早在1865年，Richard MillarDevens就在其越著作《商業(yè)軼事大全》中提出了“商業(yè)智能”(BI)一詞。他用這一術(shù)語來描述英國銀行家Henry Furnese爵士如何在競爭對手之前收集信息并采取行動，從而從信息中獲利。1958年，IBM公司計算機科學家Hans PeterLuhn寫了一篇文章，描述了通過使用技術(shù)獲得商業(yè)智能的潛力。

正如人們所理解的那樣，商業(yè)智能使用技術(shù)來收集和分析數(shù)據(jù)，將其轉(zhuǎn)化為有用的信息，并在企業(yè)在競爭對手之前采取行動。從本質(zhì)上來說，現(xiàn)代版本的商業(yè)智能側(cè)重于將技術(shù)作為一種在正確的時間基于正確的信息快速有效地做出決策的方式。

而到了1968年，當時只有具備極其專業(yè)技能的人才能將數(shù)據(jù)轉(zhuǎn)化為有用的信息。當時來自多個來源的數(shù)據(jù)通常存儲在孤島中，研究通常以碎片化、不連貫的報告形式呈現(xiàn)，可以對其進行解釋。行業(yè)專家EdgarCodd認識到這是一個問題，并在1970年發(fā)表了一篇論文，改變了人們對數(shù)據(jù)庫的看法。他提出的開發(fā)“關(guān)系數(shù)據(jù)庫模型”的建議獲得了極大的歡迎，并在世界范圍內(nèi)被采用。

決策支持系統(tǒng)(DSS)是開發(fā)的第一個數(shù)據(jù)庫管理系統(tǒng)。許多專家認為，現(xiàn)代版商業(yè)智能是從決策支持系統(tǒng)(DSS)數(shù)據(jù)庫演變而來的。隨著商業(yè)人士發(fā)現(xiàn)商業(yè)智能的價值，商業(yè)智能供應商的數(shù)量在20世紀80年代有所增長。在此期間開發(fā)了各種各樣的工具，以更簡單的方式訪問和組織數(shù)據(jù)。OLAP、執(zhí)行信息系統(tǒng)和數(shù)據(jù)倉庫是為配合DSS而開發(fā)的一些工具。

在線分析處理(OLAP)

在線分析處理(OLAP)是一種系統(tǒng)，它允許用戶分析來自各種來源的數(shù)據(jù)，同時提供多種范例或透視圖。為OLAP配置的數(shù)據(jù)庫使用多維數(shù)據(jù)模型，支持復雜的分析和特別查詢。OLAP的標準應用包括：

•銷售業(yè)務(wù)報告

•市場營銷

•管理報告

•業(yè)務(wù)流程管理(BPM)

•預算和預測

•財務(wù)報告及相關(guān)領(lǐng)域

•新應用，例如農(nóng)業(yè)

OLAP非常流行，因為它提供了多種組裝和組織信息的方式。作為一個基于SQL的程序，它隨著NoSQL的流行而不再流行。OLAP支持以下三種基本操作：

•整合

•向下挖掘

•切片和切塊

整合涉及組合能夠以多種方式存儲和處理的數(shù)據(jù)。例如，汽車銷售經(jīng)理可以統(tǒng)計所有分公司的汽車銷售總額，以此來預測銷售趨勢。另一方面，向下挖掘技術(shù)支持導航和研究細節(jié)。人們可以通過顏色、款式或耗油量來查看汽車銷售情況。切片和切塊允許人們在OLAP多維數(shù)據(jù)集上取出(切片)特定的數(shù)據(jù)，并從不同的角度(有時稱為維度，例如多維)查看這些切片。

執(zhí)行信息系統(tǒng)(EIS)

在20世紀70年代末，企業(yè)的首席執(zhí)行官開始利用互聯(lián)網(wǎng)研究商業(yè)信息。這導致了被稱為執(zhí)行信息系統(tǒng)(EIS)的軟件的發(fā)展，以支持高層管理人員做出決策。環(huán)境影響報告書旨在提供簡化決策過程所需的適當和最新信息。系統(tǒng)強調(diào)圖形化的顯示方式和簡單易用的界面。執(zhí)行信息系統(tǒng)(EIS)的目標是將高管轉(zhuǎn)變?yōu)?ldquo;動手”用戶，他們可以處理自己的電子郵件、研究、約會和閱讀報告，而不是通過中間人接收這些信息。由于執(zhí)行信息系統(tǒng)(EIS)在幫助方面的局限性，它逐漸被淘汰。

