Alteryx公司首席数据和分析官Alan Jacobson表示，如今的“分析鸿沟”将越来越严重。就像广为人知的“数字鸿沟”一样。由于发生的新冠病毒疫情，许多组织被迫投资于数据分析，而另一些组织被迫削减他们认为不重要的支出，以保持业务正常运转。对这些组织来说，需要对数据分析进行适当投资。这意味着分析鸿沟在2021年将会进一步扩大，并且这种趋势将持续多年。毫无疑问，各行业组织的业务成败取决于数据分析。
Teradata公司数据科学和高级分析产品营销总监Sri Raghavan表示，零散的分析和报告解决方案的时代可能已经过去，它们很可能满足利基业务用例的需求，这是不可持续的。组织不能采用高度部门化的分析实施方案，从而无法解决本地化问题，大型组织则无法获得全部收益。目前的情况将转变为对组织访问的所有数据进行分析的能力，这些分析的能力将由具有不同技能的各种兴趣小组以协作的方式实施(例如数据科学和业务领导者)，并全力近乎实时地实施分析见解。换句话说，其分析不再是零散的，并且不仅仅是科学实验。
Kalypso公司总经理George Young表示，规范分析将是成功实现数字化转型的关键组成部分。随着越来越多的组织收集和分析大量数据，高级分析正成为一种主流，在过去三年中，有35%的美国制造商在部署高级分析。为了使人工智能在整个价值链中产生重大影响，规范分析将成为优化绩效的催化剂。通过利用产品和客户数据为人工智能模型提供有关如何改进流程、调整生产和提高效率的建议，规范性分析将成为在组织内部扩展人工智能的重要组成部分。规范性分析可以根据不断变化的条件进行连续监视和调整，从而通过人工智能模型实现持续改进。然后，描述性模型可以实现决策自动化，其中模型可以采取最佳行动方案。从预测分析到说明性分析，最终将使制造商在2021年实现数字化转型。
Ness公司全球数据、分析和人工智能业务主管Scott Schlesinger表示，考虑到组织的员工远程工作以及对信息的渴望，增强分析和自助服务的需求将更加广泛。作为回应，传统的数据分析将越来越受到人工智能的影响。远程劳动力的增加将对增强的分析产生更大的需求，在这种分析中，个人用户将通过创建查询的过程获得对其数据问题的即时回答。人们看到了数据分析和人工智能在基础设施和分析师这两个领域的融合。人们开始意识到，他们有不同的数据管道为分析引擎提供数据，他们正在为机器学习构建不同的堆栈。人们看到的不是两个完全独立的堆栈，而是将这些堆栈聚合到一个更易于维护的基础设施中，同时确保使用相同的数据来提供两个数据引擎。关于信息的渴望和弥合使用数据回答问题的差距将发生第二次融合。传统的分析将开始受到人工智能的更多干扰。分析平台(例如Tableau、Power BI等)将开始被机器人和虚拟助理取代，而这些机器人和虚拟助理本质上是会话式的。此外还预计自然语言处理(NLP)将在2021年得到更广泛的应用。
Signals Analytics公司首席营销官Frances Zelazny表示，尤其是在数据和分析方面，IT部门与其他部门之间的界限将继续模糊。数据和分析有可能推动非常积极和有意义的业务成果，当它发生时，往往也有强大的跨不同职能领域的合作，因为每个人在分析方法方面都有责任。数据治理、数据读写能力、开放数据平台、组织不同部分数据的集成和利用等领域将使业务用户能够执行传统上为IT团队保留的任务，业务部门生成的数据将输入IT管理的平台。再加上数据科学家和分析专业人士的短缺，这也意味着数据平台将变得更加无缝和易于部署，以便组织的所有部门都能够利用它。
ThoughtSpot公司首席执行官Sudheesh Nair表示，随着数据素养的提高，分析技能将成为所有业务专业人员的常识，并开始从求职者的简历中消失。就像现在不太可能需要填写“Office熟练程度”栏目一样，将来也不太可能看到填写“数据熟练程度”栏目。人们进入了第三次分析浪潮，并期望无需专家的帮助即可与数据进行交互。如果无法将硬数据与业务环境相结合来定义和执行策略，那么将在工作场所中陷入困境。 2021年及以后的组织的理想人选是既能理解又能描述数据的人员，因为在短短的几年内，数据素养将成为组织雇主的要求和期望。那些希望获得成功的组织现在需要招聘这些人才。
