What Is Business Intelligence?

Business intelligence (BI), 这个术语现在本质上与信息技术有关, 已经进化了150多年了吗. 尽管它的起源早于计算机的发明, 只有在它们被广泛使用之后，BI才变得越来越重要，商业智能的发展从此与计算机和计算机的发展结合在一起 databases.

BI Using Pen and Paper

“商业智能”一词的首次使用被广泛认为是由Mr. 理查德·米勒·德文斯在他的书中写道 Cyclopædia的商业和商业轶事, first published in 1865. 他用这个词来形容亨利·福尼斯爵士, a successful banker, 在竞争对手之前，积极收集信息并采取行动，从中获利. 这指出了使用数据和经验证据更可靠的事实, rather than gut instinct, to develop a business strategy. 其他看到信息价值的人进一步强化了这个想法.

在19世纪的最后十年， Frederick Taylor 在美国引入了第一个正式的商业分析系统. 他的科学管理体系始于时间研究，分析生产技术和工人的身体动作，以找到提高工业生产效率的方法.

泰勒最终成为了一名顾问 Henry Ford, 他在20世纪初开始测量他的福特T型车的每个部件在装配线上完成的时间. 他的工作和成功彻底改变了全世界的制造业. 然而，他仍然使用笔和纸.

计算机推动商业智能的发展

电子计算机在20世纪30年代处于萌芽状态，但在第二次世界大战期间得到了迅速发展, 作为盟军破解德国密码的一部分.

直到20世纪50年代，计算机主要依靠打孔卡或打孔磁带来存储数据. 这是一大堆卡片，上面有小洞, 哪一个将存储供计算机处理的信息. In 1956, however, IBM发明了第一个硬盘驱动器, 使存储大量信息成为可能，并具有更大的访问灵活性.

不久之后，1958年，IBM研究员 Hans Peter Luhn 发表了一篇历史论文，叫做 A Business Intelligence System. 他提出了一种基于“兴趣概况”将文件“选择性传播”到“行动点”的系统的潜力理论.“他的工作至今仍具有重要意义，因为他预测了当今最前沿的几个商业智能趋势, 作为信息系统根据用户兴趣进行学习和预测的能力. Today we call it machine learning. 卢恩被公认为商业智能之父.

尽管Luhn提出的概念引起了几个感兴趣的团体的注意, 这个想法在当时被认为太昂贵，没有任何实际用途. 需要更多的技术进步才能使其成为经济上可行的解决办法.

In the next decade, computer use exploded, 即使考虑到每台计算机都是一台巨大的机器，占据了整栋大楼的整个楼层，必须由几位高技能的工程师来管理才能正常运行. 专家们再次讨论了使用计算机从数据中提取结论的想法, 但主要的问题是，没有一种集中的方法可以把所有的数据集中在一个地方. 数据本身无法产生任何见解. 为了解决这一挑战，设计了第一个数据库管理系统. 后来，它们被简单地称为数据库. 第一代允许第一次数据库搜索，使用的策略是 binary trees. This strategy, 尽管它解决了当时的几个问题, 现在被认为过于沉重和低效. Even so, for companies that could afford it, this new tool provided its value, 用于最终从现有数据中得出结论.

商业智能技术进步:大玩家进入该领域

1970年，IBM的埃德加·科德发表了一篇论文 面向大型共享数据库的数据关系模型. 它为下一代关系数据库铺平了道路, 允许更大的容量来存储和操作数据. In a strange move, however, IBM没有实现Codd的设计，以保留其当前数据库系统的收入. 只是在竞争对手开始实施之后，IBM才开始效仿.

在商业智能的进化中, 正是在这一点上，有了足够的市场来允许第一批商业智能提供商出现. 其中有SAP、Siebel和JD Edwards. 当时，它们被称为决策支持系统(DSS).

此时最大的问题是这些数据库存在“筒仓”问题. 由于它们都是一维的，使用的灵活性非常有限. 即使是简单的问题，比如一个数据库将城市编码为“OH”, NJ, and NY” while another using “Ohio, New Jersey, 和纽约”使得交叉引用成为一项艰巨的任务.

然而，越来越多的数据利用的成功案例出现了. 当时最著名的广告之一来自尼尔森. Used for audience measurements, 被称为尼尔森收视率的营销工具被用来衡量在任何时候有多少人在观看某个电视节目, using a device called the Audimeter它被连接到一台电视机上，记录下正在观看的频道.

尼尔森收视率被认为是电视行业最受关注的全国收视率报告. However, four times a year, 会有“黑色周”，即不报告尼尔森收视率的周. 因为没有可靠的方法来衡量这些“黑色周”的收视率,各大电视网的时间表都满是重播.

行业和观众都已经习惯了“黑色周”，但它们在1973年9月结束了. 尼尔森推出了存储瞬时听力计(SIA), connecting 1,200户家庭直接接入该公司在佛罗里达州的商业智能电脑. 它可以在36小时内产生全国收视率, 这比该公司旧系统所需的一到两周时间要短得多. 全国收视率将在一周的每一天，一年的每一周都可以看到. 不再需要“黑色周”，数据也更容易获得.

