我们看到了由 Kubernetes 主导的容器编排的兴起，以及无服务器功能在日常数据处理中的应用日益广泛。人工智能和机器学习随着技术进步以及适合这些数据密集型应用程序的可用计算和存储，自动化和洞察服务蓬勃发展。这些新基础实现了 CTO 的愿景，即构建智能、敏捷的应用程序，这些应用程序可以真正在私有云和公共云中轻松、统一、自动地运行，而无需花费几美元进行更改。过去用于实现弹性的复杂任务关键型硬件领域现在被当今的自我修复、自动扩展、持续可扩展的 IT 堆栈所取代。
为了教育和支持团队成员进行数据分析，企业提 垃圾数据 供的软件工具必须支持增强分析：分析工具提供指导和自动推荐，帮助用户选择适合他们正在分析的数据类型的可视化技术，辅助预测建模工具帮助用户选择正确的算法来完成他们想要执行的分析。 (NLP) 和机器学习基础允许团队成员使用自然语言提出问题并获得答案，因此他们不需要成为数据科学家或 IT 专家就可以了解数据的核心、预测、计划、寻找机会、查看趋势和模式、生成和共享报告，并发挥公民数据科学家。
那些试图走捷径实现数据素养的企业不太可能实现他们想要的结果，而且肯定会让他们的团队成员感到沮丧和气馁。那些计划并实施数据素养和数据民主化具有适当文化变革的举措、用户角色之间的协作以及简单、直观、自助增强分析工具将更快、更成功地实现数据素养并提高用户采用率。