L'algorithme du nudging direct et rétrograde que nous avons introduit s'avère être une méthode d'assimilation de données extrêmement prometteuse. Cette méthode est en effet particulièrement facile à mettre en 
uvre puisqu'elle ne nécessite aucune linéarisation d'opérateurs, pas d'état adjoint, et pas d'algorithme d'optimisation. La seule tâche qui incombe à l'utilisateur est d'ajouter le terme de relaxation dans les équations du modèle.
Le BFN a été comparé avec la méthode variationnelle sur beaucoup de modèles géophysiques plus ou moins simplifiés, et plus ou moins turbulents. Les conclusions de cette approche expérimentale sont que le BFN converge très rapidement et qu'il produit généralement de meilleurs résultats que la méthode variationnelle dans le même temps. La condition initiale n'est pas toujours très bien identifiée, mais la solution à l'instant final de la période d'assimilation est toujours bien mieux identifiée, ce qui conduit à des prévisions de très grande qualité, qui restent fiables assez longtemps après la fin de la période d'assimilation.
Nous avons également étudié la possibilité d'hybrider notre algorithme avec la méthode variationnelle, en commençant par réaliser quelques itérations du BFN avant de continuer avec la méthode variationnelle en partant de la trajectoire identifiée par le BFN. Ceci peut être vu comme un préconditionnement de la méthode variationnelle par le BFN, ce qui conduit à l'accélérer très sensiblement.
Enfin, certains résultats théoriques viennent justifier ou expliquer la méthode sur des cas simples.
Plusieurs pistes de recherche sont à l'étude, et particulièrement la possibilité d'améliorer les matrices (ou cfficients) de nudging, par exemple en les faisant varier avec les itérations, ou avec le temps, mais toujours avec l'idée de conserver la simplicité de la méthode.