共计 3284 个字符，预计需要花费 9 分钟才能阅读完成。
1865 年，Richard Millar Devens 在“商业和商业轶事百科全书”中提出了“商业智能”(BI) 一词。”他用它来形容银行家亨利弗内斯爵士如何通过在竞争前收集信息并依据信息采取行动而从中获利。最近，在 1958 年，一位名叫汉斯·彼得·卢恩 (Hans Peter Luhn) 的 IBM 计算机科学家撰写了一篇文章，形容了通过应用技术收集商业智能 (BI) 的后劲。
正如明天所了解的那样，商业智能应用技术来收集和剖析数据，将其转化为有用的信息，并在“较量前”采取行动。从实质上讲，现代版的 BI 侧重于将技术作为一种在正确的工夫依据正确的信息疾速无效地做出决策的形式。
在 1968 年，只有具备极其专业技能的集体能力将数据转化为可用信息。过后，来自多个起源的数据通常存储在孤岛中，钻研通常以零散、不连贯的报告模式出现，能够解释。Edgar Codd 意识到这是一个问题，并在 1970 年发表了一篇论文，扭转了人们对数据库的认识。他提出的开发“关系数据库模型”的倡议取得了极大的欢送，并在世界范畴内被驳回。
决策支持系统(DSS) 是第一个被开发的数据库管理系统。许多历史学家认为古代版本的商业智能是从 DSS 数据库演变而来的。随着商务人士发现商业智能的价值，BI 供应商的数量在 1980 年代有所增加。在此期间开发了各种工具，以更简略的形式拜访和组织数据。OLAP，执行信息系统，和数据仓库是为与 DSS 一起工作而开发的一些工具。
联机处理程序
在线剖析解决(OLAP) 是一个零碎，容许用户剖析来自各种起源的数据，同时提供多种范例或观点。为 OLAP 配置的数据库应用多维数据模型，反对简单的剖析和即席查问。OLAP 的规范利用包含：
销售业务报告
营销
治理报告
业务流程治理 (BPM)
估算和预测
财务报告和相似畛域
新利用，例如农业
OLAP 十分风行，因为它提供了多种收集和组织信息的办法。作为一个基于 SQL 的程序，它在 NoSQL 开始风行时就失去了人气。（目前，一些公司，如 Kyvos 见解和规模化，将 OLAP 分层到 NoSQL 根底上。）OLAP 反对三种基本操作：
合并
向下钻取
切片和切丁
合并波及组合能够以多种形式存储和解决的数据。例如，汽车销售经理能够汇总所有分支机构的汽车销售额，以此作为预测销售趋势的一种形式。另一方面，向下钻取技术支持浏览和钻研细节。人们能够按色彩、样式或油耗查看汽车销量。切片和切块让人们取出（切片）OLAP 立方体上的特定数据，并从不同的角度（有时称为维度，如“多维”）查看（切块）这些切片。
行政信息系统 (EIS)
在 20 世纪 70 年代前期，首席执行官们开始应用互联网来钻研商业信息。这导致了软件的开发，称为执行信息系统(EIS)，以反对高层管理人员的决策。EIS 旨在提供“简化”决策过程所需的适当和最新信息。该零碎在出现信息时强调图形显示和易于应用的界面。EIS 的指标是将高管转变为“亲自动手”的用户，他们能够解决本人的电子邮件、钻研、约会和浏览报告，而不是通过中间人 / 女性接管这些信息。EIS 因为其在帮忙方面的局限性而逐步失去了知名度。
数据仓库
随着企业开始应用外部数据仓库，数据仓库在 1980 年代开始风行数据分析解决方案常常。（因为过后计算机系统的限度，这通常是在下午 5 点之后和周末进行的。）在数据仓库呈现之前，须要大量的冗余来为决策过程中的不同人员提供有用的信息。数据入库显着缩小拜访数据所需的工夫。传统上存储在多个地位（通常以部门孤岛的模式）的数据当初能够存储在一个地位。
数据仓库的应用也有助于开发应用大数据. 忽然之间，能够从单个数据存储拜访各种模式（电子邮件、互联网、Facebook、Twitter 等）的大量数据，从而节俭了拜访以前无奈获取的业务信息的工夫和金钱。的后劲用于数据驱动洞察力的数据仓库很大。这些洞察力减少了利润，发现了欺诈行为，并最大限度地缩小了损失。
商业智能走向高科技
