In 1865 presenteerde Richard Millar Devens de uitdrukking "Business Intelligence" (BI) in de "Cyclopaedia of Commercial and Business Anekdotes.' Hij gebruikte het om te beschrijven hoe Sir Henry Furnese, een bankier, profiteerde van informatie door deze vóór zijn concurrentie te verzamelen en ernaar te handelen. Meer recent, in 1958, is er een artikel geschreven door een IBM-computerwetenschapper, Hans Peter Luhn genaamd, waarin het potentieel wordt beschreven van het verzamelen van business intelligence (BI) door het gebruik van technologie.

Business intelligence, zoals het tegenwoordig wordt begrepen, maakt gebruik van technologie om verzamelen en analyseren van gegevens, vertaal het in bruikbare informatie en handel ernaar "vóór de wedstrijd". In wezen richt de moderne versie van BI zich op technologie als een manier om snel en efficiënt beslissingen te nemen, gebaseerd op de juiste informatie op het juiste moment.

In 1968 konden alleen personen met zeer gespecialiseerde vaardigheden gegevens omzetten in bruikbare informatie. Op dat moment werden gegevens uit meerdere bronnen normaal gesproken in silo's opgeslagen en werd onderzoek doorgaans gepresenteerd in een gefragmenteerd, onsamenhangend rapport dat voor interpretatie vatbaar was. Edgar Codd herkende dit als een probleem en publiceerde in 1970 een artikel waarin de manier waarop mensen over databases dachten, veranderde. Zijn voorstel om een ​​'relationeel databasemodel' te ontwikkelen, werd enorm populair en werd wereldwijd overgenomen.

Decision support-systemen (DSS) was het eerste databasebeheersysteem dat werd ontwikkeld. Veel historici suggereren dat de moderne versie van business intelligence is voortgekomen uit de DSS-database. Het aantal BI-leveranciers groeide in de jaren tachtig toen zakenmensen de waarde van business intelligence ontdekten. In deze periode is een assortiment tools ontwikkeld om op eenvoudigere manieren toegang te krijgen tot gegevens en deze te ordenen. OLAP, uitvoerende informatiesystemen en data warehouses waren enkele van de tools die zijn ontwikkeld om met DSS te werken.

OLAP

Online analytische verwerking (OLAP) is een systeem waarmee gebruikers gegevens uit verschillende bronnen kunnen analyseren terwijl ze meerdere paradigma's of perspectieven bieden. Databases die voor OLAP zijn geconfigureerd, gebruiken een multidimensionaal gegevensmodel dat complexe analyses en ad-hocquery's ondersteunt. De standaardtoepassingen van OLAP omvatten:

• Bedrijfsrapportage voor verkoop
• Marketing
• Managementrapportage
• Beheer van bedrijfsprocessen (BPM)
• Budgettering en prognose
• Financiële rapportage en soortgelijke gebieden
• Nieuwe toepassingen, zoals landbouw

OLAP was behoorlijk populair vanwege de verscheidenheid aan manieren waarop het informatie kon verzamelen en ordenen. Als een op SQL gebaseerd programma verloor het aan populariteit toen NoSQL populair werd. (Momenteel zijn sommige bedrijven, zoals Kyvos-inzichten en Op schaal, hebben OLAP gelaagd op een NoSQL-basis.) OLAP ondersteunt drie basisbewerkingen:

• Consolidering
• Uitzoomen
• Snijden en dobbelen

Consolidatie omvat het combineren van gegevens die op meerdere manieren kunnen worden opgeslagen en verwerkt. Alle autoverkopen van filialen kunnen bijvoorbeeld worden opgeteld door de autoverkoopmanager om te anticiperen op verkooptrends. Aan de andere kant ondersteunt de drill-downtechniek het navigeren door en het onderzoeken van de details. Mensen kunnen de autoverkopen bekijken op kleur, stijl of gasverbruik. Door in plakjes te snijden en in blokjes te snijden, kunnen mensen specifieke gegevens uit de OLAP-kubus halen (in plakjes snijden) en die plakjes vanuit verschillende perspectieven bekijken (ook wel dimensies genoemd, zoals in "multidimensionaal").

Uitvoerende informatiesystemen (MER)

Eind jaren zeventig begonnen CEO's het internet te gebruiken om bedrijfsinformatie op te zoeken. Dit leidde tot de ontwikkeling van software, genaamd uitvoerende informatiesystemen (EIS), om het hogere management te ondersteunen bij het nemen van beslissingen. Een MER is ontworpen om de juiste en actuele informatie te verschaffen die nodig is om het besluitvormingsproces te "stroomlijnen". Het systeem legt de nadruk op grafische weergaven en gebruiksvriendelijke interfaces bij het presenteren van de informatie. Het doel van een EIS was om leidinggevenden om te zetten in "hands-on" gebruikers die hun eigen e-mail, onderzoek, afspraken en het lezen van rapporten kunnen afhandelen, in plaats van deze informatie via tussenpersonen/vrouwen te ontvangen. EIS verloor geleidelijk aan populariteit vanwege de beperkingen om behulpzaam te zijn.

