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。” 他用它来描述银行家亨利弗内斯爵士如何通过在竞争前收集信息并根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，描述了通过使用技术收集商业智能 (BI) 的潜力。
正如今天所理解的那样，商业智能使用技术来收集和分析数据，将其转化为有用的信息，并在“比赛前”采取行动。从本质上讲，现代版的 BI 侧重于将技术作为一种在正确的时间根据正确的信息快速有效地做出决策的方式。
在 1968 年，只有具有极其专业技能的个人才能将数据转化为可用信息。当时，来自多个来源的数据通常存储在孤岛中，研究通常以零散、不连贯的报告形式呈现，可以解释。Edgar Codd 认识到这是一个问题，并在 1970 年发表了一篇论文，改变了人们对数据库的看法。他提出的开发“关系数据库模型”的建议获得了极大的欢迎，并在世界范围内被采纳。
决策支持系统(DSS) 是第一个被开发的数据库管理系统。许多历史学家认为现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，以更简单的方式访问和组织数据。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 在线分析处理(OLAP) 是一个系统，允许用户分析来自各种来源的数据，同时提供多种范例或观点。为 OLAP 配置的数据库使用多维数据模型，支持复杂的分析和即席查询。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) 预算和预测 财务报告和类似领域 新应用，例如农业 OLAP 非常流行，因为它提供了多种收集和组织信息的方法。作为一个基于 SQL 的程序，它在 NoSQL 开始流行时就失去了人气。（目前，一些公司，如Kyvos 见解和规模化，将 OLAP 分层到 NoSQL 基础上。）OLAP 支持三种基本操作：
合并 向下钻取 切片和切丁 合并涉及组合可以以多种方式存储和处理的数据。例如，汽车销售经理可以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方式。另一方面，向下钻取技术支持浏览和研究细节。人们可以按颜色、款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 年代后期，首席执行官们开始使用互联网来研究商业信息。这导致了软件的开发，称为执行信息系统(EIS)，以支持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。该系统在呈现信息时强调图形显示和易于使用的界面。EIS 的目标是将高管转变为“亲自动手”的用户，他们可以处理自己的电子邮件、研究、约会和阅读报告，而不是通过中间人/女性接收这些信息。EIS 由于其在帮助方面的局限性而逐渐失去了知名度。
数据仓库 随着企业开始使用内部数据仓库，数据仓库在 1980 年代开始流行数据分析解决方案经常。（由于当时计算机系统的限制，这通常是在下午 5 点之后和周末进行的。）在数据仓库出现之前，需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。数据入库显着减少访问数据所需的时间。传统上存储在多个位置（通常以部门孤岛的形式）的数据现在可以存储在一个位置。
数据仓库的使用也有助于开发使用大数据. 突然之间，可以从单个数据存储访问各种形式（电子邮件、互联网、Facebook、Twitter 等）的大量数据，从而节省了访问以前无法获取的业务信息的时间和金钱。的潜力用于数据驱动洞察力的数据仓库很大。这些洞察力增加了利润，发现了欺诈行为，并最大限度地减少了损失。
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国际会议后不久。在这次会议上达成的结论推动了简化 BI 分析的努力，同时使其更加用户友好。许多 BI 企业开始响应会议的结论，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，以及以可呈现的方式组织和可视化。
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给自足。这些工具更易于使用，提供了所需的功能，而且非常高效。业务人员现在可以通过直接处理数据来收集数据并获得洞察力。
商业智能与分析 目前，这两个术语可以互换使用。两者都描述了使用数据做出明智、明智的业务决策的一般做法。商业智能一词已经演变为依赖于提供有用见解的一系列技术。反过来，分析代表可以将原始数据转化为用于决策目的的可操作、有用信息的工具和过程。已经开发出不同形式的分析，包括实时工作的流分析。
描述性分析 描述性分析描述或总结数据，主要关注历史信息。这种类型的分析描述了过去，可以了解以前的行为如何影响现在。描述性分析可用于解释公司的运作方式并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 预测分析用于预测未来。这种类型的分析使用统计数据为公司提供有关即将发生的变化的有用见解，例如识别销售趋势、购买模式和预测客户行为。预测分析的业务用途通常包括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 分析类型，金融服务使用它们来确定客户按时付款的可能性。
规范分析 规范分析是一个相对较新的领域，使用起来还是有点困难。这种类型的分析“规定”了几种不同的可能行动，并引导人们找到解决方案。 规范分析 旨在提供建议。从本质上讲，它预测了多种未来，并允许组织根据他们的行动评估许多可能的结果。在最好的情况下， 规范分析 会预测会发生什么，为什么会发生，以及 提供建议. 较大的公司已经使用规范分析成功地优化了调度、收入流和库存，进而改善了客户体验。
流分析 流式分析是对数据的实时处理。它旨在不断计算、监控和管理基于数据的统计信息，并立即做出响应。该过程涉及在特定情况发生时对其进行识别和响应。流分析显着改善了商业信息的开发和使用。
数据为 流分析 可以来自各种来源，包括手机、物联网 (IoT)、市场数据、交易和移动设备（平板电脑、笔记本电脑）。它将管理连接到外部数据源，允许应用程序将数据组合和合并到应用程序流中，或者使用处理过的信息快速高效地更新外部数据库。流分析支持：
最大限度地减少社交媒体崩溃、安全漏洞、飞机失事、制造缺陷、证券交易所崩溃、客户流失等造成的损害。 实时分析日常业务运营 用大数据寻找错失的机会 创建新业务模型、收入流和产品创新的选项 流数据的一些示例包括社交媒体提要、实时股票交易、最新的零售库存管理或拼车应用程序。例如，当客户呼叫 Lyft 时，数据流会被合并以创建无缝的用户体验。该应用程序合并了实时位置跟踪、定价、交通统计和实时交通数据，使用历史和实时数据为客户提供最近的可用司机、定价和到达目的地的时间估计。
流式分析已成为 非常有用的工具 短期协调，以及长期开发商业智能。
目前的商业智能 商业智能需要的不仅仅是简单的性能指标。它需要天气预报、人口统计数据以及经济和社会洞察力来为预测未来提供广泛的信息基础。现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当前发展是：
物联网 (IoT)：它用于从各种设备接收数据，从制造到手机。办公楼、通信设备、送货卡车、办公设备——所有流数据都是 物联网.
支持商业智能的自动化：许多组织仍然依赖手动流程来支持他们的商业智能。与人类相比，自动化服务犯的错误更少，并提供更高质量的数据。这些服务促进了更好的商业智能。
分析已成为主流：越来越多的企业使用当前三种类型的商业智能——描述性分析、预测性分析和规范性分析。描述性分析提供了大部分商业智能，但预测性分析分析历史数据作为预测未来的一种方式。规范分析试图预测未来的结果，但也根据其预测提供建议。
