到2020年，增強型分析將成為分析與商業(yè)智能（analytics and BI）、數(shù)據(jù)科學與機器學習平臺（data science and ML platforms）以及嵌入式分析新增購買的主要驅動力。數(shù)據(jù)與分析領導者應在平臺功能逐漸成熟時采用增強型分析。

趨勢二：增強型數(shù)據(jù)管理

增強型數(shù)據(jù)管理將以往僅用于審計、沿襲及報告的元數(shù)據(jù)轉而支持動態(tài)系統(tǒng)。元數(shù)據(jù)正在從被動走向主動，并且正在成為所有人工智能/機器學習的主要驅動因素。

到2022年底，通過加入機器學習與自動化的服務級管理，數(shù)據(jù)管理手動任務將減少45%。

趨勢三：持續(xù)型智能

持續(xù)型智能是一種設計模式，其中實時分析與業(yè)務運營相結合，處理當前與歷史數(shù)據(jù)，以便為事件響應行動提供建議。它能夠實現(xiàn)自動化決策或為決策提供支持。持續(xù)型智能采用多種技術，如：增強型分析、事件流處理、優(yōu)化、業(yè)務規(guī)則管理以及機器學習。

Sallam女士表示：“持續(xù)型智能讓數(shù)據(jù)與分析團隊的工作發(fā)生重大變化。這既是一個巨大的挑戰(zhàn)，也是一個極大的機會，因為分析與商業(yè)智能團隊可以在2019年幫助企業(yè)做出更明智的實時決策。它可以被視作一種終極運營型商業(yè)智能?！?/p>

趨勢四：可解釋型人工智能

不幸的是，大多數(shù)這些先進的人工智能模型都是復雜的黑盒子，無法解釋為何提出了某條具體建議或決策。而數(shù)據(jù)科學和機器學習平臺中的可解釋型人工智能將運用自然語言從準確性、屬性、模型統(tǒng)計及特性等方面自動生成模型提供解釋說明。

趨勢五：圖形

圖形分析（graph analytics）是一系列可用于探索企業(yè)機構、人員與交易等相關實體間關系的分析技術。

圖形數(shù)據(jù)存儲可以跨越數(shù)據(jù)筒倉（data silos）高效地建模，探索與查詢具有相互復雜關系的數(shù)據(jù)，但Gartner認為，特殊的技能需求限制了該技術目前的應用。

為了滿足對于復雜數(shù)據(jù)的綜合查詢需求，圖形分析將在未來幾年內(nèi)得到發(fā)展。利用SQL查詢完成大規(guī)模的復雜查詢并不總是切實可行，有時甚至無法完成。

趨勢六：數(shù)據(jù)結構

到2022年，定制式數(shù)據(jù)結構設計將主要用作靜態(tài)基礎架構，促使各企業(yè)機構為完全重新的設計投入資金，進而實現(xiàn)更具動態(tài)的數(shù)據(jù)網(wǎng)格（data mesh）方法。

趨勢七：自然語言處理/會話式分析

趨勢八：商業(yè)人工智能與機器學習

商業(yè)廠商現(xiàn)在已經(jīng)在開源生態(tài)系統(tǒng)中創(chuàng)建了連接器，為企業(yè)提供擴展與推廣人工智能及機器學習所需要的功能特性，例如項目與模型管理（project & model management）、復用（reuse）、透明度（transparency）、數(shù)據(jù)沿襲（data lineage）、平臺凝聚力（platform cohesiveness）以及開源技術所缺乏的集成。

趨勢九：區(qū)塊鏈

然而，尚需幾年時間才會有四或五項主要區(qū)塊鏈技術占據(jù)主導地位。在此之前，技術終端用戶將被迫與由其主導客戶或網(wǎng)絡所指定的區(qū)塊鏈技術及標準相集成。這包括與您現(xiàn)有的數(shù)據(jù)及分析基礎架構進行集成。集成成本可能會超過任何潛在收益。區(qū)塊鏈是數(shù)據(jù)源，而非數(shù)據(jù)庫，不會取代現(xiàn)有的數(shù)據(jù)管理技術。

趨勢十：持久內(nèi)存服務器

Feinberg先生表示：“數(shù)據(jù)量正在快速增多，實時將數(shù)據(jù)轉化成價值的緊迫性也在同樣快速增加。新的服務器工作負載不僅需要更快的CPU性能，而且還需要大容量內(nèi)存及更快的存儲?！?/p>