Near the end of the 70s, Larry Ellison 和两个朋友发布了Oracle数据库的第一个商业版本. It was the first true 关系数据库管理系统 in the market, 取代之前使用的分层数据库和网络数据库的思想，以获得更健壮的结构, 它允许更灵活的搜索. 这项技术将决定未来几十年BI的历史和趋势.

商业智能的重要性与日俱增:我们需要更多的空间!

更低的存储空间价格和更好的数据库为下一代商业智能解决方案提供了条件. Ralph Kimball and Bill Inmon 提出了两种不同但相似的策略，以解决将业务的所有数据放在同一位置以能够分析它的问题. These were data warehouses (DW). Inmon被许多人认为是数据仓库之父.

数据仓库是用于聚合来自其他数据源(主要是其他数据库)的大量数据的数据库。, 通过交叉引用这些不同的来源，可以进行更深入的分析. 然而，它仍然过于技术性和昂贵. 报告需要由大量昂贵的IT技术人员来运行和维护.

当时的高层管理人员将依靠像Crystal Reports和Microstrategy这样的BI解决方案的输出来生存. 当然，还有微软的Excel(1985年发布). 商业智能现在是决策过程可用工具的一个组成部分.

In 1989, Howard Dresdner, of the Gartner Group, 促进了“商业智能”一词的普及,"用它作为一个总括性术语来描述"通过使用基于事实的支持系统来改进业务决策的概念和方法.”

Business Intelligence 1.0

In the 90s, 随着更多的竞争者进入市场以及更多的IT专业人员熟悉该技术，数据仓库成本下降了. 在商业智能的历史和演变中，这是“商业智能1”时期.0.”

现在，公司的一般员工都可以访问数据，而不仅仅是高层管理人员. 然而，此时的问题是，提出新问题仍然非常昂贵. 一旦一个问题被“设计”出来，答案就会很快出现，但只针对这个问题.

To reduce this effort, 开发了一些新的工具和“构建块”来加快不同查询的处理速度:

• ETL (extract, transform, and load) was a set of tools, similar to a programming language, 这使得在数据仓库中设计数据流变得更加容易.
• OLAP (在线分析处理)有助于为查询的数据创建不同的可视化选项, 使分析人员能够从手头的信息中提取更好的结论.

To this day, both ETL OLAP工具仍然是商业智能解决方案的关键部分.

This was also the period where enterprise resource planning (ERP) systems became popular. 这些是巨大的管理软件平台，集成了应用程序来管理和自动化业务的各个方面. 它们还为数据仓库提供结构化数据，并在随后的几年中成为世界上每家大公司的核心.

In 1995, Microsoft released Windows 95这是第一个“用户友好”操作系统，计算机成为普通的家庭用品. 这将对接下来几十年人们生产和消费数据的方式产生深远影响.

商业智能的颠覆:新千年的数据爆炸

By the year 2000, 商业智能解决方案已经成为所有大中型企业的“必备”. 它现在被广泛认为是保持竞争力的必要条件.

从解决方案提供商的角度来看, 大量的解决方案开始集中在少数几家大型竞争对手手中, like IBM, Microsoft, SAP, and Oracle.

这一时期出现了一些新的概念. 保持数据仓库更新的困难使一些公司重新考虑他们的方法, transforming their DW into their “single source of truth.” For already existing data, 其他程序将使用DW提供的信息，而不是使用自己的信息, 从而消除了大多数数据不兼容的问题. 说起来容易做起来难，带来了很多技术挑战. The concept, however, 在接下来的几年里，市场上可用的解决方案是否会适应这一策略.

随着数据变得越来越丰富, 和BI工具证明了它们的有用性, 开发工作的目标是提高信息可用的速度, 并减少访问它的复杂性. Tools became easier to use, 非技术人员现在也可以自己收集数据并获得见解, 没有技术支持的帮助.

In the early 2000s, the boom of social networking 平台为公众的意见在互联网上自由获取铺平了道路, 感兴趣的各方可以收集(或“挖掘”)数据, and analyze it. By 2005, 商业世界日益增长的互联性意味着公司需要实时信息，来自事件的数据可以在实时发生时合并到数据仓库中.

这是谷歌Analytics推出的一年, 为用户提供一种免费的方式来分析他们的网站数据. This is also the year the term big data was first used. Roger Magoulas, from O’Reilly Media, 用它来指代“使用传统商业智能工具几乎不可能管理和处理的大量数据”.”

以应付管理这种指数级增长的数据量所需的额外存储空间和计算能力, 公司开始寻找其他解决方案. 制造更大更快的计算机是不可能的, 因此，同时使用几台机器是一个更好的选择. This was the seeds of cloud computing.

