趋势#1 多云和跨云管理

调查发现，82%的组织目前正在使用多个云，或者计划在未来12个月内使用多个云。

随着越来越多的应用程序和数据转移到云中，数据领导者面临着越来越复杂的数据管理需求：在同一个云中，跨不同的云中，以及使用本地资源。多云和跨云数据管理对于支持这些不同的拓扑结构至关重要。

图1：多云中的更多数据增加了碎片和复杂性

多云意味着特定的数据管理服务可以在多个云生态系统上运行。例如，能够在亚马逊网络服务（AWS）、微软Azure和谷歌云平台上运行数据集成服务。无论是因为数据主权问题，还是为了避免供应商锁定或并购，多云环境的出现，企业都希望能够灵活地跨云生态系统运行其数据管理服务。

同时，云间数据管理使运行在不同云生态系统上的服务能够无缝地协同工作。例如，数据工程师可以通过运行在AWS上的数据目录和市场服务来查找数据，该服务使用运行在Azure上的数据集成服务来访问Snowflake中的数据，并将其移动到谷歌云平台，以便在TensorFlow项目中使用。

图2：多云和跨云数据管理示例

图2显示了Informatica如何通过多云和跨云数据管理功能帮助您解决碎片和复杂性问题。

趋势#2 AI驱动的数据管理自动化

自动化是解决大规模数据碎片化和复杂性的唯一可行选择。然而，超过三分之二（68%）的受调查组织尚未在整个组织内将人工智能用于数据管理。

图3：用于数据管理的人工智能提高了生产率和灵活性

人工智能可以帮助实现数据管理各个方面的自动化，包括数据发现和编目、数据和应用程序集成、清理和掌握、治理、隐私和数据共享。它还提高了所有数据用户的生产率，包括开发人员、架构师、应用程序管理员、数据管理员、财务分析师和一线员工。

图4：用于数据管理自动化的人工智能示例

使用人工智能实现数据管理自动化增加了人工智能在决策和业务流程中的可操作性。优化的数据管理组织可以：

趋势#3 数据架构的体系结构

随着组织将更多数据放入更多的云中，他们需要一种方法来连接孤立的数据源，并使整个组织的数据更容易访问。为了解决这些云数据孤岛问题，数据管理领导者正在寻找数据架构的体系结构。

事实上，超过一半（54%）的被调查组织表示，他们正在研究方法和解决方案，或者已经将数据架构的体系结构的某些部分落实到位。

图5：数据架构体系结构有助于优化数据管理

Data Fabric是一个设计概念，它作为一个架构层，用于简化和扩展数据管理任务，并在整个组织中更广泛、更一致地使用数据。

图6：数据架构的关键组件

数据架构的关键组件包括（见图6）：