目前，将有大量额外数据可用，包括来自传感器的结构化数据和来自摄像机，社交媒体和来自社交网络的情感的非结构化数据。数据驱动AI增长背后的主要因素是大量数据的可用性。这包括来自企业内外的来自传感器或所谓的物联网等新来源的机器生成数据以及人为生成的数据。
信息技术行业正在使用业务分析来指代使用计算来从数据中获取洞察力。数据可以从公司的内部来源获得，例如其企业资源规划应用程序，数据仓库/集市，来自第三方数据提供商或来自公共来源。公司寻求利用交易系统和自动化业务流程中的数字化数据来支持“基于事实的”决策。因此，业务分析是计算的一个类别，而不是特定的方法，应用程序或产品。
分析是可以导致成功的AI系统的演变的一部分。举个例子，机器学习模型是在大数据集上训练的。在分析感知组织中，处理数据发现，大数据和任务（如数据争用，数据准备和集成），AI是一个自然的进步。成熟的分析系统将巩固AI的成功。另一个需要考虑的关键领域是AI系统在一段时间内成熟，因为它们可以提供更多数据和正确的高质量数据。因此，企业投资于数据存储和数据仓库; 这是调整资产以实施AI的过程的一部分。
企业中的许多功能都可以从分析中受益。最常见的功能类别包括：
1.
（a）
客户分析：此类别包括营销应用（客户分析，细分，社交网络分析，品牌声誉分析，营销组合优化）和客户体验。在时髦的 （社会网络分析中电信）和VOCA （语音的–客户–分析）技术属于这一类。
2.
（b）
供应链分析：这包括需求预测，库存优化，定价，调度，运输和存储，同时减轻风险。IBM对其内部供应链的优化产生了令人瞩目的成果。称为人力资本分析（ 又称劳动力分析）的子字段适用于人力资源是主要生产方式的服务行业。
3.
（c）
欺诈和风险分析：这包括评估几种类型的风险（市场，运营，信贷），特别是在金融部门。
4.
（d）
公共领域的分析：受自然资源限制的影响，政府正在使用分析来检测分配系统中的漏水，使能源网和交通系统更加智能化并改善公共安全。