商业智能是促进科技发展的高效推动力，文章九尾大家解读下从1865年以来，商业智能的发展简史。
1865年，理查德·米勒·德文斯（Richard Millar Devens）在《商业趣闻百科全书》（Cyclopædiaof Commercial and Business Anecdotes）中提出了“商业智能”（BI）一词。他用这个词来描述银行家亨利·福尼斯（HenryFurnese）通过收集信息并根据这些信息，先于竞争对手采取行动，从而获利。
1958年，IBM计算机科学家汉斯·彼得·卢恩（Hans PeterLuhn）撰文讨论了利用技术来收集商业智能的潜力。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，将之转换成有用的信息，并根据这些信息，“先于竞争对手”采取行动。从本质上说，现代版的商业智能利用技术，在正确的时间，依据正确的信息，迅速且有效地作出决策。
1968年时，只有那些具备专业技能的人，才能把数据转换成可用的信息。那时，来自多个来源的数据通常储存在筒仓中，研究报告呈碎片化，彼此脱节，可以作出多种不同的解读。埃德加·科德（Edgar Codd）认识到，这是个严重的问题。1970年，他发表文章，改变了人们思考数据库的方式。他关于建立“关联式数据库模型”的提议获得了巨大关注，被全世界所采纳。
决策支持系统（DSS）是第一个数据库管理系统。很多历史学家都认为，现代版的商业智能是从DSS数据库演化而来。上世纪80年代，商业人士发现了商业智能的价值，于是BI供应商的数量大增。那期间，各种各样的工具纷纷面世，目标是以更简单的方式访问和组织数据。联机分析处理（OLAP）、主管信息系统（EIS）和数据仓库应运而生，与DSS协同工作。
OLAP
OLAP让用户可以分析多来源数据，并提供多个范式或视角。OLAP的数据库采用多维数据模型，支持复杂分析和即席查询。OLAP的标准应用包括：
销售业务报告
营销
管理报告
业务流程管理（BPM）
预算编制和预测
财务报告和类似领域
新应用，比如农业
OLAP“曾经”非常流行，因为它提供了多种多样的信息收集和组织方式。作为基于SQL的程序，OLAP在NoSQL流行起来后，就渐渐失势。（现在，Kyvos Insights、Platfora和AtScale等公司把OLAP叠加到NoSQL库之上。）OLAP支持三个基本操作：
合并
下钻
切片和切丁
合并是指把那些可以通过多种方式储存和处理的数据结合起来。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。下钻是指查看和分析更详细的数据，比如按照颜色、类型或燃料种类，来查看汽车销售数据。切片和切丁是指选取OLAP立方体中的特定数据，从不同的角度，进行细致观察。
EIS
上世纪70年代末，CEO们开始使用互联网来探究商业信息。EIS由此诞生，为高管提供决策方面的支持。EIS旨在提供“简化”决策过程所需的适当和最新信息，强调以图表和易用界面的方式，来呈现这些信息。EIS的目标是把高管变成“亲自动手”的用户，让他们自己处理邮件、进行研究、作出任命和阅读报告，而不是通过中间人接收这些信息。但由于作用有限，EIS渐渐失宠。
数据仓库
上世纪80年代，企业开始经常使用内部数据分析解决方案（由于当时计算机系统的限制，这通常是在下班后和周末进行），因此数据仓库开始流行。在数据仓库出现之前，企业需要大量的数据冗余，以便向参与决策的所有人提供有用的信息。数据仓库大幅缩短了访问数据所需的时间。通常储存在多个地方（往往是部门筒仓）的数据，现在可以储存在同一个地方。
数据仓库还有助于推动大数据的使用。突然之间，数量庞大、形式多样的数据（电子邮件、互联网、Facebook、Twitter等等）可以从同一个地方访问，这节约了时间和资金，并且还能访问先前访问不了的商业信息。在提供由数据驱动的洞见方面，数据仓库潜力巨大。这些洞见可以提高利润、发现欺诈、减少损失。
商业智能迈向高科技
1988年，在罗马举行的多路数据分析大会结束后不久，商业智能开始作为一个技术概念出现。在这场大会上得出的结论促使人们开始简化BI分析，并使之对用户更加友好。BI企业大量涌现，每家新公司都提供新的BI工具。在那个时期，BI有两项基本功能：产生数据和提供报告，并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，降低决策者对工具的依赖度。这些工具更易于使用，而且提供所需的功能，非常有效。商业人士可以通过直接与数据打交道的方式，收集数据，获取洞见。
目前，商业智能和数据分析常常被混用。这两个术语都描述了在商业决策过程中使用数据的普遍实践。商业智能代表了为决策者提供辅助的一系列技术，而数据分析则代表了处理数据的一系列工具，并且作为一个统称，涵盖了数据仓库、企业信息管理、商业智能、企业绩效管理和企业治理。
描述性分析
描述性分析是指描述和总结数据，主要聚焦历史信息，通过描述过去，帮助用户了解以前的行为如何影响现在。描述性分析能用来解释企业如何运作，描述业务的不同方面。在最理想的情况下，描述性分析能讲述一件具有相关主题的事情，并提供有用的信息。
预测性分析
预测性分析能预测未来，它利用统计数据，为企业提供关于未来变化的有用信息，比如判断销售趋势和购买模式、预测消费者行为。其商业用途通常包括，预测销售增长速度、消费者可能购买哪些产品，以及预测库存总量。信用评分是这类分析的一个用例，金融服务机构利用信用评分来评估客户按时还款的可能性。
规定性分析
规定性分析是一个相对较新的领域，应用难度还比较大。它会“规定”几个不同的可能行为，引导人们找到解决方案。这类分析的核心在于提供建议。从本质上说，规定性分析会预测今后可能出现的多种情况，并让企业根据他们的行为，对可能出现的多种结果进行评估。在最理想的情况下，规定性分析可以预测将来会发生什么、为什么会发生，并提供建议。一些大公司已经利用规定性分析，成功优化了日程安排、收入流和库存，从而改善了客户体验。
流分析
流分析是一个实时过程，不断计算、监测和管理基于数据的统计信息，并根据这些信息，“先于竞争对手”采取行动。这个过程中，你可以在任何特定时间，了解市场上发生的事件，并根据这些事件采取行动。作为一种新的工具，流分析大幅改善了提供给决策者的有用信息流。
用于流分析的数据可以有多种来源，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）。它能迅速有效地将管理人员和外部数据源联系起来，让应用程序把数据并入一个应用流，或者用处理后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、股市暴跌、客户流失等事件造成的损失
实时分析企业日常经营
利用大数据寻找错过的机遇
创建新的商业模式、收入流和产品创新
芝加哥利用MongoDB开发的WindyGrid项目就是流分析的一个用例。WindyGrid把来自各个市政部门的700万个数据点加以整合，让芝加哥市政人员可以分析数据，预测哪里需要资源，然后相应地分配资源，有效地解决问题。市政人员可以更迅速地作出更明智的决定，更有效地分配资源。WindyGrid为芝加哥带来了革命性的变化，使之能够以具有成本效益的方式，了解、准备和应对各种各样的情况。
End.
