為了能夠利用這些機會，數據分析必須被公司的管理層所重視，讓其為整個企業(yè)發(fā)揮更加積極和動態(tài)的作用。

• 到2021年，75％的預建報告將被取代或增強，通過在“最被需要”的基礎上提供智能洞察的方式。

• 到2022年，用戶和應用之間的個性化交互都將是自適應的。

• 到2022年，用戶互動將受實時位置分析的影響，將從2017年的4％上升到30％的。

• 到2023年，人工智能和深度學習技術將取代傳統的機器學習技術，成為數據科學新應用的最常見方法。

• 到2024年，數據科學家的稀缺將不再阻礙企業(yè)使用數據科學和機器學習。

• 到2020年，具有增強數據發(fā)現功能的敏捷BI平臺將是其他BI平臺增長率的兩倍。

• 到2022年，來自超大規(guī)模云提供商（亞馬遜，谷歌和微軟）的基于云的機器學習服務，在實現數據科學的平臺方面，將到達市場的20％臨界點。
  
  

• 到2023年，更廣泛的用戶對位置信息的訪問預示著所有數據分析項目中，將會有一半以位置數據作為關鍵數據源，高于目前的三分之一。
  
  

• 到2022年，數據分析云供應商中有60％將僅使用第三方基礎架構即服務（IaaS）解決方案，并將停止運行自己的基礎架構，從今天30％的比例上升。

• 到2020年，發(fā)達國家20％的公民將使用 AI 助手來幫助他們完成一系列日常運營任務。

• 到2020年，85％的 CIO 將通過購買、搭建和外包相結合的方式，試點人工智能項目。

• 到2020年，人工智能驅動創(chuàng)建的“假冒現實”或虛假內容，將超過人工智能檢測它的能力，從而引發(fā)數字不信任。

• 到2022年，40％的面向客戶的員工和政府工作人員，將咨詢 AI 獲得決策或流程支持。

• 到2022年，具有內置透明度的企業(yè)AI項目將有100%的更多可能獲得來自CIO的資金。

• 到2022年，處于成熟經濟體中的大多數人，比起真實信息，他們將消費更多的虛假信息。

• 2021年，人工智能增強將創(chuàng)造2.9萬億美元的商業(yè)價值，并解放62億小時的工人生產力。

• 到2022年，五分之一的從事非常規(guī)任務的工人將依靠人工智能來完成他們的工作。

• 到2022年，盡管出納和業(yè)務工作將被打亂，多渠道零售商通過人工智能取代銷售人員的努力，仍將被證明是失敗的。

• 到2021年，CDO 將成為所有與技術相關的C級別職位中最多的職位，并且女性的比例會從今天的18％上升為33％。

• 到2022年，30％的領先組織將正式采用信息系統實踐，并重視其信息資產，為內部目的維護資產負債表。

• 到2022年，只有20％投資于信息治理的組織，將在擴大對數字業(yè)務的治理方面取得成功。

• 到2021年，用于數據管理和集成的分布式語義處理將與數據有相等的地位，作為信息策略的主要規(guī)劃約束。

• 到2022年，超過一半的數據分析服務將由機器而不是人類來執(zhí)行。

• 到2020年，大多數數據分析事件的使用，需要連接到分布式數據源，主要企業(yè)將元數據管理的投資加倍。

• 到2021年，基于新技術和實踐，利用位置不可知的數據語義，將使數據管理和集成成本降低35％。

• 到2020年，采用數據中心策略的組織將取決于共享和受管理數據的成果，而成本至少降低60％。

• 到2020年，30％的數據湖泊將建立在標準的關系數據庫管理系統技術基礎上，其成本等于或低于Apache Hadoop。

• 到2021年，至少25％的大型和全球性組織將采用結合多種內存技術的平臺來減少 IMC 基礎設施的復雜性。

• 到2019年，75％的云本地應用程序開發(fā)將利用 IMC 或使用 IMC 的服務，從而使主流開發(fā)人員能夠實施高規(guī)模/高性能應用程序。

• 到2022年，40％的大型和全球企業(yè)將使用 IMDBMS 來減少數據發(fā)布中物理數據存儲的擴散。

• 到2022年，90％的 DBMS 和數據網格軟件將支持或依賴非易失性 RAM（NVRAM）。