Analyysiohjelmiston tehtävä tutkimustyön kannalta on rekisteröinnissä tuotetun datan jalostaminen. Mittaustuloksien perusteella pyritään hakemaan esim. sauvasolun toiminnallisia ominaisuuksia kuvaavia tunnuslukuja, mutta toisaalta usein myös itse mittaussignaalista halutaan esittää valikoituja näytteitä. Mittaussignaali sisältää aina kohinaa, jonka suodattaminen mittaustilanteessa ei ole täysin mahdollista. Niinpä erilaiset suodatusoperaatiot mitatuille signaaleille ovat tarpeellisia. Signaali/kohina -suhteen parantamiseksi voidaan myös laskea keskiarvo useasta samoissa olosuhteissa mitatusta vasteesta. Kohinan lisäksi signaaleista halutaan usein poistaa muunkinlaisia häiriöitä. Rekisteröinnin aikana signaaliin saattaa esim. tulla siirtymä tai häiriöpiikki. Analyysiohjelmistolla tulee voida poistaa nämä häiriöt rekisteröidystä signaalista. Erityisesti ERG-mittauksissa signaalissa esiintyy hidasta ryömintää, jonka poistamiseen analyysiohjelmiston tulee kyetä. Pitkästä rekisteröintisekvenssistä halutaan usein myös erottaa vain osa jatkoanalyysiä tai graafisen esityksen laatimista varten. Nämä korjaus- ja muokkausoperaatiot halutaan yleensä suorittaa interaktiivisesti, mutta erityisesti ryöminnän poisto halutaan usein suorittaa suurelle määrälle vasteita, jolloin operaation tulisi olla mahdollisimman pitkälle automatisoitu, mutta käyttäjän valvottavissa ja kontrolloitavissa.
Usein kokeesta halutaan hakea vasteiden amplitudit ja nousuajat. Amplitudiarvona käytetään yleensä valovastesignaalin maksimipoikkeamaa valitusta nollatasosta, mutta joskus amplitudiarvoksi voidaan haluta sen sijaan signaalin poikkeama jollain kiinteällä ajanhetkellä stimuluksen jälkeen. Koe saattaa sisältää erittäin paljon yksittäisiä vasteita, joten amplitudien ja nousuaikojen hakemisen tulee olla mahdollisimman automaattista. Toisaalta arvojen tulee olla myös luotettavia, joten arvojen hakemisen tulee olla vähintään valvottavissa interaktiivisesti. Analyysin tulokset halutaan usein tulostaa kirjoittimelle yksinkertaisena luettelona, jossa kullakin rivillä on vasteen numero, kellonaika, valosalaman intensiteetin määräävä suodinten optinen tiheys sekä vasteen amplitudi ja nousuaika. Tämän analyysin tuloksista halutaan myös piirtää graafisia kuvaajia, jolloin amplitudit esitetään pisteistönä ajan funktiona siten, että eri intensiteetin vasteet piirretään toisistaan erottuvilla symboleilla. Samaan graafiin halutaan näkyviin preparaattiin vaikuttavat ympäristömuutokset kuten liuosvaihdot. Liuosvaihdot voidaan esittää esimerkiksi pystyviivoina.
Vasteiden amplitudien perusteella voidaan hakea preparaatin herkkyys- ja maksimiarvot. Herkkyys- ja maksimiarvot halutaan periaatteessa estimoida koko kokeen ajalta. Käytännössä estimointi kannattaa tehdä määrittämällä herkkyys- ja maksimiarvoja pienellä intensiteetillä annettujen valosalamien ajanhetkille. Suurempien intensiteettien antama amplitudi voidaan interpoloida lineaarisesti edeltävän ja seuraavan vasteen perusteella. Interpolointi kannattaa tehdä suuren intensiteetin vasteille, koska niiden amplitudi muuttuu yleensä hitaammin kuin pienen intensiteetin vasteiden amplitudi. Interpoloinnissa tulee ottaa huomioon kokeen aikana tapahtuneet preparaatin tilaan vaikuttavat muutokset kuten liuosvaihdot, eli interpolointia ei saa suorittaa esimerkiksi eri liuosten vaikutuksen aikana rekisteröityjen vasteiden perusteella. Jos jollekin ajanhetkelle saadaan interpoloimalla useampi kuin kaksi stimulus/vaste -pistettä, Michaelis-yhtälön mukainen toimintakäyrä voidaan määrittää minimoimalla neliöllistä virhettä. Joskus toimintakäyrän yhtälönä halutaan käyttää puhtaan Michaelis-käyrän sijaan z-fuktiota. Tällöin z-parametri voidaan hakea vain ajanhetkillä, joille vähintään kolme stimulus/vaste -pistettä voidaan estimoida. Yleensä z-parametri muuttuu varsin hitaasti ja se on luonteeltaan vain korjausparametri. Jos vain kaksi stimulus/vaste -pistettä on saatavilla, z-parametrin arvona voidaan pitää viimeisintä ennen kyseistä ajanhetkeä määritettyä arvoa.