Contemporary Uses of BI

In the past 10 years, big data, cloud computing, 数据科学成为了几乎所有人都知道的词汇. 在这个时候，很难承认哪些新的进步在过去的几年里最有影响力. However, 有几个有趣的案例显示了现代分析工具日益强大的力量.

Advertising, Cookies, and AdTech

2012年，《欧博体育app下载》发表了一篇文章 article 描述了塔吉特如何意外地在一名高中生的父母之前发现了她怀孕的情况. Through analytics, 他们确定了25种产品，如果一起购买，就表明女性可能怀孕了. 这些信息的价值在于，Target可以在女性购物习惯可能发生变化的时期向孕妇发送优惠券.

一位愤怒的父亲走进明尼阿波利斯郊外的塔吉特百货公司，要求见经理. 他抱怨她女儿收到婴儿服装的优惠券, 尽管她还在上高中. 经理以公司的名义深表歉意, 但几天后，父亲打电话来道歉: “事实证明，我的房子里有一些我没有完全意识到的活动. She’s due in August. I owe you an apology.”

这个轶事的例子显示了当代数据分析的力量.

Politics

奥巴马的连任竞选策略很大程度上建立在分析的基础上. 许多专家指出，这是其成功的主要原因之一. The strategy, 由竞选经理吉姆·梅西纳设计, 是否专注于收集选民的数据，并利用这些数据来确保他们会登记投票, 2)被说服投票给奥巴马，3)在选举日现身投票. 大约100名数据分析师参与了这项工作, 使用运行在HP Vertica上的环境，用R和Stata编码.

为了达到这些目标，我们采取了几项举措，其中之一就是“空中狼”. 建立整合现场和数字团队的努力, 它确保一旦选民被实地小组通过挨家挨户的宣传联系上, their interests would be recorded, 这样他们就会经常收到当地组织者的电子邮件，专门针对每个人最喜欢的竞选问题.

With the right tools and data, 分析师几乎可以快速轻松地回答任何问题, 不管数据最初来自哪里. 奥巴马竞选的成功使大数据分析环境成为此后每次竞选的标准要求.

Science

人类基因组计划于2003年完成，但仍有许多问题没有得到解答. 尽管绘制了构成人类DNA的核苷酸碱基对的整个序列, 真正理解人类基因是如何工作的需要更深入的研究，这是大数据的完美应用. 一个典型的人类基因组包含超过20,000个基因，每个基因由数百万个碱基对组成. 仅仅绘制基因组图谱就需要100千兆字节的数据, 而对多个基因组进行测序并跟踪基因相互作用则会使这个数字翻很多倍，达到数百pb, in some cases.

By applying analytics in their study published in 2016, 海法大学的科学家们能够观察到基因的“社会特征”. 长期以来，科学家们一直想弄清楚的是，复杂的遗传效应是如何产生复杂疾病的. 这一目标尤其困难，因为某些疾病的遗传表达通常来自几个相互作用的遗传标记的组合. 因此，研究人员不仅要梳理整个基因序列, 但他们还必须追踪多个不同基因之间的相互作用.

尽管仍有大量数据有待分析, 为理解和治疗大量的基因缺陷铺平了道路, large and small.

The Road Ahead

现在Facebook可以在照片中识别你的脸了, 谷歌可以预测哪种广告最适合你的个人资料, Netflix可以给你看什么节目的建议. 这是一个你可以打电话的时间, 不只是对电话那头的人说. 能够处理和处理大量的数据是理解这些奇迹是如何产生的基本步骤.

Big data is still a growing trend. 大约90%的可用数据是在过去两年中创建的. 在2010年的科技大会上， Eric Schmidt 他说:“从文明之初到2003年，整个世界创造了5eb的信息. 而现在，每两天就会产生同样的数量.”

处理如此庞大的数据仍然存在许多挑战. Data quality, 这是商业智能领域最令人头疼的问题之一, is still a demanding field. Analytics, 帮助理解公司正在收集的海量数据所需的技能组合也很抢手. 现在有许多不同风格的分析:描述性分析, predictive analytics, prescriptive analytics, streaming analytics, automated analytics, etc. 分析使用几种尖端技术从数据中提取见解, such as artificial intelligence, machine learning, and lots of statistical models. 终于到了当数学家很酷的时候了.

现在，BI工具的设计通常考虑到特定的行业, be it healthcare, law enforcement, etc. 它现在可以跨多个设备工作，并使用多个可视化工具, 允许任何人通过交互式可视化界面对数据进行推理. Mobile BI is now a reality.

通过结合大数据的优势, machine learning, and analytics, 你未来的生活可能会非常不同. 也许你再也不需要去杂货店了——你的冰箱会订购你最可能需要的东西, based on your eating habits. Perchance, 你不会打电话给你的医生说你病了, 因为他们会在你出现症状之前给你打电话.

人类现在生活在信息时代, 商业智能是我们这个时代的一个重要特征, helping us make sense of it all. 商业分析现在甚至是许多大学的学位课程. 商业智能的历史是相当近的，但正在加速发展，并且日益密集. 商业智能最好的日子还在前面.