Ahana公司联合创始人兼首席技术官(CTO)Dave Simmen表示，随着组织将数据基础设施转移到联合(采用引擎查询不同的源)、分解(计算与存储独立、数据与数据湖独立)堆栈的过程中，将会看到传统的数据仓库和紧密耦合的数据库架构被降级到原有的工作负载。但是就这一转变而言，有一件事将保持不变，SQL将继续成为分析的通用语言。数据分析师、数据工程师、数据科学家和产品经理以及他们的数据库管理员将使用SQL进行分析。
Push Technology公司首席执行官Sean Bowen表示，很多组织都在逐步扩展其对分析系统的使用，但面临对需要可以执行实时数据整理的事件数据平台的挑战。在2021年，组织将需要智能数据平台，这些平台可以使用各种格式、大小或速度的各种来源的静态数据和流数据。并将数据实时地传输到系统、设备和应用程序。
SingleStore公司首席执行官Raj Verma表示，针对所有数据工作负载的SQL查询。前进的道路不仅取决于自动化，还取决于使分析可访问和可共享的速度和范围。分析为组织下一步应该如何做使客户和员工感到满意提供了明确的方向。管理数据不再是一种奢侈举措，而是一种必要，它决定了组织将取得多大的成功。如果可以消除数据管理的复杂性或成本，那将非常有效。最终，该领域的赢家将消除数据管理的复杂性和成本，并且工作负载将被统一，因此组织可以编写SQL查询来管理和访问跨多个数据驻留的所有工作负载。
Aluxio公司创始人兼首席执行官Haoyuan Li表示，不同平台/团队在过去提供了人工智能和分析功能。多年来，人们看到平台正在融合，并且人工智能团队更加专注于算法方面，而人工智能和分析平台团队进行了合并，以提供用于分析和人工智能用例的软件基础设施。
数据专业人员对广大公众有责任。在意识到潜在滥用严重性的有意识的组织的领导下，将在数据分析领域内朝着道德规范迈进。也许一些国家政府部门将通过某些法规干预，但相信科技公司将负责这项指控。Facebook公司对参与度数据所做的事情不是违法的，但是已经看到，它可能对人们的个人习惯产生不利影响。
Denodo公司数据架构高级副总裁Paul Moxon表示，情感是影响客户行为的关键因素，对组织品牌忠诚度有很大影响。因此，对于组织来说，找到一种在客户决策过程中衡量客户情绪的方法越来越有用。情绪分析专注于研究和识别人类情绪的全部范围，其中包括情绪、态度和个性。它使用预测模型和人工智能/机器学习来分析人类动作、单词选择、语音音调和面部表情。情绪分析可以帮助组织建立更全面的客户资料，了解如何影响情绪并开发针对个人的定制产品和服务。跨地域、社交网络和评论网站的有关产品和服务的情感分析，使组织可以更好地理解和提高客户满意度。通过使用情感分析，组织可以更好地了解其营销和服务如何影响情感，从而提供更积极的客户体验。
Heap公司首席执行官兼创始人Matin Movassate表示，正确进行产品分析非常困难。每次交互都会产生大量的数据，并通过挖掘大量数据来发现“大海捞针”的洞察力需要大量的精力、纪律和时间来使其发挥作用。这些进入壁垒意味着数据分析通常仅限于拥有足够资源，带宽和知识以正确执行的组织。但这也是一门越来越重要的学科。甚至在新冠病毒疫情发生之前，消费者与品牌的互动通常都在数字平台上进行，而现在它们几乎都在那里。那里有大量信息可以解释每次互动的投资回报率，毫无疑问，其中一些信息可能会改变游戏规则。但是坦率地说，如果必须努力工作以从某件事中获得价值，那么将不太可能始终如一地实现它。分析将不再是一种被动的游戏，而是收集分析人员必须筛选以发现这些见解的数据。
