2019年11月5日，Gartner發佈預測，未來三到五年內以下這些數據和分析技術趨勢具有巨大影響潛力。點擊文末的“閱讀原文”，可查看Gartner英文原文。
趨勢一 增強分析
增強分析功能可自動發現和顯示業務中最重要的數據見解或變化，以優化決策。與手動方法相比，它需要的時間更少。增強分析使洞察力可用於所有業務角色。它減少了數據分析對分析，數據科學和機器學習專家的依賴，能提高整個組織的數據素養。到2020年，增強分析將成爲新購買分析和商業智能以及數據科學和機器學習平臺的主要驅動力。
趨勢二 增強數據管理
隨着供不應求的技術和數據呈指數增長，組織需要自動執行數據管理任務。供應商正在添加機器學習和人工智能（AI）功能，使數據管理過程能夠自我配置和自我調整，以便高技能的技術人員可以專注於更高價值的任務。
這種趨勢正在影響所有企業數據管理類別，包括數據質量，元數據管理，主數據管理，數據集成和數據庫。
趨勢三 自然語言處理和會話式分析數據管理
正如Google之類的搜索界面使普通消費者可以訪問Internet一樣，NLP也爲商務人士提供了一種更輕鬆的方式來詢問有關數據的問題並獲得對數據見解的文字解釋。對話式分析使用戶可以語言而不是通過文字來提問和回答，從而使NLP的概念更進一步。
到2021年，NLP和對話式分析將把分析和商業智能的使用率從35％的員工提高到50％以上，其中包括新的用戶類別，甚至是前臺工作人員。
趨勢四 圖分析
業務用戶正在跨結構化和非結構化數據提出越來越複雜的問題，經常將來自多個應用程序的數據以及越來越多的外部數據混合在一起。圖分析是一組分析技術，可顯示諸如人，地點和事物之類的實體之間如何相互關聯。該技術的應用範圍從欺詐檢測，交通路線優化和社交網絡分析到基因組研究。
Gartner預測，在未來幾年中，圖處理和圖數據庫的應用將以每年100％的速度增長，以加速數據準備並實現更復雜和適應性更強的數據科學。
趨勢五 商業AI和機器學習
開源平臺目前在人工智能（AI）和機器學習中占主導地位，並且已成爲算法和開發環境中創新的主要來源。商業供應商相對滯後，但現在提供了連接到開源生態系統的連接器。它們還提供了擴展AI和ML所必需的企業級功能，例如項目和模型管理，重用，透明性和集成，這些都是當前開放源代碼平臺所缺乏的功能。越來越多的商業級AI和ML平臺得到用戶的使用，將有助於加速生產中機器學習模型的部署，並從這些投資中獲得商業價值。
趨勢六 數據結構
從分析投資中獲得價值取決於擁有敏捷，可信賴的數據結構。數據結構通常是定製設計，可以通過精心策劃的數據集成方法的組合來提供可重用的數據服務，管道，語義層或API。它使分佈式數據環境中的數據能夠無摩擦地訪問和共享。
趨勢七 可解釋的AI
可解釋的人工智能提高了人工智能解決方案和成果的透明度和可信度，降低了監管和聲譽風險。可解釋的AI是描述模型，突出其優缺點，預測其可能的行爲並識別任何潛在偏見的一組功能。如果沒有可接受的解釋，對人工智能的自動生成見解或“黑匣子”方法可能會引起對法規，聲譽，責任制和模型偏差的擔憂。
趨勢八 數據和分析中的區塊鏈
區塊鏈技術解決了數據和分析中的兩個挑戰。首先，區塊鏈提供資產和交易的血統信息。其次，它爲複雜的參與者網絡提供了透明度。但是，區塊鏈不是獨立的數據存儲，它具有有限的數據管理功能。基於區塊鏈的系統不能用作記錄系統，這意味着涉及數據，應用程序和業務流程的巨大整合工作。實際上，對於超出加密貨幣的用例，該技術的可伸縮性尚未成熟到實際的生產級別。
趨勢九 持續智能
長期以來，組織一直在尋求情報實時化，並且系統可用於執行對應的相關任務。現在，由於雲，流數據軟件的進步以及來自物聯網（IoT）傳感器的數據增長，在更廣泛的規模上實現這些系統（Gartner稱爲連續智能）終於是切實可行的。
到2022年，超過一半的主要新業務系統將採用持續智能，這些智能將使用實時上下文數據來改善決策。
趨勢十 永久性內存服務器
大多數數據庫管理系統（DBMS）使用內存數據庫結構，但是隨着數據量的快速增長，內存大小可能會受到限制。新的服務器工作負載不僅要求更快的處理器性能，還要求大容量的內存和更快的存儲。持久存儲技術將幫助企業從數據中提取更多可行的見解。許多DBMS供應商都在試驗持久性存儲器，儘管要利用它們來修改其軟件可能要花費幾年時間。