商业智能（BI）作为一个技术概念，始于 1988 年在罗马召开的 Multiway Data Analysis Consortium 国内会议后不久。在这次会议上达成的论断推动了简化 BI 剖析的致力，同时使其更加用户敌对。许多 BI 企业开始响应会议的论断，每个新企业都提供新的 BI 工具。在此期间，BI 有两个基本功能：生成数据和报告，以及以可出现的形式组织和可视化。
1990 年代末和 2000 年代初，BI 服务开始提供简化的工具，让决策者变得更加自力更生。这些工具更易于应用，提供了所需的性能，而且十分高效。业务人员当初能够通过间接解决数据来收集数据并取得洞察力。
商业智能与剖析
目前，这两个术语能够调换应用。两者都形容了应用数据做出理智、理智的业务决策的个别做法。商业智能一词曾经演变为依赖于提供有用见解的一系列技术。反过来，剖析代表能够将原始数据转化为用于决策目标的可操作、有用信息的工具和过程。曾经开发出不同模式的剖析，包含实时工作的流剖析。
描述性剖析
描述性剖析形容或总结数据，次要关注历史信息。这种类型的剖析形容了过来，能够理解以前的行为如何影响当初。描述性剖析可用于解释公司的运作形式并形容业务的不同方面。在最好的状况下，描述性剖析会讲述一个具备相干主题的故事并提供有用的信息。
预测剖析
预测剖析用于预测将来。这种类型的剖析应用统计数据为公司提供无关行将产生的变动的有用见解，例如辨认销售趋势、购买模式和预测客户行为。预测剖析的业务用处通常包含预测年底的销售增长、客户可能同时购买哪些产品以及预测库存总量。信用评分提供了一个例子 这 剖析类型，金融服务应用它们来确定客户按时付款的可能性。
标准剖析
标准剖析是一个绝对较新的畛域，应用起来还是有点艰难。这种类型的剖析“规定”了几种不同的可能口头，并疏导人们找到解决方案。标准剖析 旨在提供倡议。从实质上讲，它预测了多种将来，并容许组织依据他们的口头评估许多可能的后果。在最好的状况下，标准剖析 会预测会产生什么，为什么会产生，以及 提供倡议. 较大的公司曾经应用标准剖析胜利地优化了调度、支出流和库存，进而改善了客户体验。
流剖析
流式剖析是对数据的实时处理。它旨在一直计算、监控和治理基于数据的统计信息，并立刻做出响应。该过程波及在特定状况产生时对其进行辨认和响应。流剖析显着改善了商业信息的开发和应用。
数据为 流剖析 能够来自各种起源，包含手机、物联网 (IoT)、市场数据、交易和挪动设施（平板电脑、笔记本电脑）。它将治理连贯到内部数据源，容许应用程序将数据组合和合并到应用程序流中，或者应用解决过的信息疾速高效地更新内部数据库。流剖析反对：
最大限度地缩小社交媒体解体、安全漏洞、飞机失事、制作缺点、证券交易所解体、客户散失等造成的侵害。
实时剖析日常业务经营
用大数据寻找错失的机会
创立新业务模型、支出流和产品翻新的选项
流数据的一些示例包含社交媒体提要、实时股票交易、最新的批发库存治理或拼车应用程序。例如，当客户呼叫 Lyft 时，数据流会被合并以创立无缝的用户体验。该应用程序合并了实时地位跟踪、定价、交通统计和实时交通数据，应用历史和实时数据为客户提供最近的可用司机、定价和达到目的地的工夫预计。
流式剖析已成为 十分有用的工具 短期协调，以及长期开发商业智能。
目前的商业智能
商业智能须要的不仅仅是简略的性能指标。它须要天气预报、人口统计数据以及经济和社会洞察力来为预测将来提供宽泛的信息根底。事实世界的事件会影响商业智能和基于它的决策。提供有用信息的一些以后倒退是：
物联网 (IoT)：它用于从各种设施接收数据，从制作到手机。办公楼、通信设施、送货卡车、办公设备——所有流数据都是 物联网.
反对商业智能的自动化：许多组织依然依赖手动流程来反对他们的商业智能。与人类相比，自动化服务犯的谬误更少，并提供更高质量的数据。这些服务促成了更好的商业智能。
剖析已成为支流：越来越多的企业应用以后三种类型的商业智能——描述性剖析、预测性剖析和规范性剖析。描述性剖析提供了大部分商业智能，但预测性剖析剖析历史数据作为预测将来的一种形式。标准剖析试图预测将来的后果，但也依据其预测提供倡议。
更多内容请关注 OushuDB 小课堂
