商业智能分析(Business Intelligence)是用数据来支持企业决策的重要手段之一。这种方法早已有之。最早在1865年，Richard Millar Devens在他所著的商业趣闻百科全书(Cyclopedia of Commercial and Business Anecdote)中就描述了银行家Sir Henry Furnese如何收集并分析他的竞争者所不知道的商业信息，从而获得盈利。这被认为是最早的商业智能分析案例。商业智能分析的关键在于把原始数据转化为有用的，有意义的信息，并基于这些信息来进行企业决策。

    商业智能分析的成功取决于两个关键，一是原始数据，二是分析方法。在商业银行早期，客户的信息被记录在账册中(ledger)，由于缺乏高效的数据管理工具和分析手段，数据只是被用作客户记录来支持银行日常业务。随着计算机的使用，人们开始建立起有效的数据管理工具。这时业务的处理时间被缩短了。人们有更多的时间来思考商业方向和决策。80年代起，人们开始重视数据分析和决策。随着大数据时代的到来，采用大数据的商业智能分析有了新发展。

    1)自助式BI(Self-Service BI)

    传统的商业智能分析的最终产品通常是一个由文字和图表组成的PDF文件或者PPT文件。这种分析模式有两个缺陷：1)分析员的主观偏差，在这类静态报告中，通常只有部分数据被分析。因此分析员可以选取他想表达的故事(tell the story he/she want to tell)。2)无限循环的补充分析，通常决策层看到报告后会有新的问题，于是分析员很容易陷入无限循环的补充分析(supplemental analysis)中。自助式BI的分析结果可以克服这两个缺陷。分析员将处理好的原始数据放入分析工具中并编写好分析模板，决策层可以自己调整变量和图表来得出相应结论。

    2)基于数据的BI(Big Data Analytics BI)

    传统的商业智能分析中，分析员需要先编写SQL程序从关系数据库中取出数据。然后再把数据导入SAS，R，Excel等分析工具中进行商业智能分析。随着技术发展，这类分析工具开始提供数据接口(API)，但是接口的功能并不完善。举个例子，SAS的Hadoop接口(proc hadoop)自动定义字符类变量为32767位。在变量很多的情况下，分析员没法对每个字符分别定义，如果由SAS自动定义为32767位，则导入文件变得无比巨大。这种情况下，对于一些简单分析，分析员希望能直接在Hadoop上进行快速分析。这类分析工具的代表是Platfora，分析员可以使用Platfora建立数据Lens，从而直接在Hadoop上进行商业只能分析。另一个常用工具是Datameer。

    3)知识自动生成(Insight as a service)

    通常的决策过程有三个步骤，1)分析理解BI图表和数据，2)通过了解图表数据总结知识，3)运用总结的知识来进行决策。传统分析中，分析员负责1，而决策层负责2和3。这种情况下哪怕图表数据再有效正确，如果决策层总结的知识(insight)出现了偏差，也会影响最后决策。这类知识自动生成的工具(insight as a service)重点在于帮助决策层自动生成一些可用的知识(insights)，使得决策层的决策给予正确的知识。