Jeszcze nigdy w historii analityka leżąca u podstaw tego rozwoju nie była tak powszechnie komentowana. Niedługo systemy te diametralnie zmienią biznes, przy czym wykorzystanie analityki w biznesie najprawdopodobniej rozwinie się w trzech kierunkach.

Intensywny rozwój algorytmów uczenia maszynowego. Już teraz do szerszego użycia wchodzi kilka ciekawych typów sieci neuronowych, na przykład sieci konwolucyjne (convolutional network). To rodzaj sieci neuronowej wyspecjalizowanej w analizie obrazów czy detekcji twarzy. Dobrym przykładem komercyjnego wykorzystania sieci konwolucyjnej w biznesie jest analityka plików DICOM (Digital Imaging and Communications in Medicine). To specjalny typ plików wykorzystywanych w medycynie do przechowywania obrazów diagnostycznych, na przykład z rezonansu magnetycznego wraz z dołączonym opisem. Jest bardzo wiele możliwości zastosowania analityki obrazów, na przykład do wczesnego wykrywania i lepszego zrozumienia raka. Autonomiczne samochody także wykorzystują sieci konwolucyjne, ale w połączeniu z sieciami rekurencyjnymi. Sieci rekurencyjne (recurrent network) są bardzo skuteczne w analizie następstw, analizie szeregów czasowych. Mogą więc być używane także do analizy tekstu, rozumianego jako następstwo pojęć.

Dzięki szybko rosnącej mocy obliczeniowej komputerów uczenie maszynowe i progresywne algorytmy będą coraz powszechniej wykorzystywane. Głębokie uczenie umożliwi zautomatyzowanie budowy modeli predykcyjnych. Maszyna sama przeanalizuje zbiór danych historycznych, wszystkie dostępne informacje, bez ograniczania się do reprezentatywnej próby. Wyselekcjonuje zmienne o największej sile predykcyjnej i zbuduje model, wykorzystując do tego na przykład procesory graficzne z kart graficznych komputerów.

Nadal będą trwały intensywne prace nad rozumieniem informacji, którą przekazują systemy informatyczne wchodzące w interakcje z ludźmi. Nazywamy to interakcją w języku naturalnym albo analityką ekspresji. To sytuacja, w której człowiek uruchamia proces analityczny, zadając pytanie lub stawiając problem. Maszyna dostarcza rozwiązanie i objaśnia jego znaczenie. Na przykład, gdy człowiek pyta o korelację pomiędzy wysokim poziomem cholesterolu a podwyższonym ciśnieniem krwi, maszyna wskazuje, od jakiego poziomu cholesterolu korelacja z wystąpieniem wysokiego ciśnienia krwi jest istotna statystycznie, a więc wysoce prawdopodobna.

Sztuczna inteligencja i systemy kognitywne będą wykorzystywane na dużą skalę w obecnych narzędziach analitycznych. Ich nowsze wersje umożliwią dwukierunkową komunikację z narzędziem, a proces analityczny ulegnie większej automatyzacji. Pierwszy kontakt z danymi nie będzie polegać na wyświetlaniu wierszy i kolumn. Maszyna zrobi o wiele więcej. Przeanalizuje otrzymane dane, wyświetli odpowiednie wykresy ilustrujące powiązania między zmiennymi, opatrzy je odpowiednim komentarzem i zada kontekstowe pytania. To będzie logiczne przeanalizowanie danych i dostarczenie czegoś w rodzaju ich narracyjnego objaśnienia. Opowiedzenie historii.

Powstaną też wąsko wyspecjalizowane systemy (patrz: ramka „Sztuczna inteligencja w biznesie”) wykorzystujące wbudowaną sztuczną inteligencję do konkretnych celów biznesowych w analityce, w służbie zdrowia, w obszarze interakcji z klientem, w sprzedaży detalicznej, w wykrywaniu nadużyć czy zarządzaniu ryzykiem.