as principais tendências de Data & Analytics (D&A) para 2025, que estão impulsionando o surgimento de uma ampla gama de desafios, incluindo questões organizacionais e humanas.

“D&A está passando do domínio de poucos para a onipresença”, diz 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. Há certas tendências que ajudarão os líderes de D&A a atender às pressões, expectativas e demandas que estão enfrentando.”

Os analistas do Gartner irão comentar mais sobre as principais tendências de Data & Analytics que os líderes de TI devem navegar e incorporar em sua estratégia de D&A na Conferência Gartner Data & Analytics, que será realizada nos dias 28 e 29 de abril, no Sheraton São Paulo WTC Hotel.

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. 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 Data & Analytics 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 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 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. Os líderes de D&A devem permitir que os agentes de IA acessem e compartilhem dados entre aplicações sem problemas.

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.

Os líderes de Data & Analytics podem saber mais sobre como avaliar sua própria eficácia usando o Gartner CDAO Effectiveness Diagnostic, uma ferramenta exclusiva que permite que os Chief Data & Analytics Officers (CDAOs) compreendam sua eficácia como líderes e descubram seus pontos fortes e áreas de melhoria.