En 1865, Richard Millar Devens presentó la frase “Business Intelligence” (BI) en la “Cyclopædia of Commercial and Business Anecdotes.Lo usó para describir cómo Sir Henry Furnese, un banquero, se benefició de la información al recopilarla y actuar ante su competencia. Más recientemente, en 1958, un científico informático de IBM llamado Hans Peter Luhn escribió un artículo que describía el potencial de recopilar inteligencia empresarial (BI) mediante el uso de la tecnología.

La inteligencia empresarial, tal como se entiende hoy en día, utiliza la tecnología para recopilar y analizar datos, traducirlo en información útil y actuar en consecuencia “antes que la competencia”. Esencialmente, la versión moderna de BI se enfoca en la tecnología como una forma de tomar decisiones de manera rápida y eficiente, con base en la información correcta en el momento correcto.

En 1968, solo las personas con habilidades extremadamente especializadas podían traducir datos en información utilizable. En ese momento, los datos de múltiples fuentes normalmente se almacenaban en silos, y la investigación generalmente se presentaba en un informe fragmentado e inconexo que estaba abierto a interpretación. Edgar Codd reconoció esto como un problema y publicó un artículo en 1970, alterando la forma en que la gente pensaba acerca de las bases de datos. Su propuesta de desarrollar un “modelo de base de datos relacional” ganó una enorme popularidad y fue adoptada en todo el mundo.

Sistemas de Soporte a la Decisión (DSS) fue el primer sistema de gestión de bases de datos que se desarrolló. Muchos historiadores sugieren que la versión moderna de inteligencia comercial evolucionó a partir de la base de datos DSS. El número de proveedores de BI creció en la década de 1980, cuando los empresarios descubrieron el valor de la inteligencia empresarial. Durante este tiempo se desarrolló una variedad de herramientas para acceder a los datos y organizarlos de manera más sencilla. OLAP, sistemas de información ejecutiva y almacenes de datos fueron algunas de las herramientas desarrolladas para trabajar con DSS.

OLAP

Procesamiento analítico en línea (OLAP) es un sistema que permite a los usuarios analizar datos de una variedad de fuentes al tiempo que ofrece múltiples paradigmas o perspectivas. Las bases de datos configuradas para OLAP utilizan un modelo de datos multidimensional que admite análisis complejos y consultas ad hoc. Las aplicaciones estándar de OLAP incluyen:

• Informes comerciales para ventas
• Marketing
• Informes de gestión
• Gestión de procesos de negocio (BPM)
• Presupuesto y previsión
• Información financiera y áreas similares
• Nuevas aplicaciones, como la agricultura.

OLAP fue bastante popular debido a la variedad de formas que ofrecía para reunir y organizar la información. Como programa basado en SQL, perdió popularidad cuando NoSQL se hizo popular. (En la actualidad, algunas empresas, como Perspectivas de Kyvos y A escala, han superpuesto OLAP en una base NoSQL). OLAP admite tres operaciones básicas:

• Consolidación
• Profundizar
• Tajando y cortando

La consolidación implica combinar datos que se pueden almacenar y procesar de múltiples maneras. Por ejemplo, el gerente de ventas de automóviles puede sumar todas las ventas de automóviles de la sucursal como una forma de anticipar las tendencias de ventas. Por otro lado, la técnica de profundización permite navegar e investigar los detalles. Las personas pueden ver las ventas de automóviles por color, estilo o consumo de gasolina. Cortar y cortar en cubitos permite a las personas sacar (cortar) datos específicos en el cubo OLAP y ver (cortar) esos cortes desde diferentes perspectivas (a veces llamadas dimensiones, como en "multidimensional").

Sistemas de información ejecutiva (DIA)

A fines de la década de 1970, los directores ejecutivos comenzaron a usar Internet para buscar información comercial. Esto condujo al desarrollo de software, llamado sistemas de informacion ejecutiva (EIS), para apoyar a la alta dirección en la toma de decisiones. Un EIS está diseñado para proporcionar la información adecuada y actualizada necesaria para "agilizar" el proceso de toma de decisiones. El sistema enfatiza las pantallas gráficas y las interfaces fáciles de usar para presentar la información. El objetivo de un EIS era convertir a los ejecutivos en usuarios "prácticos" que pueden manejar su propio correo electrónico, investigación, citas y lectura de informes, en lugar de recibir esta información a través de intermediarios. EIS perdió popularidad gradualmente debido a sus limitaciones para ser útil.

