Taille et analyse des parts du marché du Data Wrangling APAC - Tendances de croissance et prévisions (2025 - 2030)

Tendances et perspectives du marché du Data Wrangling APAC

Le cloud devrait connaître une croissance significative

• De nombreuses organisations transfèrent leurs données vers des environnements cloud. Il s'agit toutefois d'une transition qui ne peut pas être réalisée en une seule fois, et pour certaines, d'une transformation qui ne se produira peut-être jamais complètement. Cela signifie que la plupart des organisations gèrent plusieurs environnements de données, notamment un mélange de solutions sur site, de cloud privé et de cloud public, également connu sous le nom d'environnement cloud hybride. Le data wrangling est considéré comme l'une des parties les plus difficiles de la mise en œuvre de l'analyse. En moyenne, les organisations rapportent généralement que 80 % de tout projet de données est consacré au data wrangling, tandis que seulement 20 % est réservé à l'analyse.
• À l'ère moderne de l'IoT, de l'IA et du cloud computing, les architectures de gestion des données ont considérablement évolué. Au lieu d'enregistrer des millions de transactions, les organisations de la région enregistrent des milliards d'interactions. Les entreprises captent des signaux susceptibles d'informer sur les opportunités commerciales et de débloquer de nouvelles sources de valeur pour les organisations, plutôt que de simplement saisir des données pour soutenir les processus commerciaux formels. Les organisations axées sur les données d'aujourd'hui ont adopté de nouvelles pratiques agiles de gestion des données. Elles transfèrent les données vers des structures de stockage centralisées flexibles, telles que les lacs de données et le stockage d'objets blob cloud, et adoptent de nouvelles technologies de data wrangling pour évaluer et transformer les données en vue de leur utilisation.
• Les solutions de data wrangling fonctionnant sur le cloud peuvent contribuer à rationaliser les applications de Machine Learning afin que les équipes puissent se concentrer sur le travail qui compte, comme la création de prédictions précises qui améliorent les produits, les services et l'efficacité de l'organisation. Une solution automatisée de data wrangling basée sur le cloud peut effectuer automatiquement la majeure partie du travail pour les équipes de science des données, comme l'identification de profils et de graphiques interactifs, offrant une visibilité immédiate sur les tendances et informant sur les problèmes de données, ainsi qu'un ensemble de données final publié de toute taille, entièrement préparé pour être analysé de manière appropriée par les outils d'analyse en aval.
• En avril 2020, Trifacta comptait plus de 100 000 utilisateurs ayant exécuté plus de six millions de tâches auprès des principaux fournisseurs de cloud et était nativement intégré aux trois principaux fournisseurs de cloud, notamment AWS, Microsoft Azure et Google Cloud, ainsi qu'à des services cloud à croissance rapide, tels que Snowflake et Databricks. Alors que la demande de préparation des données s'accélère à mesure que les organisations transfèrent davantage de charges de travail d'IA, d'analyse et de machine learning vers le cloud, le data wrangling pourrait être utilisé par les organisations pour tirer parti de l'opportunité de marché avant la concurrence.

La Chine devrait détenir une part majeure

• La Chine s'impose comme l'un des investisseurs les plus importants dans les technologies d'IA à l'échelle mondiale. Selon le China Money Network, 14 organisations chinoises d'IA sont actuellement valorisées à 1 milliard USD, et leur valeur consolidée s'élève à 40,5 milliards USD. Selon l'Université Tsinghua, les start-ups chinoises d'IA ont levé 27,7 milliards USD à travers 369 opérations de capital-risque en 2017-2018. De plus, selon des recherches récentes, en Chine, l'investissement en capital-risque dans les entreprises de technologie de vision par ordinateur a quadruplé entre 2016 et 2018, dépassant un total de 8 milliards USD. Ces statistiques valident la domination de la Chine dans l'adoption d'outils tels que le data wrangling.
• La Chine redouble d'efforts pour la transformation numérique de son économie avec un plan de construction de centres nationaux de big data industriel. Cela permet de traiter des quantités massives d'informations, principalement des données de production, qui pourraient être utilisées pour développer des industries plus efficaces. Cette stratégie a été dévoilée dans une directive publiée en mai 2020 par le Ministère de l'Industrie et des Technologies de l'Information (MIIT), qui a demandé aux autorités locales de 23 provinces, cinq régions autonomes et quatre municipalités de soutenir la création de ces nouveaux centres de big data, qui contribueront à renforcer les efforts de modernisation du secteur manufacturier du pays. De tels exemples devraient avoir un impact positif sur le marché dans le pays.
• Au cours des dernières décennies, les villes chinoises ont connu une période de développement rapide. L'émergence du big data et des données ouvertes a offert de nouvelles opportunités aux études urbaines et aux observateurs pour mieux observer et comprendre ces changements. Les outils de data wrangling devraient convertir le big data de manière à fournir l'analyse, la visualisation et les applications dans le contexte de la planification urbaine chinoise, des méthodes de modélisation urbaine, des modèles typiques, ainsi que des tendances émergentes et de la révolution potentielle du big data dans la planification urbaine.
• La transformation de la Chine en économie numérique était déjà bien engagée avant l'épidémie de coronavirus, portée par son adoption massive des technologies basées sur Internet, des applications mobiles et des applications d'intelligence artificielle. Une collecte de données plus importante a contribué à empêcher la propagation du virus en Chine, car elle permet un signalement précis des foyers. Les gouvernements centraux et provinciaux s'efforcent de collecter et d'analyser encore plus de données pour aider à contenir la propagation de la maladie, où le data wrangling pourrait être déployé pour convertir les données brutes afin d'obtenir des informations plus exploitables.