第一个预测是数据和分析将以惊人的速度加速增长
由于过去所有报告都指出这种增长和扩张，所以这并没什么。Venturebeat指出：“尽管到2019年，大数据市场将有近500亿美元规模，最但令人兴奋的是机器数据分析的影响力才刚刚起步。机器数据分析将是大数据领域中增长最快的部分，复合年均增长率将超过1000%。”
发展基于云的解决方案提供了很多机会，并且这种发展不会逆转。从近年来的趋势看，越来越多的公司增加基于云的解决方案并抓住机会抽取、搜集数据以获得潜在的信息和知识。
Absolutdata Analytics联合创始人兼执行副总裁Suhale Kapoor强调：“向云计算的快速转变：云成为理想的信息存储空间。它被快速接纳的速度会持续到2016年。根据技术商业研究,大数据将导致巨大的云增长; 排名前50的公共云提供商的收入从2013年第四季度的47%上升至62亿美元。”
不难预测，在2016年，云计算、数据开放机会、分析和机器学习将驱动业务发展。
应用程序将学习自我提高
应用程序作为新一代记录和机器数据分析以拥有自我提升能力，,在云层，使用预测算法使得持续改进、持续集成和持续部署成为可能。应用程序将向用户学习，从这个角度看，用户作为系统架构师告诉系统他们是谁、他们需要什么、系统应该怎么和他们交互。
Gartner认为先进的机器学习最鼎盛时期将发生在2016年，他说：“先进的机器学习中的深层神经网络超越了经典的计算和信息管理，可以通过创建自主学习系统等方式感知世界(尤其适合大型、复杂的数据集)…正是这些使得聪明的机器变得“智能”。深层神经网络使得硬件和基于机器的软件能自主学习环境中所有功能，从最细微的细节中抽象出全面的内容。这个领域正在快速发展，组织必须考虑如何运用技术以获得竞争优势。”系统运用先进机器学习的能力不应局限于发现外部信息，也应包括适应系统本身和怎样与用户交互。
系统进行数据分析需要了解问题本身、问题的框架以及用户会选择怎样的词汇和语法提出问题。用户不在需要痛苦得使用查询和编程语言结构以了解数据。系统将了解人类自然语言，比如：提取所有关于我对于x、y和z的理解。系统之所以可以这样是基于用户多次用结构化编程语言（一种机器可以理解的语言）问这些问题以及非专业化用户匹配新词汇。
由于技术格局的变化，2016年将出现自我学习应用程序。麻省理工大学CEO Himanshu Sareen指出此举正在推进机器学习技术变得可用：“就像所有主要的云计算公司（亚马逊网站服务、谷歌、IBM等）提供分析服务一样，这些公司在云端提供机器学习应用程序接口。这些接口允许开发人员每天构建智能、数据驱动的应用程序。”
我们的预测是：到2016年，由于深度学习技术的发展将会出现更多的自主学习应用程序。
处理数据将变得更容易
尽管程序员高度专业化，数据科学家和数据分析师的排他性见解也不会消除。来源于数据的知识将不再掌握在专家手中，并且技术将再次使信息大众化。根据Hortonworks首席技术官Scott Gnau所说，提供自我支持和自我分析的易用程序的需求已经被商业认可。他说：“简化大数据技术有市场需要，并且在技术、消费等各个方面都存在机会。明年将会有显著的简化过程。”
数据将会变得大众化，从程序员到数据科学家再到数据分析师，就像Absolutdata联合创始人兼执行副总裁Suhale Kapoor所说：“甚至那些没有受过特殊训练的人将开始渴望参与分析。这也解释了为什么越来越多的公司采用让终端用户应用统计、寻求解决方案并且重视数据平台……,人类不可能知道所有正确的事情，受自身的局限性，这些问题都含有偏见，会受自己的假设、选择和我们的主观影响。2016年，我们将看到从假设分析（我们依靠分析师提出正确无偏见的问题）到自动化机器学习和智能模式发展技术的强大转变，客观地提一个问题，消除偏见，克服局限。”
“历史上，自我服务数据发现和大数据分析是商业智能的两个独立能力。然而，公司将看到这两个领域的融合带来更大的转变。大数据分析工具将会扩展，使管理者和执行者在需要时进行全面自助服务探索，而不需要掌握主要信息技术。这个预测来自于商业智能和分析公司Targit12月份的研究…..自助式BI让IT更强大，使业务用户能用数据创造和发现见解，而不牺牲促使数据驱动组织形成的大数据分析结构。”
我们能自信得预测，到2016年，越来越多的数据分析应用程序将需要更少的技术专长。
数据集将成为获取有用信息的关键
大数据处理引擎的成熟使得敏捷的数据开发和分析能够深入了解大量不同且复杂的数据。连接和组合数据集开启了数据孤岛中的见解并且将自动在后台的软件即服务应用程序运行而不需要手工操作电子表格。
Gartner副总裁兼研究员David Cearley把不断扩展的终点比作“设备网”，他认为：“人们可以不断访问应用程序和信息并且与人、社会、政府和企业互动。后移动世界关注的焦点将转移到那些被设备网而不是传统移动设备包围的移动用户。随着设备网的发展，我们期待连接模型扩展并且设备之间出现更多的合作互动”。
在同一份报告中，Cearley说：“信息总是无所不在，但是经常是孤立的、不完整的、不可用或者无法了解的。语义工具如图数据库和其他新兴数据分类和信息分析技术的发展使泛滥的数据有意义。”
这是一个简单的预测，但是越来越多来自不同源的数据集将会被聚集以获得更多见解，这个显而易见的趋势将发生在2016年。
看见变得重要，可视化是从数据到信息再到知识转化路径的关键
具有收集、探索复杂数据集的能力后急需可以理解数据的工具。那些将复杂数据的信息可视化的工具越来越成熟且应用越来越广泛。Absolutdata Analytics联合创始人兼执行副总裁Suhale Kapoor说：“可视化将是王道：图片胜过文字不是新现象—人脑天生偏爱图表和图形而不是一堆古板的电子表格。这个事实被随时欢迎可视化软件的数据工程师认同，他们希望能够以图片格式看到分析结论。”
可视化在数据到知识转变中确实起到杠杆作用，这也将使更多自适应和动态可视化工具出现。“图形和图表确实引人注目，但只是静态，有时会让企业用户对数据的意义产生虚假的安全感或者缺乏安全感……相比漂亮图表，可视化工具将更需要随着趋势变化动态得给出正确答案，促使动态指示板出现以及细微变化一出现就能动态填充图表，以揭示易被忽略的见解。”
我们预测：在2016年，新的数据中心符号、一种获得信息的数据交流可视化语言将变得更强大，更重要并将成为信息学的引擎。
原文作者：Bruce Robbins
翻译:Teradata数据分析见习顾问 惠慧