Almacenes de datos

Los almacenes de datos comenzaron a hacerse populares en la década de 1980, cuando las empresas comenzaron a utilizar soluciones de análisis de datos regularmente. (Esto a menudo se hacía después de las 5 p. m. y los fines de semana, debido a las limitaciones de los sistemas informáticos en ese momento). Antes del almacenamiento de datos, se necesitaba una cantidad significativa de redundancia para proporcionar información útil a las diferentes personas en el proceso de toma de decisiones. Almacenamiento de datos reducir significativamente la cantidad de tiempo necesario para acceder a los datos. Los datos que tradicionalmente se almacenaban en varios lugares (a menudo, en forma de silos departamentales) ahora se pueden almacenar en un solo lugar.

El uso de almacenes de datos también ayudó a desarrollar el uso de grandes volúmenes de datos. De repente, se podía acceder a una gran cantidad de datos, en una variedad de formas (correo electrónico, Internet, Facebook, Twitter, etc.), desde un único almacén de datos, lo que ahorraba tiempo y dinero para acceder a información comercial que antes no estaba disponible. El potencial de almacenes de datos para obtener información basada en datos era enorme Estos conocimientos aumentaron las ganancias, detectaron el fraude y minimizaron las pérdidas.

Business Intelligence se vuelve de alta tecnología

Business Intelligence (BI), como concepto tecnológico, comenzó poco después de la conferencia internacional de 1988 Consorcio de análisis de datos de múltiples vías se celebró en Roma. Las conclusiones a las que se llegó en esta conferencia impulsaron los esfuerzos para simplificar el análisis de BI, haciéndolo más fácil de usar. Muchos negocios de BI se iniciaron en respuesta a las conclusiones de la conferencia, y cada nuevo negocio ofrecía nuevas herramientas de BI. Durante este período, había dos funciones básicas de BI: producir datos e informes, y organizarlos y visualizarlos de manera presentable.

A fines de la década de 1990 y principios de la de 2000, comenzaron los servicios de BI proporcionar herramientas simplificadas, permitiendo que los tomadores de decisiones sean más autosuficientes. Las herramientas eran más fáciles de usar, proporcionaban la funcionalidad necesaria y eran muy eficientes. Los empresarios ahora podían recopilar datos y obtener información al trabajar directamente con los datos.

Inteligencia de negocios frente a análisis

Actualmente, los dos términos se usan indistintamente. Ambos describen la práctica general de usar datos para tomar decisiones comerciales informadas e inteligentes. El término inteligencia empresarial ha evolucionado para depender de una variedad de tecnologías que brindan información útil. En cambio, Analytics representa las herramientas y los procesos que pueden traducir los datos sin procesar en información procesable y útil para la toma de decisiones. Se han desarrollado diferentes formas de análisis, incluido el análisis de transmisión, que funciona en tiempo real.  

Analítica descriptiva

Analítica descriptiva describe o resume datos y se centra principalmente en información histórica. Este tipo de análisis describe el pasado, lo que permite comprender cómo los comportamientos anteriores afectan el presente. El análisis descriptivo se puede utilizar para explicar cómo opera una empresa y para describir diferentes aspectos del negocio. En el mejor de los casos, el análisis descriptivo cuenta una historia con un tema relevante y proporciona información útil.

Análisis Predictivo

Analítica predictiva se utiliza para predecir el futuro. Este tipo de análisis utiliza datos estadísticos para proporcionar a las empresas información útil sobre los próximos cambios, como identificar tendencias de ventas, patrones de compra y pronosticar el comportamiento de los clientes. Los usos comerciales del análisis predictivo normalmente incluyen anticipar el crecimiento de las ventas al final del año, qué productos los clientes podrían comprar simultáneamente y pronosticar los totales de inventario. Los puntajes de crédito ofrecen un ejemplo de así tipo de análisis, y los servicios financieros los utilizan para determinar la probabilidad de que un cliente realice los pagos a tiempo.

