1865年，RichardMillarDevens提出“商业智能”（BI）术语。他用这个词来描述银行家HenryFurnese通过收集信息并在竞争对手之前采取行动来获利的方式。1958年，IBM计算机科学家汉斯·彼得·卢恩(HansPeterLuhn)撰写了一篇关于使用技术收集商业智能的潜力的文章。按照今天的理解，商业智能就是利用技术来收集和分析数据，将其转化为有用的信息，并根据这些信息，“先于竞争对手”采取行动。从本质上讲，现代版的商业智能利用技术在正确的时间利用正确的信息快速有效地做出决策。在1968年，只有具备专业技能的人才能将数据转化为有用的信息。那时，来自多个来源的数据通常存储在孤岛中，研究报告支离破碎且互不关联，允许进行多种解释。EdgarCodd意识到这是一个严重的问题。1970年，他发表了一篇文章，改变了人们对数据库的看法。他提出的“关系数据库模型”引起了广泛关注，并在全世界范围内被采纳。决策支持系统（DSS）是第一个数据库管理系统。许多历史学家都认为，现代版的商业智能是从DSS数据库演变而来的。20世纪80年代，商业人士发现了商业智能的价值，BI供应商数量激增。在那段时间里，出现了各种旨在以更简单的方式访问和组织数据的工具。联机分析处理(OLAP)、执行信息系统(EIS)和数据仓库的出现是为了与DSS协同工作。OLAPOLAP使用户能够分析来自多个来源的数据并提供多个范例或视角。OLAP数据库采用多维数据模型，支持复杂分析和即席查询。OLAP的标准应用程序包括：销售运营报告营销管理报告业务流程管理(BPM)预算编制和预测财务报告和类似的新应用程序，例如农业组织。OLAP作为一个基于SQL的程序，在NoSQL流行之后逐渐失去了势头。（KyvosInsights、Platfora和AtScale等公司现在将OLAP叠加在NoSQL库之上。）OLAP支持三种基本操作：MergingCombined。例如，所有分支机构的汽车销售数据由销售经理汇总以预测销售趋势。向下钻取是指查看和分析更详细的数据，例如按颜色、类型或燃料类型的汽车销售数据。切片和切块是指在OLAP立方体中选择特定数据，并从不同角度仔细观察。EIS在20世纪70年代后期，CEO们开始使用Internet来探索商业信息。EIS是为支持高管决策而生的。EIS旨在提供“简化”决策过程所需的适当和准确的信息，强调以图表和易于使用的界面形式呈现这些信息。EIS的目标是将管理人员转变为“亲自动手”的用户，他们自己处理电子邮件、进行研究、进行约会和阅读报告，而不是通过中间人接收信息。然而，由于作用有限，EIS逐渐失宠。数据仓库数据仓库在1980年代开始流行，当时企业开始定期使用内部数据分析解决方案（由于当时计算机系统的限制，通常在下班后和周末进行）。在数据仓库出现之前，企业需要大量的数据冗余，以便为参与决策的每个人提供有用的信息。数据仓库大大减少了访问数据所需的时间。通常存储在多个地方（通常是部门孤岛）的数据现在可以存储在一个地方。数据仓库还有助于推动大数据的使用。突然之间，可以从一个地方访问各种格式（电子邮件、Internet、Facebook、Twitter等）的大量数据，从而节省时间和金钱，并允许访问以前无法访问的业务信息。数据仓库在提供数据驱动的洞察力方面具有巨大潜力。这些见解可以提高利润、检测欺诈并减少损失。商业智能走向高科技1988年，在罗马举行的Multiway数据分析大会之后不久，商业智能作为一个技术概念开始出现。这次会议得出的结论促使人们简化BI分析，使其更加人性化。BI公司如雨后春笋般涌现，每家新公司都提供一种新的BI工具。当时的BI有两个基本功能：生成数据和提供报表，以及以适当的方式组织和呈现数据。20世纪末21世纪初，BI服务开始提供简化的工具，以减少决策者对工具的依赖。这些工具更易于使用，提供所需的功能，而且非常有效。业务人员可以通过直接与数据打交道来收集数据并获得洞察力。商业智能与数据分析如今，商业智能和数据分析经常互换使用。这两个术语都描述了在业务决策过程中使用数据的常见做法。商业智能代表了一组辅助决策者的技术，而数据分析代表了一组处理数据的工具，作为一个统称，涵盖了数据仓库、企业信息管理、商业智能、企业绩效管理和公司治理。描述性分析描述性分析是指对数据进行描述和总结，主要关注历史信息，通过描述过去帮助用户理解以前的行为如何影响现在。描述性分析可用于解释业务如何运作，描述业务的不同方面。在最好的情况下，描述性分析会讲述一个具有相关主题的故事并提供有用的信息。预测分析预测分析可以预测未来。它使用统计数据为企业提供有关未来变化的有用信息，例如判断销售趋势和购买模式，以及预测消费者行为。常见的商业用途包括预测销售增长率（消费者可能购买哪些产品）以及预测库存。此类分析的一个用例是信用评分，金融服务机构使用它来评估客户按时还款的可能性。规范分析规范分析是一个比较新的领域，其应用还比较困难。它“规定”了几种不同的可能行动，引导人们找到解决方案。此类分析的核心是提供建议。从本质上讲，规范分析预测了多种可能的未来情景，并允许企业根据其行为评估多种可能的结果。在最好的情况下，规范性分析可以预测未来会发生什么，为什么会发生，并提出建议。一些大公司已经使用规范分析成功地优化了时间表、收入流和库存，从而改善了客户体验。StreamAnalyticsStreamAnalytics是一个实时过程，可以持续计算、监控和管理基于数据的统计数据，并“先于竞争对手”对其采取行动。在此过程中，您可以了解任何给定时间市场上发生的事件并采取行动。作为一种新工具，流分析极大地改善了有用信息流向决策者的过程。流分析数据可以来自多种来源，包括手机、物联网、市场数据、交易和移动设备（平板电脑和笔记本电脑）。它快速有效地将管理人员与外部数据源连接起来，允许应用程序将数据合并到应用程序流中，或使用处理过的信息更新外部数据库。流分析支持：最大限度地减少社交媒体危机、安全漏洞、飞机失事、制造缺陷、股市崩盘、客户流失等造成的损失。实时分析日常业务运营使用大数据寻找错失的机会创建新的商业模式，收入流和产品创新芝加哥使用MongoDB的WindyGrid项目是流分析的一个用例。WindyGrid汇集了来自各个城市部门的700万个数据点，让芝加哥市政府人员可以分析数据，预测哪里需要资源，然后据此分配资源以有效解决问题。城市官员可以更快地做出更明智的决策并更有效地分配资源。WindyGrid使芝加哥能够经济高效地理解、准备和响应各种情况，从而彻底改变了芝加哥。