數(shù)據(jù)倉庫

數(shù)據(jù)倉庫在20世紀80年代開始流行，因為企業(yè)開始定期使用內(nèi)部數(shù)據(jù)分析解決方案。(由于當時計算機系統(tǒng)的限制，這項工作通常在下午5點以后和周末進行。)在數(shù)據(jù)倉庫出現(xiàn)之前，需要大量的冗余來為決策過程中的不同人員提供有用的信息。數(shù)據(jù)倉庫顯著地減少了訪問數(shù)據(jù)所需的時間。傳統(tǒng)上存儲在多個位置(通常以部門豎井的形式)的數(shù)據(jù)現(xiàn)在可以存儲在單個位置。

數(shù)據(jù)倉庫在20世紀80年代開始流行，因為企業(yè)開始定期使用內(nèi)部數(shù)據(jù)分析解決方案。由于當時計算機系統(tǒng)的限制，這項工作通常在下午5點以后和周末進行。在數(shù)據(jù)倉庫出現(xiàn)之前，需要大量的冗余來為決策過程中的不同人員提供有用的信息。數(shù)據(jù)倉庫顯著地減少了訪問數(shù)據(jù)所需的時間。傳統(tǒng)上存儲在多個位置(通常以部門孤島的形式)的數(shù)據(jù)現(xiàn)在可以存儲在單個位置。

數(shù)據(jù)倉庫的使用也有助于開發(fā)大數(shù)據(jù)的使用。突然之間，各種形式的大量數(shù)據(jù)(電子郵件、互聯(lián)網(wǎng)、Facebook、Twitter等)可以從單個數(shù)據(jù)存儲中訪問，從而節(jié)省了訪問以前不可用的業(yè)務(wù)信息的時間和費用。數(shù)據(jù)倉庫在數(shù)據(jù)驅(qū)動洞察方面的潛力是巨大的。這些見解增加了利潤，發(fā)現(xiàn)了欺詐，并將損失降到了最低。

商業(yè)智能采用高科技

商業(yè)智能(BI)作為一個技術(shù)概念，在1988年在羅馬舉行的一次國際會議之后不久就開始了。在這次會議上達成的結(jié)論啟動了簡化商業(yè)智能分析的工作，同時使其更加用戶友好。許多商業(yè)智能企業(yè)響應會議的結(jié)論而成立，每個新企業(yè)都提供了新的商業(yè)智能工具。在此期間，商業(yè)智能有兩個基本功能：生成數(shù)據(jù)和報告，并以一種像樣的方式組織和可視化數(shù)據(jù)。

在20世紀90年代末和21世紀初，商業(yè)智能服務(wù)開始提供簡化的工具，使決策者變得更加自給自足。這些工具更容易使用，提供了所需的功能，而且非常高效。業(yè)務(wù)人員現(xiàn)在可以通過直接處理數(shù)據(jù)來收集數(shù)據(jù)并獲得見解。

商業(yè)智能與分析

目前，商業(yè)智能與分析這兩個術(shù)語可以互換使用。兩者都描述了在做出明智的商業(yè)決策時使用數(shù)據(jù)的一般實踐。商業(yè)智能這個術(shù)語已經(jīng)發(fā)展到依賴于一系列提供有用見解的技術(shù)。與其相反，分析代表了可以將原始數(shù)據(jù)轉(zhuǎn)換為可操作的有用信息以用于決策目的的工具和過程。不同形式的分析已經(jīng)被開發(fā)出來，包括實時工作的流分析。

（1）描述性分析

描述性分析描述或總結(jié)數(shù)據(jù)，主要關(guān)注歷史信息。這種類型的分析描述了過去，允許理解以前的行為如何影響現(xiàn)在。描述性分析可以用來解釋企業(yè)如何運作，并描述業(yè)務(wù)的不同方面。在最好的情況下，描述性分析講述了一個有相關(guān)主題的故事，并提供了有用的信息。

