在 AI 技术从 "实验性" 走向 "企业级落地" 的关键阶段，数据工程作为底层支撑的重要性愈发凸显。近日，DZone 发布的《2025 数据工程趋势报告》（Scaling Intelligence with the Modern Data Stack）通过对全球 123 位 IT 专业人士的调研，揭示了当前数据工程领域的核心趋势、技术选型偏好与实践痛点。本文将梳理报告的核心发现，并解读其对数据工程师、架构师及技术管理者的实践价值。
一、报告概览：调研背景与核心基调
DZone 本次调研覆盖了全球范围内的开发者、架构师等 IT 从业者，样本呈现三大特征：
角色集中：32% 为 "开发者 / 工程师"，10% 为 "开发团队负责人"，核心受访者均深度参与数据系统构建；
技术栈成熟：80% 企业使用 Python 生态，50% 从业者以 Python 为主要工作语言，Java（22%）位居第二；
经验丰富：受访者平均 IT 从业经验达 14.65 年，中位数 13 年，反馈具备较强实践参考性。
报告核心基调明确：企业数据能力正从 "技术堆砌" 转向 "整合优化"------ 不再盲目追逐新工具，而是聚焦成本控制、性能监控与流程编排，以适配 AI 原生架构、实时分析等新需求。
二、核心发现：数据工程的三大 "转向"
1. 存储架构：从 "混合分散" 转向 "云原生主导"
数据存储是本次调研的重点领域，结果显示 "云原生" 已成为不可逆趋势：
云存储占比大幅提升：49% 企业主要采用 "纯云存储"，较 2024 年的 30% 增长 19 个百分点；而混合存储（37%，-11%）、本地私有存储（10%，-10%）占比显著下降；
迁移动机务实化："维持高可用性"（44%）、"降低成本"（39%）、"提升数据可访问性"（34%）是云迁移的三大核心诉求，其中大企业更倾向通过云迁移实现 "现代化改造" 与 "AI 分析支撑"；
存储架构分层明显 ：55% 企业使用数据仓库，47% 使用数据湖，27% 使用湖仓一体（Lakehouse）；大企业（1000 + 员工）是 "湖仓一体" 的主要实践者（38%），小企业（<100 人）因规模限制，数据仓库使用率仅 37%（低于整体 55%）。
2. 数据安全：从 "工具堆砌" 转向 "体系化落地"
尽管数据安全的重要性达成共识，但实践呈现 "认知与落地脱节" 的特点：
核心策略集中：62% 企业依赖 "加密与安全传输"" 访问控制与认证 "，59% 关注" 合规性标准 "，三者构成安全实践的" 铁三角 "；
实践 Adoption 下降：与 2024 年相比，"灾难恢复"（-22%）、"数据脱敏"（-21%）、"安全编码"（-22%）等实践的使用率显著下滑，推测与 "依赖云厂商默认安全能力"" 成本压缩 " 有关；
威胁感知聚焦：60% 企业最担忧 "数据泄露"，50% 关注 "认证与访问控制失效"，43% 警惕 "不安全数据处理"，中小企业对 "弱加密" 的担忧更突出（40%，高于大企业 17%）。
3. 数据管道：从 "批量离线" 转向 "实时 AI 适配"
数据管道是支撑 AI 落地的核心环节，调研显示其正在向 "实时化、AI 原生" 转型：
ETL 工作量高企：从业者平均 30% 工作时间用于 ETL/ELT，大企业（35%）与小企业（33%）耗时更高，中型企业（20%）因流程成熟度居中；
工具选型分化 ：48% 企业仍依赖 "手动数据库导入 / 导出"，33% 使用 "专业 ETL 工具"（较 2024 年下降 11%）；大企业更偏好专业工具（40%），小企业则依赖 "临时批处理脚本"（43%）；
AI 数据准备待加强：仅 18% 从业者 "非常自信" 于 AI/ML 数据准备最佳实践，39% 通过 "API 实时供数" 支撑生成式 AI，36% 使用向量数据库实现 RAG（检索增强生成），但小企业的数据质量实践覆盖率显著低于大企业。
