早在1865年，Richard MillarDevens就在其越著作《商業軼事大全》中提出了“商業智能”(BI)一詞。他用這一術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獲得商業智能的潛力。

　　正如人們所理解的那樣，商業智能使用技術來收集和分析數據，將其轉化為有用的信息，并在企業在競爭對手之前采取行動。從本質上來說，現代版本的商業智能側重于將技術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技能的人才能將數據轉化為有用的信息。當時來自多個來源的數據通常存儲在孤島中，研究通常以碎片化、不連貫的報告形式呈現，可以對其進行解釋。行業專家EdgarCodd認識到這是一個問題，并在1970年發表了一篇論文，改變了人們對數據庫的看法。他提出的開發“關系數據庫模型”的建議獲得了極大的歡迎，并在世界范圍內被采用。

　　決策支持系統(DSS)是開發的第一個數據庫管理系統。許多專家認為，現代版商業智能是從決策支持系統(DSS)數據庫演變而來的。隨著商業人士發現商業智能的價值，商業智能供應商的數量在20世紀80年代有所增長。在此期間開發了各種各樣的工具，以更簡單的方式訪問和組織數據。OLAP、執行信息系統和數據倉庫是為配合DSS而開發的一些工具。

　　在線分析處理(OLAP)　　

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

　　?銷售業務報告

　　?市場營銷

　　?管理報告

　　?業務流程管理(BPM)

　　?預算和預測

　　?財務報告及相關領域

　　?新應用，例如農業

　　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據。例如，汽車銷售經理可以統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，向下挖掘技術支持導航和研究細節。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多維數據集上取出(切片)特定的數據，并從不同的角度(有時稱為維度，例如多維)查看這些切片。

　　執行信息系統(EIS)　　

　　在20世紀70年代末，企業的首席執行官開始利用互聯網研究商業信息。這導致了被稱為執行信息系統(EIS)的軟件的發展，以支持高層管理人員做出決策。環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。系統強調圖形化的顯示方式和簡單易用的界面。執行信息系統(EIS)的目標是將高管轉變為“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。由于執行信息系統(EIS)在幫助方面的局限性，它逐漸被淘汰。

　　數據倉庫　　

　　數據倉庫在20世紀80年代開始流行，因為企業開始定期使用內部數據分析解決方案。(由于當時計算機系統的限制，這項工作通常在下午5點以后和周末進行。)在數據倉庫出現之前，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。數據倉庫顯著地減少了訪問數據所需的時間。傳統上存儲在多個位置(通常以部門豎井的形式)的數據現在可以存儲在單個位置。

　　數據倉庫在20世紀80年代開始流行，因為企業開始定期使用內部數據分析解決方案。由于當時計算機系統的限制，這項工作通常在下午5點以后和周末進行。在數據倉庫出現之前，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。數據倉庫顯著地減少了訪問數據所需的時間。傳統上存儲在多個位置(通常以部門孤島的形式)的數據現在可以存儲在單個位置。

　　數據倉庫的使用也有助于開發大數據的使用。突然之間，各種形式的大量數據(電子郵件、互聯網、Facebook、Twitter等)可以從單個數據存儲中訪問，從而節省了訪問以前不可用的業務信息的時間和費用。數據倉庫在數據驅動洞察方面的潛力是巨大的。這些見解增加了利潤，發現了欺詐，并將損失降到了最低。

　　商業智能采用高科技　　

　　商業智能(BI)作為一個技術概念，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論啟動了簡化商業智能分析的工作，同時使其更加用戶友好。許多商業智能企業響應會議的結論而成立，每個新企業都提供了新的商業智能工具。在此期間，商業智能有兩個基本功能：生成數據和報告，并以一種像樣的方式組織和可視化數據。

　　在20世紀90年代末和21世紀初，商業智能服務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。業務人員現在可以通過直接處理數據來收集數據并獲得見解。

　　商業智能與分析　　

　　目前，商業智能與分析這兩個術語可以互換使用。兩者都描述了在做出明智的商業決策時使用數據的一般實踐。商業智能這個術語已經發展到依賴于一系列提供有用見解的技術。與其相反，分析代表了可以將原始數據轉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被開發出來，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數據，主要關注歷史信息。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在。描述性分析可以用來解釋企業如何運作，并描述業務的不同方面。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計數據為公司提供關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，金融服務機構使用信用評分來確定客戶按時付款的概率。

　　（3）規定性分析

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

　　（4）流分析

　　流分析是對數據的實時處理。它的設計目的是不斷計算、監控和管理基于數據的統計信息，并立即作出響應。這一過程涉及在特定情況發生時識別并做出反應。流分析顯著地改善了業務信息的開發和使用。

　　流分析的數據可以來自各種來源，包括移動電話、物聯網(IoT)、市場數據、交易和移動設備(平板電腦、筆記本電腦)。它將管理連接到外部數據源，允許應用程序將數據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據庫。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。

　　?實時分析日常業務操作

　　?利用大數據尋找錯過的機會

　　?可以選擇創建新的商業模式、收入流和產品創新

　　流媒體數據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，數據流被連接起來，以創建無縫的用戶體驗。該應用程序合并了實時位置跟蹤、定價、交通統計和實時交通數據，為客戶提供最近的可用司機、定價，并使用歷史和實時數據估計到達目的地的時間。

　　流分析已經成為一個非常有用的短期協調工具，以及發展長期的商業智能。

　　當前商業智能的發展　　

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

　　物聯網：用于接收來自各種設備的數據，從制造業到移動電話。辦公大樓、通信設備、送貨卡車、辦公設備——所有的數據流都是物聯網的一部分。

　　支持業務智能的自動化:許多組織仍然依賴手動流程來支持他們的業務智能。自動化服務比人工服務更少出錯，并提供更高質量的數據。這些服務促進了更好的商業智能。

　　分析已經成為主流：越來越多的企業使用目前的三種類型的商業智能——描述性分析、預測分析和規定性分析。描述性分析提供了大部分的商業智能，但預測分析分析歷史數據作為預測未來的一種方式。規定性分析試圖預測未來的結果，但也根據其預測提供建議。