（2）預測分析

預測分析是用來預測未來的。這種類型的分析使用統(tǒng)計數(shù)據(jù)為公司提供關(guān)于即將到來的變化的有用見解，例如確定銷售趨勢、購買模式和預測客戶行為。預測分析的商業(yè)用途通常包括預測年底的銷售增長，客戶可能同時購買哪些產(chǎn)品，以及預測庫存總量。信用評分提供了這類分析的一個例子，金融服務(wù)機構(gòu)使用信用評分來確定客戶按時付款的概率。

（3）規(guī)定性分析

規(guī)定性分析是一個相對較新的領(lǐng)域，仍然有點難以操作。這種類型的分析“規(guī)定”了幾種不同的可能行動，并指導人們找到解決方案。規(guī)定性分析旨在提供建議。從本質(zhì)上講，它可以預測多種未來，并允許企業(yè)根據(jù)自己的行動評估許多可能的結(jié)果。在最好的情況下，說明性分析將預測會發(fā)生什么，為什么會發(fā)生，并提供建議。大公司已經(jīng)使用規(guī)定性分析來成功地優(yōu)化調(diào)度、收入流和庫存，進而改善客戶體驗。

（4）流分析

流分析是對數(shù)據(jù)的實時處理。它的設(shè)計目的是不斷計算、監(jiān)控和管理基于數(shù)據(jù)的統(tǒng)計信息，并立即作出響應。這一過程涉及在特定情況發(fā)生時識別并做出反應。流分析顯著地改善了業(yè)務(wù)信息的開發(fā)和使用。

流分析的數(shù)據(jù)可以來自各種來源，包括移動電話、物聯(lián)網(wǎng)(IoT)、市場數(shù)據(jù)、交易和移動設(shè)備(平板電腦、筆記本電腦)。它將管理連接到外部數(shù)據(jù)源，允許應用程序?qū)?shù)據(jù)組合并合并到應用程序流中，或使用處理過的信息快速有效地更新外部數(shù)據(jù)庫。流分析支持：

•最大限度地減少由社交媒體崩潰、安全漏洞、飛機失事、制造缺陷、證券交易所崩潰、客戶流失等造成的損失。

•實時分析日常業(yè)務(wù)操作

•利用大數(shù)據(jù)尋找錯過的機會

•可以選擇創(chuàng)建新的商業(yè)模式、收入流和產(chǎn)品創(chuàng)新

流媒體數(shù)據(jù)的一些例子是社交媒體提要、實時股票交易、最新的零售庫存管理或拼車應用程序。例如，當客戶呼叫Lyft時，數(shù)據(jù)流被連接起來，以創(chuàng)建無縫的用戶體驗。該應用程序合并了實時位置跟蹤、定價、交通統(tǒng)計和實時交通數(shù)據(jù)，為客戶提供最近的可用司機、定價，并使用歷史和實時數(shù)據(jù)估計到達目的地的時間。

流分析已經(jīng)成為一個非常有用的短期協(xié)調(diào)工具，以及發(fā)展長期的商業(yè)智能。

當前商業(yè)智能的發(fā)展

商業(yè)智能需要的不僅僅是簡單的性能指標。它需要天氣報告、人口統(tǒng)計數(shù)據(jù)以及經(jīng)濟和社會洞察力，為預測未來提供廣泛的信息基礎(chǔ)。現(xiàn)實世界的事件會影響商業(yè)智能以及基于商業(yè)智能的決策。目前的一些發(fā)展提供了有用的資料：

物聯(lián)網(wǎng)：用于接收來自各種設(shè)備的數(shù)據(jù)，從制造業(yè)到移動電話。辦公大樓、通信設(shè)備、送貨卡車、辦公設(shè)備——所有的數(shù)據(jù)流都是物聯(lián)網(wǎng)的一部分。

支持業(yè)務(wù)智能的自動化:許多組織仍然依賴手動流程來支持他們的業(yè)務(wù)智能。自動化服務(wù)比人工服務(wù)更少出錯，并提供更高質(zhì)量的數(shù)據(jù)。這些服務(wù)促進了更好的商業(yè)智能。

分析已經(jīng)成為主流：越來越多的企業(yè)使用目前的三種類型的商業(yè)智能——描述性分析、預測分析和規(guī)定性分析。描述性分析提供了大部分的商業(yè)智能，但預測分析分析歷史數(shù)據(jù)作為預測未來的一種方式。規(guī)定性分析試圖預測未來的結(jié)果，但也根據(jù)其預測提供建議。