Analítica prescriptiva

El análisis prescriptivo es un campo relativamente nuevo y todavía es un poco difícil trabajar con él. Este tipo de análisis "prescribe" varias acciones posibles diferentes y guía a las personas hacia una solución. Analítica prescriptiva está diseñado para brindar asesoramiento. Esencialmente, predice múltiples futuros y permite a las organizaciones evaluar muchos resultados posibles, en función de sus acciones. En el mejor de los casos, análisis prescriptivo predecirá lo que sucederá, por qué sucederá y proporcionar recomendaciones. Las empresas más grandes han utilizado análisis prescriptivos para optimizar con éxito la programación, los flujos de ingresos y el inventario, lo que a su vez mejora la experiencia del cliente.

Análisis de transmisión

El análisis de transmisión es el procesamiento de datos en tiempo real. Está diseñado para calcular, monitorear y administrar constantemente información estadística basada en datos y responder de inmediato. El proceso se ocupa de reconocer y responder a situaciones específicas, a medida que ocurren. El análisis de transmisión ha mejorado significativamente el desarrollo y el uso de la información empresarial.

Datos para análisis de transmisión puede provenir de una variedad de fuentes, incluidos teléfonos móviles, Internet de las cosas (IoT), datos de mercado, transacciones y dispositivos móviles (tabletas, computadoras portátiles). Conecta la administración con fuentes de datos externas, lo que permite que las aplicaciones combinen y fusionen datos en un flujo de aplicación, o actualicen bases de datos externas con información procesada, de manera rápida y eficiente. El análisis de transmisión admite:

• Minimizar el daño causado por fallas en las redes sociales, brechas de seguridad, accidentes aéreos, defectos de fabricación, fallas en la bolsa de valores, abandono de clientes, etc.
• Análisis de operaciones comerciales rutinarias en tiempo real
• Encontrar oportunidades perdidas con big data
• La opción de crear nuevos modelos comerciales, flujos de ingresos e innovaciones de productos

Algunos ejemplos de transmisión de datos son las fuentes de las redes sociales, las transacciones bursátiles en tiempo real, la administración de inventario minorista actualizada al minuto o las aplicaciones para compartir viajes. Por ejemplo, cuando un cliente llama a Lyft, se unen flujos de datos para crear experiencias de usuario perfectas. La aplicación combina el seguimiento de la ubicación en tiempo real, los precios, las estadísticas de tráfico y los datos de tráfico en tiempo real para proporcionar al cliente el conductor disponible más cercano, el precio y una estimación del tiempo hasta el destino utilizando datos históricos y en tiempo real.

Streaming Analytics se ha convertido en un herramienta extremadamente útil para la coordinación a corto plazo, así como el desarrollo de inteligencia empresarial a largo plazo. 

Inteligencia de negocios en la actualidad

Business Intelligence requiere más que simples métricas de rendimiento. Necesita informes meteorológicos, demográficos y económicos y sociales para proporcionar una amplia base de información para predecir el futuro. Los eventos del mundo real impactan la inteligencia empresarial y las decisiones basadas en ella. Algunos de los desarrollos actuales que brindan información útil son:

Internet de las cosas (IoT): Se utiliza para recibir datos de una variedad de dispositivos, que van desde la fabricación hasta los teléfonos móviles. Edificios de oficinas, dispositivos de comunicación, camiones de reparto, equipos de oficina: todos transmiten datos como parte del Internet de las Cosas.

Automatización que respalda la inteligencia empresarial: Muchas organizaciones aún confían en los procesos manuales para respaldar su inteligencia comercial. Los servicios automatizados cometen menos errores que los humanos y proporcionan datos de mayor calidad. Estos servicios promueven una mejor inteligencia comercial.

La analítica se ha convertido en la corriente principal: Cada vez más empresas utilizan los tres tipos actuales de inteligencia empresarial: análisis descriptivo, análisis predictivo y análisis prescriptivo. El análisis descriptivo proporciona la mayor parte de la inteligencia comercial, pero el análisis predictivo analiza los datos históricos como una forma de predecir el futuro. El análisis prescriptivo intenta predecir resultados futuros, pero también ofrece recomendaciones basadas en sus predicciones.

Imagen utilizada bajo licencia de Shutterstock.com

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
• Fuente: https://www.dataversity.net/brief-history-business-intelligence/