Koetuloksia analysoitaessa halutaan usein testata matemaattisten vastemallien sopivuutta mitattuihin vasteisiin ja määrittää mallikäyrien parametreja. Yleensä näitä mallikäyriä ei ole järkevää sovittaa mitattuihin vasteisiin neliöllistä virhettä minimoiden, koska esimerkiksi farmakologiset käsittelyt voivat vaikuttaa eri tavoin valovasteen nousevaan ja laskevaan osaan. Sen sijaan käyttäjällä tulee olla mahdollisuus säätää mallikäyrän parametreja suoraan antamalla parametrin numeerinen arvo ja nähdä mallikäyrä ja kokeellinen vaste samassa akselistossa.
Kun pyritään erottelemaan eri reseptorityyppien vastesignaaleja koko verkkokalvosta mitatuista signaaleista, vastesignaaleille halutaan suorittaa erilaisia aritmeettisia operaatioita. Pääasiassa signaaleista halutaan laskea painotettuja summia, eli analyysiohjelmistolla täytyy voida vähintään laskea yhteen vasteita ja kertoa haluttu vaste annetulla reaaliluvulla. Laskutoimituksissa eri rekisteröintisekvenssit ovat yleensä saman tyyppisiä eli niillä on esimerkiksi sama näytteenottotaajuus. Joskus voi olla kuitenkin tarpeen suorittaa laskutoimituksia eri tyyppisten rekisteröintisekvenssien välillä. Tällöin eri taajuuksilla rekisteröidyt sekvenssit tulisi siis voida saattaa yhteensopiviksi joko desimoinnilla tai interpoloinnilla. Myös rekisteröintisekvenssien pituus ja stimulusten ajankohdat voivat vaihdella. Yleensä laskutoimitukset halutaan suorittaa siten, että eri sekvenssien stimulusajankohdat yhtyvät. Joskus laskutoimituksia joudutaan tekemään suuri määrä eri rekisteröintisekvensseille. Laskutoimituksia tulisi siis voida automatisoida esimerkiksi määrittelemällä makro-operaatioita, jotka voivat ottaa parametreikseen joukon rekisteröintisekvenssejä.
Valoreseptoreiden termistä kohinaa tutkittaessa rekisteröintisekvensseille halutaan tehdä histogrammisovitus. Tällöin määritetään pimeässä mitatun rekisteröintisekvenssin histogrammi. Lisäksi tarvitaan mahdollisimman hyvä malli yhden fotonin aiheuttamalle signaalille. Mallivaste kannattaa muodostaa summaamalla joukko vasteita, joiden stimulusintensiteetti on pieni, mutta stimuluksen aiheuttama vaste poikkeaa nollasta, ja sovittamalla kyseiseen vasteeseen esim. independent activation -mallin mukainen käyrä, josta generoidaan rekisteröintisekvenssi. Histogrammin ja yksifotonivasteen avulla on mahdollista laskea termisten isomerisaatioiden taajuus pimeässä suoritetun mittauksen aikana.
Mitatuista vasteista ja analyysien tuloksista halutaan usein piirtää graafeja ja tulostaa graafit kirjoittimelle. Näin ollen kaiken näytöllä esitettävän tulisi olla tulostettavissa. Graafeja tulee voida siirtää myös muihin sovelluksiin edelleen muokattaviksi, joten analyysiohjelmiston tulee voida tallentaa graafiset esitykset siirtoon soveltuvassa muodossa tai kyetä kommunikoimaan edelleen muokkaukseen soveltuvien ohjelmistojen kanssa suoraan. Monet sovellukset pystyvät lukemaan taulukkomuotoista dataa ASCII-muodossa, joten kaikki soveltuva data tulee voida tallentaa ASCII-muodossa.
Analyysiohjelmiston käyttöliittymän tulee rekisteröintiohjelmiston tapaan toimia englannin kielellä, jotta myös vierailevat tutkijat voisivat käyttää ohjelmistoa.