定量和人工智能（AI）/机器学习（ML）技术的采用，以及系统策略的发展，使得投资研究数据对寻求阿尔法收益（阿尔法收益是跑赢大盘的超额收益，主要承担非系统性风险。）的公司尤为重要。随着这些策略的兴起，彭博社在一系列全球客户研讨会期间对150多名定量分析师、研究分析师和数据科学家进行了调查，以了解投资研究的主要趋势和挑战。
数据覆盖率、及时性和历史数据的质量问题被认为是该行业面临的最大挑战，近五分之二（37%）的受访者选择了这一选项。其次挑战包括对来自多个数据提供商的数据进行标准化和整理（26%），并确定要评估和研究的数据集（15%）。
为了应对这些挑战，彭博社的调查发现，72%的受访者一次只能评估三个或更少的数据集，尽管定量分析师和研究团队需要在当今的数据洪流中不断利用更多的阿尔法生成数据。调查结果还显示，超过一半的受访者（65%）评估单个数据集的典型时间为一个月或更长时间。
面对上述障碍，公司仍在努力找出管理研究数据的最佳策略。50%的受访者表示，他们目前使用专有解决方案集中管理数据，而不是外包给第三方提供商（8%），超过六成（62%）的受访者更喜欢在云中提供他们的研究数据。值得注意的是，35%的受访者还希望通过更传统的访问方法（如REST API、内部部署和SFTP）提供他们的数据，这表明他们更喜欢数据交付渠道选择的灵活性。
彭博企业数据研究数据全球主管Angana Jacob表示：“从与我们的研究客户的深入对话中可以明显看出，人们渴望新的正交数据集，也需要利用‘人工智能就绪’的数据。从数据来源到提取阿尔法值的旅程是困难的，对数据的持续摄入、清理、建模和测试尤其具有挑战性。”“这就是为什么彭博社致力于构建我们的多资产投资研究数据产品套件，旨在进行定量和定量研究、系统战略和人工智能工作流程。我们的数据集通过建模的Python API访问，使客户能够通过深度粒度、时间点历史、广泛覆盖以及与传统参考和定价数据的互操作性，将到阿尔法的时间缩短。”
彭博投资研究数据套件的最新补充包括以下公司研究数据产品：
行业特定公司的KPI和估计：彭博社的行业特定公司KPI和估计产品为广泛的公司提供了1200多个独特关键绩效指标（KPI）的时间点数据，从而能够进行深入的行业和行业研究。这些数据也可以通过Per Security获得，为客户提供定制世界的灵活性。
股票定价时间点：彭博社的股票定价时间点将产品为全球上市公司提供时间点、每日收盘综合定价和证券主数据。
客户可以将这些数据集与彭博社的其他公司研究数据产品链接起来，无缝构建公司和行业知识图，从而实现阿尔法发现和提取。