关注微信公众号：FocusBI 查看更多文章；加QQ群：808774277 获取学习资料和一起探讨问题。
《商业智能教程》pdf下载地址
链接：https://pan.baidu.com/s/1f9VdZUXztwylkOdFLbcmWw 密码：2r4v
商业智能（BI）是用于分析业务数据的一套工具，从纸质记录和手工算术开始已经走了很长的路。算一算，从欧洲18世纪60年代工业革命至今大概160年了。从19世纪的银行家到今天的物联网、大数据、云计算、人工智能。
高中时候我在《销售与市场》管理版杂志上看到过一位企业家引用 理查德·米勒·德文斯的书《商业与商业轶事》中写道：在整个荷兰、法兰德斯、法国、德国，因为拥有一列完美的商业智能火车，这使得欧洲一直保持领先。
商业智能史：术语的起源
1958年：我们对商业智能的理解开始形成。 IBM研究员Hans Peter Luhn在1958年的一篇题为“商业智能系统”的文章中。卢恩将商业智能定义为“以方式来理解所呈现的事实的相互关系的能力，以便将目标指向目标。”
商业智能史：20世纪70年代和80年代
在70年代和80年代：决策支持系统（Decision Support Systems，DSS)和执行信息系统（Executive Information Systems，EIS）的受欢迎程度逐渐增长，而且计算机基础构架逐渐完善，这为帮助管理人员分析运营数据提供了前提条件。
1989年，分析师Howard Dresner（其后的Garter集团）进一步将商业智能定义为“通过使用面向事实的支持系统来改善业务决策的概念和方法”。
商业智能史：商业智能1.0
20世纪90年代：商业智能概念逐渐深入，商业智能供应商、工具、技术逐渐成型。批处理报告成为市场和主流。
互联网的商业化开始形成，美国国会提供的信息服务器和www成为最流行的在线服务。几年后，移动数据开始变得突出。ERP集成应用程序以管理和自动化业务方面的管理软件开始起飞。
商业智能史：商业智能2.0
2000年：商业智能的力量集中在微软，甲骨文，IBM和SAP的手中，他们可以在各自的平台下整合不同的应用程序。
预测分析提供了一种新的方法，即“使用数据，算法和机器学习来预测未来的变化。”
云技术和基于互联网的软件成为实时系统，改进的可视化技术改变了数据的浏览方式。电子商务和社交网络推出了Facebook，YouTube和Twitter，为商业智能带来了新的机会。
到2010年底，大约35％的企业正在使用的商业智能，而67％的“一流”公司都有某种形式的自助服务（self-service）商业智能。
商业智能史：商业智能3.0
2010年 – 至今：商业智能成为跨国企业到中小企业中所有人的标配工具。目前商业智能已经可以跨多个设备，并可以完成可交互式的分析推理。
自助服务（self-service）产品更加强调易于使用和导向型交错，因为商业智能成为了适合所有人的工具，无论是在会议室还是工厂车间。
随着数据分析会被更多的嵌入到应用程序中，企业未来会将硬件和软件集成到完整的包中，大数据将继续增加信息的复杂性，但系统依旧将随着它们的发展而产生简单的报告。随着技术为企业带来新的挑战和机遇，商业智能的创新将使系统更易于访问，更加协调，更可自定义。那么这时商业智能工具的概念就可以称为真正的历史了。
2013年后中国开始商业智能、大数据的浪潮，不断的涌现出国产的商业智能厂商，最具代表性的有从美国回来的 永洪BI 创始人何春涛,在百度工作8年出来创业的 神策数据 桑文锋，奥威 的PowerBI，老牌国产BI厂商 润乾、思迈特；在资本的推动下国产BI厂商已经给国外的BI厂商带来了威胁。比如永洪创始人何春涛本人是在美国从事数据科学研究十几年，所以永洪BI的产品对大数据处理都是秒级计算，完全有能力超越国外的厂商；
商业智能场景
这些年我一直关注BI的发展，也参过多次数据分析的沙龙和峰会活动，演讲嘉宾和企业推广人员都是业内高手和专家，在他们演讲的内容当中基本都是演示自己的产品，展示复杂的数据架构、精美的管理驾驶舱；他们很少提到商业智能场景，如何让不懂IT，不知道商业智能的圈外人通俗易懂的知道什么是BI；商业智能发展至今有160年的历史，肯定有许多前辈思考过这个问题。
我对商业智能也不太专业，但我还是愿意尝试去找通俗易懂的方式展现什么是商业智能，如果我表达的不专业有错误的地方请给我指出来，对于我来说通往专业的路上还很长。
这里我已一种三层结构的立体图形来展示商业智能场景，分别是：业务人员、中层管理、高层人员，也有的企业层次会复杂一些；业务人员是公司奋斗在一线的人员，也是决策的执行落地者，高层下达的决策到中层进行转化由一线人员执行落地；典型的场景：工厂、客户、供应商、合作伙伴，工厂对应的是工人是产品生产的场地也是公司固定资产最多的地方，客户对应的是销售人员是企业生命的源泉，合作伙伴对应的是研发人员是完成重大项目或产品或品牌传播的支持者，供应商对应的是采购人员是企业运作能量的补给站。
不管是工厂、客户、供应商、合作伙伴还是其他的业务单元都会源源不断的产生大量数据，这些数据也许会已存放在电子表格或word文档中、也许会已数据库的形式存在如ERP、CRM、工单系统、财务系统等；工厂会产生：排产、原材料消耗、成品库存、发货数据；客户会产生：销售订单、订单变更数据；供应商会产生：采购订单、原材料库存、供应商资质数据等；每个行业产生的数据种类权重不一样。虽然一线业务人员产生了大量数据但是他们使用的也是明细数据关注的是每一行每一个产品是否完成是否达标能拿到业绩，在给企业实施商业智能过程中一线人员提的最多的就是监控类需求。
中层管理是高层决策的中转站，他们必须考虑到每一个动作会为公司带来成本和支出，他们不像一线人员一样只关心个人利益，要为公司开源节流、创造价值；所以他们要的数据不是单纯某个系统能满足的，他们关心的不是某个产品或某个订单，而是整个产品系列或某个大区的销量或是整个部门的收入、支出、预算情况距离年月目标还有多少，他们需要的是月、季度、环比、绩效考核末尾淘汰、2080原则等变相裁员，中层管理需要的是跨数据源的统计性指标数据。
高层人员代表着公司的生死存亡，他们是巡航在海洋中航母的掌托者，公司的任何决策都从这里发出，他们需要更多有效准确的数据做分析来支持决策；他们不仅仅是关心关键指标，更关心企业未来的发展，例如：工厂需要增加一台几十万的生产设备、三甲医院需要新开设一个科室、公司需要在华南成立一个分公司、公司准备培育一个新品牌等，这里的每一个决策需要大量的现金流来支撑运作，决策如果失败会影响整个公司的运营，怎样才能让决策更有把握，整合内部各个系统产生的数据、爬虫爬取相关的互联网数据集成一个企业级信息工厂，为企业决策提供支持。
为企业一线人员提供运营数据支持、中层管理人员提供跨系统统计数据支持、高层人员提供整合数据决策支持这就是商业智能场景。
历史文章：
FocusBI: 使用Python爬虫为BI准备数据源(原创)