早在1865年，Richard MillarDevens就在其越著作《商业轶事大全》中提出了“商业智能”(BI)一词。他用这一术语来描述英国银行家Henry Furnese爵士如何在竞争对手之前收集信息并采取行动，从而从信息中获利。1958年，IBM公司计算机科学家Hans PeterLuhn写了一篇文章，描述了通过使用技术获得商业智能的潜力。
正如人们所理解的那样，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，并在企业在竞争对手之前采取行动。从本质上来说，现代版本的商业智能侧重于将技术作为一种在正确的时间基于正确的信息快速有效地做出决策的方式。
而到了1968年，当时只有具备极其专业技能的人才能将数据转化为有用的信息。当时来自多个来源的数据通常存储在孤岛中，研究通常以碎片化、不连贯的报告形式呈现，可以对其进行解释。行业专家EdgarCodd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用。
决策支持系统(DSS)是开发的第一个数据库管理系统。许多专家认为，现代版商业智能是从决策支持系统(DSS)数据库演变而来的。随着商业人士发现商业智能的价值，商业智能供应商的数量在20世纪80年代有所增长。在此期间开发了各种各样的工具，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配合DSS而开发的一些工具。
在线分析处理(OLAP)
在线分析处理(OLAP)是一种系统，它允许用户分析来自各种来源的数据，同时提供多种范例或透视图。为OLAP配置的数据库使用多维数据模型，支持复杂的分析和特别查询。OLAP的标准应用包括：
•销售业务报告
•市场营销
•管理报告
•业务流程管理(BPM)
•预算和预测
•财务报告及相关领域
•新应用，例如农业
OLAP非常流行，因为它提供了多种组装和组织信息的方式。作为一个基于SQL的程序，它随着NoSQL的流行而不再流行。OLAP支持以下三种基本操作：
•整合
•向下挖掘
•切片和切块
整合涉及组合能够以多种方式存储和处理的数据。例如，汽车销售经理可以统计所有分公司的汽车销售总额，以此来预测销售趋势。另一方面，向下挖掘技术支持导航和研究细节。人们可以通过颜色、款式或耗油量来查看汽车销售情况。切片和切块允许人们在OLAP多维数据集上取出(切片)特定的数据，并从不同的角度(有时称为维度，例如多维)查看这些切片。
执行信息系统(EIS)
在20世纪70年代末，企业的首席执行官开始利用互联网研究商业信息。这导致了被称为执行信息系统(EIS)的软件的发展，以支持高层管理人员做出决策。环境影响报告书旨在提供简化决策过程所需的适当和最新信息。系统强调图形化的显示方式和简单易用的界面。执行信息系统(EIS)的目标是将高管转变为“动手”用户，他们可以处理自己的电子邮件、研究、约会和阅读报告，而不是通过中间人接收这些信息。由于执行信息系统(EIS)在帮助方面的局限性，它逐渐被淘汰。
数据仓库
数据仓库在20世纪80年代开始流行，因为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，这项工作通常在下午5点以后和周末进行。)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。数据仓库显著地减少了访问数据所需的时间。传统上存储在多个位置(通常以部门竖井的形式)的数据现在可以存储在单个位置。
数据仓库在20世纪80年代开始流行，因为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，这项工作通常在下午5点以后和周末进行。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。数据仓库显著地减少了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单个位置。
数据仓库的使用也有助于开发大数据的使用。突然之间，各种形式的大量数据(电子邮件、互联网、Facebook、Twitter等)可以从单个数据存储中访问，从而节省了访问以前不可用的业务信息的时间和费用。数据仓库在数据驱动洞察方面的潜力是巨大的。这些见解增加了利润，发现了欺诈，并将损失降到了最低。
商业智能采用高科技
商业智能(BI)作为一个技术概念，在1988年在罗马举行的一次国际会议之后不久就开始了。在这次会议上达成的结论启动了简化商业智能分析的工作，同时使其更加用户友好。许多商业智能企业响应会议的结论而成立，每个新企业都提供了新的商业智能工具。在此期间，商业智能有两个基本功能：生成数据和报告，并以一种像样的方式组织和可视化数据。
在20世纪90年代末和21世纪初，商业智能服务开始提供简化的工具，使决策者变得更加自给自足。这些工具更容易使用，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见解。
商业智能与分析
目前，商业智能与分析这两个术语可以互换使用。两者都描述了在做出明智的商业决策时使用数据的一般实践。商业智能这个术语已经发展到依赖于一系列提供有用见解的技术。与其相反，分析代表了可以将原始数据转换为可操作的有用信息以用于决策目的的工具和过程。不同形式的分析已经被开发出来，包括实时工作的流分析。
（1）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，允许理解以前的行为如何影响现在。描述性分析可以用来解释企业如何运作，并描述业务的不同方面。在最好的情况下，描述性分析讲述了一个有相关主题的故事，并提供了有用的信息。
（2）预测分析
预测分析是用来预测未来的。这种类型的分析使用统计数据为公司提供关于即将到来的变化的有用见解，例如确定销售趋势、购买模式和预测客户行为。预测分析的商业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。信用评分提供了这类分析的一个例子，金融服务机构使用信用评分来确定客户按时付款的概率。
（3）规定性分析
规定性分析是一个相对较新的领域，仍然有点难以操作。这种类型的分析“规定”了几种不同的可能行动，并指导人们找到解决方案。规定性分析旨在提供建议。从本质上讲，它可以预测多种未来，并允许企业根据自己的行动评估许多可能的结果。在最好的情况下，说明性分析将预测会发生什么，为什么会发生，并提供建议。大公司已经使用规定性分析来成功地优化调度、收入流和库存，进而改善客户体验。
（4）流分析
流分析是对数据的实时处理。它的设计目的是不断计算、监控和管理基于数据的统计信息，并立即作出响应。这一过程涉及在特定情况发生时识别并做出反应。流分析显著地改善了业务信息的开发和使用。
流分析的数据可以来自各种来源，包括移动电话、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并合并到应用程序流中，或使用处理过的信息快速有效地更新外部数据库。流分析支持：
•最大限度地减少由社交媒体崩溃、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失。
•实时分析日常业务操作
•利用大数据寻找错过的机会
•可以选择创建新的商业模式、收入流和产品创新
流媒体数据的一些例子是社交媒体提要、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，数据流被连接起来，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，为客户提供最近的可用司机、定价，并使用历史和实时数据估计到达目的地的时间。
流分析已经成为一个非常有用的短期协调工具，以及发展长期的商业智能。
当前商业智能的发展
商业智能需要的不仅仅是简单的性能指标。它需要天气报告、人口统计数据以及经济和社会洞察力，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以及基于商业智能的决策。目前的一些发展提供了有用的资料：
物联网：用于接收来自各种设备的数据，从制造业到移动电话。办公大楼、通信设备、送货卡车、办公设备——所有的数据流都是物联网的一部分。
支持业务智能的自动化:许多组织仍然依赖手动流程来支持他们的业务智能。自动化服务比人工服务更少出错，并提供更高质量的数据。这些服务促进了更好的商业智能。
分析已经成为主流：越来越多的企业使用目前的三种类型的商业智能——描述性分析、预测分析和规定性分析。描述性分析提供了大部分的商业智能，但预测分析分析历史数据作为预测未来的一种方式。规定性分析试图预测未来的结果，但也根据其预测提供建议。
