我所处的位置决定我看世界的角度。从这里望去，2016年的分析领域令人振奋。有史以来，分析领域从未如此重要、如此有趣。

　　1.机器学习在企业生根发芽

　　机器学习(Machinelearning)的历史可以追溯到1950年，但直到最近，它都只是精英人才的领域并长期被人忽视。我预言机器学习会就此稳步发展，因为许多大型企业正在接纳机器学习。如今除了研究者和数字时代原住民，企业也在探索如何把机器学习变为生产力。在一些已经规范化的行业，模型解释性较差，曾导致模型难以应用。如今这些行业的从业者使用机器学习，寻找更多创造性的方法，从模型中选择变量，而这些变量之后能由常用工具进一步构建。机器学习从多个学科中获取营养，所以未来预计会产生更多跨学科的兴趣。

　　2.物联网大潮降温，面对现实

　　根据Gartner公司的新科技周期理论(HypeCycle)来看，物联网(InternetofThings,IoT)正处在科技周期的顶峰。但在2016年我预计物联网这个概念将有所降温，开始面对现实。如何采集是一个很实际的障碍——信息太多了。我的一个同事正在把我们新大楼的HVAC暖通系统，作为一个物联网测试项目进行分析。这栋楼里到处都是传感器，但获取数据却并不容易。设施部门告诉他这是IT部门的职权，IT部门把他又踢到了制造商那里，因为HVAC收集数据之后发送给了制造商。“数据所有权”是一个在逐渐浮现的议题：你生产了数据，却无法获取它。如何证实自己的价值是物联网面对的更大挑战。物联网在企业级的整体生产应用依然有限。物联网给出的承诺无与伦比，所以在2016年让我们期待早期使用者们能解决问题，给出答案。

　　3.大数据走出喧嚣，让模型变得丰富

　　大数据已经走出了喧嚣，产生了实际的价值。如今的建模者可以获取的数据种类前所未有地丰富(例如，非结构数据，地理空间数据，图像，声音)，而这些数据使得模型可以变得更加丰富。大数据的另一新进展来自各类竞赛，这些竞赛超越了之前游戏化的形式，通过众包和数据分享产生了实际价值。参赛队伍的数目史无前例，最终的获胜者战胜了之前此领域尖端研究者开发的模型。

　　4.通过分析提高信息安全

　　随着物联网发展，传感器的广泛使用肯定让数码空间的犯罪分子感到兴奋。他们使用这些设备，用一种缓慢而低调的木马手段进行劫持。许多传统的侦查手段对此无效，因为侦查不再是寻找一个稀有事件的过程，而需要对情境中事件的累积进行理解。跟物联网一样，信息安全面对的一个挑战和数据有关。我预计先进的分析作为追踪数据的手段，能为侦查和预防做出新的贡献。很可惜，本文无法谈论大数据的合作中正在发展出的方法，因为我们不想让坏蛋知道我们是怎么发现它们的。这方面的许多优秀工作都是在高度安全的隔离环境中完成的。不过，2016年SAS和其他各方仍会高度关注信息安全。

　　5.分析驱动着企业与学界加强互动

　　企业的招聘需求促进了增长，但同时我也看到了它们对于研究的兴趣。越来越多的企业在设立学术扩展部门，并表现出对于研究合作的浓厚兴趣。有时这种兴趣超越合作伙伴关系，转而直接雇佣学界名人。这些学界名人可能是休假期间来工作，或者在学界和企业往返。