Datawarehouses

Datawarehouses werden populair in de jaren tachtig, toen bedrijven intern begonnen te gebruiken oplossingen voor data-analyse regelmatig. (Dit gebeurde vaak na 5 uur en in het weekend, vanwege de beperkingen van computersystemen in die tijd.) Vóór datawarehousing was er een aanzienlijke hoeveelheid redundantie nodig om verschillende mensen in het besluitvormingsproces van nuttige informatie te voorzien. Data opslagplaats aanzienlijk verkorten van de hoeveelheid tijd die nodig is om toegang te krijgen tot gegevens. Gegevens die traditioneel op een aantal locaties werden opgeslagen (vaak in de vorm van afdelingssilo's), kunnen nu op één locatie worden opgeslagen.

Het gebruik van datawarehouses hielp ook bij het ontwikkelen van het gebruik van big data. Plotseling kon een enorme hoeveelheid gegevens, in verschillende vormen (e-mail, internet, Facebook, Twitter, enz.), worden benaderd vanuit een enkele gegevensopslag, waardoor tijd en geld werd bespaard om toegang te krijgen tot eerder niet-beschikbare bedrijfsinformatie. Het potentieel van datawarehouses voor datagedreven inzichten was enorm. Deze inzichten verhoogden de winst, ontdekten fraude en minimaliseerden de verliezen.

Business Intelligence gaat hightech

Business intelligence (BI), als technologisch concept, begon kort na de internationale conferentie van 1988 Meervoudig data-analyseconsortium werd gehouden in Rome. De conclusies die tijdens deze conferentie werden getrokken, waren een vliegende start voor de inspanningen om BI-analyse te vereenvoudigen en tegelijkertijd gebruiksvriendelijker te maken. Veel BI-bedrijven zijn gestart als reactie op de conclusies van de conferentie, waarbij elk nieuw bedrijf nieuwe BI-tools aanbiedt. In deze periode waren er twee basisfuncties van BI: het produceren van gegevens en rapporten, en het organiseren en visualiseren ervan op een representatieve manier.

Eind jaren negentig en begin jaren 1990 begonnen BI-services het verstrekken van vereenvoudigde hulpmiddelen, waardoor besluitvormers meer zelfvoorzienend kunnen worden. De tools waren gebruiksvriendelijker, boden de benodigde functionaliteit en waren zeer efficiënt. Mensen uit het bedrijfsleven konden nu gegevens verzamelen en inzichten verwerven door rechtstreeks met de gegevens te werken.

Bedrijfsinformatie versus analyse

Momenteel worden de twee termen door elkaar gebruikt. Beide beschrijven de algemene praktijk van het gebruik van gegevens bij het nemen van weloverwogen, intelligente zakelijke beslissingen. De term business intelligence is geëvolueerd om afhankelijk te zijn van een reeks technologieën die nuttige inzichten opleveren. Omgekeerd, analytics vertegenwoordigt de tools en processen die onbewerkte gegevens kunnen vertalen in bruikbare, bruikbare informatie voor besluitvormingsdoeleinden. Er zijn verschillende vormen van analyse ontwikkeld, waaronder streaming-analyse, die in realtime werkt.  

Beschrijvende analyse

Beschrijvende analyses beschrijft of vat gegevens samen en is voornamelijk gericht op historische informatie. Dit type analyse beschrijft het verleden, waardoor inzicht wordt verkregen in hoe eerder gedrag het heden beïnvloedt. Beschrijvende analyses kunnen worden gebruikt om uit te leggen hoe een bedrijf werkt en om verschillende aspecten van het bedrijf te beschrijven. In het beste geval vertellen beschrijvende analyses een verhaal met een relevant thema en bieden ze nuttige informatie.

Predictive Analytics

Voorspellende analyse wordt gebruikt om de toekomst te voorspellen. Dit type analyse maakt gebruik van statistische gegevens om bedrijven nuttige inzichten te bieden over aanstaande veranderingen, zoals het identificeren van verkooptrends, aankooppatronen en het voorspellen van klantgedrag. Het zakelijke gebruik van voorspellende analyses omvat normaal gesproken het anticiperen op de omzetgroei aan het einde van het jaar, welke producten klanten tegelijkertijd kunnen kopen en het voorspellen van voorraadtotalen. Kredietscores zijn daar een voorbeeld van dit type analyse, waarbij financiële diensten ze gebruiken om de waarschijnlijkheid van een klant te bepalen om op tijd te betalen.

