每到年末之交，总会有许多关于“来年bi趋势”的文章，此类文章多数是提供一些预测性的观点，内容通常都乏善可陈。因此，我在撰写这类预测文章时决定将目光放得更为长远些，用qlik现有的信息去预测五年后的情况。
以下是对2021年bi发展趋势的十大预测：
1.对新数据的来源分析将会打破一些长期商业模式。以司机保险为例，远程信息处理技术的广泛应用意味着基于保险精算表格的共享风险模式的终结，因为司机这个群体从整个人口中消失了，保险是基于对实际驾驶行为的分析来进行收费。医疗保险据此也不会太远，而且这可能正成为公共医疗系统的现实—重新将精力集中在主动式的医疗保健而不是被动地响应疾病的治疗。进一步的，越来越多的像审计师这样的白领正期待分析自动化时代的到来。这是脑力劳动机械化的一个逻辑延续—我们已经忘记了不久前“电脑”和“计算器”还曾是人们的职位名称。
2.决策者将会广泛使用共享的、沉浸式的分析体验。bi的发展一直专注在小型设备上，但是现在将转为专注于非常大（像一面墙那么大）的触屏设备上。这使得整个团队可以共同对数据进行实时探索并由此做出决策。在2015年，有39%的人表示，影响决策制定的三大原因之一是与同事的意见不一致，而到2021年，我们所有人都会一起在数据中工作。
3.bi将会支持更广泛的、完全的人类学习模式。在2015年，数据的可视化是主要特征。但是，并不是所有使用数据的人都能够获得同等的视觉导向。人类运用个体的感官输入进行学习，这通常有三种模式—听觉型、阅读型以及视觉型或动态型。到2021年，商业智能将利用信息传递手段使用所有学习模式，比如对于听觉型的学习者，会自动生成口头或书面的叙述形式来描述所选数据的形状或者图表内容。与此类似，3d打印图表绘制对于动态型的学习者而言无疑是扮演了一个重要角色，这使他们能够亲身感受到谁工作的最好。当然，对于视觉导向的学习者来说，他们面临的选择将会增加，利用大量高分辨率显示器实现大量数据集的展现甚至虚拟现实的体验。
4.对数据的解读能力将大大提高。毫无疑问，在未来五年里，人们对各种形式的数据可视化将更为熟悉，将会更容易从图表中读取和利用其中的深刻洞见。（这与人们对电影的解读非常相似。随着时间的推移，人们逐渐熟悉胶片的“语言”并把对电影的解读作为人类的第二天性）也许更重要的是，教育系统将会加入更多商业分析和其他课程。领先的公司将会对员工进行数据读写能力的培训，因为他们意识到员工的数据解读能力将为企业增加竞争优势。当然，更多有数据学习经验的人对于数据的要求也会更多。
5.个人分析能力成为基本要求。我们看到的一些自我量化的行动也许现在看来非常让人厌恶，但是随着服务和设备产生更多的数据，这些行为很快就会成为一种惯例，因为这些对“我的数据”进行个人分析会成为自我改善的一种方式。不仅如此，人们还会越来越多的在家庭生活以及社交生活（无论是地理上的还是兴趣分享上的）中使用分析。对于软件供应商来说，这是一个有趣的暗示，它代表了另一个消费趋势，个人喜好终将会导致“携带个人化的分析工具”时代的到来。
6.更多的人将会利用预测分析。虽然许多企业都会安排一些人在做更为复杂的统计预测，但是这并不普遍。行业分析师的数据显示，仅不到20%的人在广泛使用预测分析（作为他们bi项目的一部分）。要克服这一障碍有两个至关重要的驱动力。首先是使用技术，通过自动向他们展示未来趋势来推动那些非统计专业的人士使用预测分析工具比如，使用最佳模式来预测三个时期的支出情况的线形图，用叙述的形式告诉用户，kpi将会在某个日子掉落到一个不可接受的范围，或者在分析应用里使用蒙特卡罗模拟算法。第二个驱动力是让工具变得更广泛可用，从而支持预测性模型。过去，技术和知识是不对称地分布在少数专家手中的。到2021年，这种持续还不到20年（通过开源r统计语言）的现象就将会完成古腾堡为了写作所做的统计概率分析。
7.分析过去的数据变得更简单。数据存储花费的急剧下降意味着，到2021年，各机构将拥有可访问的可读形式的数据（没有磁带备份），可以及时回溯。这将实现算法识别和深度模式的分析，分析过去的数据，证明分析周期超过经济周期是有用的。这还将帮助机构不要重蹈覆辙。以上次经济萧条为例，由于数据已经无法回溯，企业因此不能学到教训，这在2021年就不会发生了。
8.智能决策自动化（ida）将随着机器更智能而采用更多商务决策。在2016年，ida只能处理简单的战术（例如单个客户/状态）决策，但是由于ai在学习和模型中的应用更为广泛，ida将会有更广泛的选择而不仅仅是决策树形图的展现。像谷歌这样的先行者让它的机器学习软件（tensorflow）开源化的举措，只会增加ai在决策中的使用，但这是有局限性的。
9.更多机构将会进行决策回顾。根据qlik收集的数据显示，2015年只有23%的机构会例行查看商务决策的结果。鉴于此，投入bi的理由常常是“提高决策能力”。到2021年，更多机构将会塑造更多决策。“决策”因此也会成为bi元数据类型，因此也是可以分析的。我们可以看到机构是否做出了正确的决策，输入和输出是什么，或许还可以看到哪个团队做出了最佳决策。
10.混合的启发式/算法管理以及决策制定将会在一些机构内形成。理想的管理团队能够汇集人们学习经验中的积极元素，并通过启发式的决策以及算法计算表达出来。这让每一个会议桌前的人都可以发声。这是主观和客观的混合体——试想柯克船长和斯波克博士——依据数据和其他内容一起做出决策。到了2021年，这种混合的情况将会以自动生成的数据故事的形式来启发和延展人们的观点，除了这以外谁知道还会发生什么呢？由电脑产生出来的阿凡达可展现数据和提供输入语言，这应该不断太牵强。
以上仅是预测，很有可能半数预测是错误的—或过于乐观或过于消极，也可能因为外部突发事件而导致所有事情的改变。