Voorschrijvende analyse

Prescriptieve analyse is een relatief nieuw vakgebied en het is nog steeds een beetje moeilijk om mee te werken. Dit type analyse "schrijft" verschillende mogelijke acties voor en leidt mensen naar een oplossing. Prescriptieve analyses is bedoeld om advies te geven. In wezen voorspelt het meerdere toekomsten en stelt het organisaties in staat om vele mogelijke uitkomsten te beoordelen op basis van hun acties. In het beste geval, prescriptieve analyses zal voorspellen wat er zal gebeuren, waarom het zal gebeuren, en aanbevelingen doen. Grotere bedrijven hebben prescriptieve analyses gebruikt om met succes de planning, inkomstenstromen en inventaris te optimaliseren, waardoor de klantervaring werd verbeterd.

Streaminganalyse

Streaming analytics is de real-time verwerking van gegevens. Het is ontworpen om voortdurend op gegevens gebaseerde statistische informatie te berekenen, te bewaken en te beheren, en onmiddellijk te reageren. Het proces gaat over het herkennen van en reageren op specifieke situaties, terwijl ze zich voordoen. Streaming analytics heeft de ontwikkeling en het gebruik van bedrijfsinformatie aanzienlijk verbeterd.

Gegevens voor streaming analyse kan afkomstig zijn uit verschillende bronnen, waaronder mobiele telefoons, het Internet of Things (IoT), marktgegevens, transacties en mobiele apparaten (tablets, laptops). Het verbindt het beheer met externe gegevensbronnen, waardoor toepassingen snel en efficiënt gegevens kunnen combineren en samenvoegen tot een toepassingsstroom, of externe databases kunnen bijwerken met verwerkte informatie. Streaminganalyse ondersteunt:

• Minimaliseren van schade veroorzaakt door instortingen van sociale media, inbreuken op de beveiliging, vliegtuigcrashes, fabricagefouten, instortingen op de beurs, klantverloop, enz.
• Analyse van routinematige bedrijfsactiviteiten in realtime
• Gemiste kansen vinden met big data
• De mogelijkheid om nieuwe bedrijfsmodellen, inkomstenstromen en productinnovaties te creëren

Enkele voorbeelden van streaminggegevens zijn feeds op sociale media, real-time aandelentransacties, up-to-the-minute retailvoorraadbeheer of apps voor het delen van ritten. Wanneer een klant bijvoorbeeld Lyft belt, worden gegevensstromen samengevoegd om naadloze gebruikerservaringen te creëren. De applicatie voegt real-time locatietracking, prijsstelling, verkeersstatistieken en real-time verkeersgegevens samen om de klant de dichtstbijzijnde beschikbare bestuurder, prijzen en een schatting van de tijd naar de bestemming te bieden met behulp van zowel historische als real-time gegevens.

Streaming analytics is een uiterst handig hulpmiddel voor coördinatie op korte termijn, maar ook voor het ontwikkelen van business intelligence op de lange termijn. 

Business Intelligence op dit moment

Business Intelligence vereist meer dan eenvoudige prestatiestatistieken. Het heeft weerberichten, demografische gegevens en economische en sociale inzichten nodig om een ​​brede basis van informatie te bieden voor het voorspellen van de toekomst. Gebeurtenissen uit de echte wereld hebben invloed op business intelligence en de daarop gebaseerde beslissingen. Enkele van de huidige ontwikkelingen die nuttige informatie opleveren zijn:

Het internet der dingen (IoT): Het wordt gebruikt om gegevens te ontvangen van verschillende apparaten, variërend van fabricage tot mobiele telefoons. Kantoorgebouwen, communicatieapparatuur, bestelwagens, kantoorapparatuur - allemaal stroomgegevens als onderdeel van de internet van dingen.

Automatisering ter ondersteuning van business intelligence: Veel organisaties vertrouwen nog steeds op handmatige processen om hun business intelligence te ondersteunen. Geautomatiseerde services maken minder fouten dan mensen en leveren gegevens van hogere kwaliteit. Deze services bevorderen betere bedrijfsinformatie.

Analytics is mainstream geworden: Steeds meer bedrijven gebruiken de drie huidige soorten business intelligence: beschrijvende analyse, voorspellende analyse en prescriptieve analyse. Beschrijvende analyses bieden het merendeel van de bedrijfsinformatie, maar voorspellende analyses analyseren historische gegevens als een manier om de toekomst te voorspellen. Prescriptieve analyse probeert toekomstige resultaten te voorspellen, maar biedt ook aanbevelingen op basis van de voorspellingen.

Afbeelding gebruikt onder licentie van Shutterstock.com

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• Bron: https://www.dataversity.net/brief-history-business-intelligence/