1865年から始まるビジネスインテリジェンスの簡単な歴史

[[206158]]

ビジネス インテリジェンス (BI) という用語は、1865 年にリチャード ミラー デベンスが著書『Cyclopædia of Commercial and Business Anecdotes』で作りました。彼はこの用語を、銀行家のヘンリー・ファーニーズが競合他社よりも先に情報を収集し、それに基づいて行動することで利益を得た方法を説明するために使用しました。 1958 年、IBM のコンピューター科学者 Hans Peter Luhn 氏は、テクノロジーを使用してビジネス インテリジェンスを収集する可能性について書きました。今日理解されているように、ビジネス インテリジェンスとは、テクノロジーを使用してデータを収集および分析し、それを有用な情報に変換し、この情報に基づいて「競争相手に先んじて」行動を起こすことです。本質的に、最新バージョンのビジネス インテリジェンスは、適切なタイミングで適切な情報に基づいて、テクノロジーを使用して迅速かつ効果的に意思決定を行います。

1968 年当時、データを使用可能な情報に変換できるのは、専門的なスキルを持つ人だけでした。当時は、複数のソースからのデータがサイロに保存されることが多く、研究レポートは断片化され、つながりがなく、さまざまな解釈が可能でした。エドガー・コッドはこれが深刻な問題であると認識しました。 1970 年に彼は、データベースに対する人々の考え方を変える記事を発表しました。彼の「リレーショナル データベース モデル」の提案は大きな注目を集め、世界中で採用されました。

意思決定支援システム (DSS) は、最初のデータベース管理システムです。多くの歴史家は、現代版のビジネス インテリジェンスは DSS データベースから進化したと考えています。 1980 年代に、ビジネスマンはビジネス インテリジェンスの価値を発見し、BI ベンダーの数は劇的に増加しました。その間、データへのアクセスと整理を容易にすることを目的としたさまざまなツールが登場しました。オンライン分析処理 (OLAP)、経営情報システム (EIS)、データ ウェアハウスが登場し、DSS と連携して動作するようになりました。

OLAP

OLAP を使用すると、ユーザーは複数のソースからのデータを分析し、複数のパラダイムや視点を提供できます。 OLAP データベースは、多次元データ モデルを使用して、複雑な分析とアドホック クエリをサポートします。 OLAP の標準的なアプリケーションは次のとおりです。

• 営業報告
• マーケティング
• 経営レポート
• ビジネスプロセス管理 (BPM)
• 予算編成と予測
• 財務報告および類似分野
• 農業などの新しい用途

OLAP は、情報を収集して整理するためのさまざまな方法を提供したため、非常に人気がありました。 SQL ベースのプログラムである OLAP は、NoSQL が普及した後、徐々に人気を失っていきました。 (現在、Kyvos Insights、Platfora、AtScale などの企業は、NoSQL ライブラリの上に OLAP を重ねています。) OLAP は、次の 3 つの基本操作をサポートしています。

• マージ
• ドリルダウン
• スライスとダイス切り

集約とは、複数の方法で保存および処理できるデータを結合することを指します。たとえば、すべての支店からの自動車販売データは、営業マネージャーによって集計され、販売傾向を予測します。ドリルダウンとは、車の販売データを色、タイプ、燃料タイプ別に表示するなど、より詳細なデータを表示および分析することを意味します。スライスとダイシングとは、OLAP キューブ内の特定のデータを選択し、さまざまな角度から詳細に観察することを指します。

環境影響評価

1970 年代後半、CEO はビジネス情報の調査にインターネットを使い始めました。 EIS は、経営者に意思決定のサポートを提供するために誕生しました。 EIS は、意思決定プロセスを「簡素化」するために必要な適切かつ正確な情報を提供することを目的とし、この情報をチャートや使いやすいインターフェースの形式で提示することに重点を置いています。 EIS の目標は、経営幹部を「実践的な」ユーザーに変え、仲介者を介して情報を受け取るのではなく、自分で電子メールを処理し、調査を実施し、予定を立て、レポートを読めるようにすることです。しかし、その効果が限られていたため、EIS は徐々に人気がなくなっていきました。

データ ウェアハウス

データ ウェアハウスは、企業が社内データ分析ソリューションを定期的に使用し始めた 1980 年代に人気が出ました (当時のコンピュータ システムの制限により、データ分析は仕事が終わった後や週末に行われることが多かった)。データ ウェアハウスが登場する前は、意思決定に関わるすべての人に有用な情報を提供するために、企業は大量のデータ冗長性を必要としていました。データ ウェアハウスにより、データへのアクセスに必要な時間が大幅に短縮されます。通常は複数の場所（多くの場合、部門ごとにサイロ化）に保存されるデータを、1 か所に保存できるようになりました。

データ ウェアハウスはビッグ データの利用を促進するのにも役立ちます。突然、さまざまな形式 (電子メール、インターネット、Facebook、Twitter など) の膨大なデータに 1 か所からアクセスできるようになり、時間とコストが節約され、これまでアクセスできなかったビジネス情報にアクセスできるようになりました。データ ウェアハウスには、データに基づく洞察を提供する大きな可能性があります。これらの洞察により、利益を増やし、不正行為を検出し、損失を減らすことができます。

ビジネスインテリジェンスがハイテク化

ビジネス インテリジェンスは、1988 年にローマで開催された多元データ解析会議の直後に技術的な概念として登場し始めました。この会議で得られた結論により、BI 分析を簡素化し、よりユーザーフレンドリーにするための取り組みが始まりました。 BI 企業が多数登場しており、それぞれの新しい企業が新しい BI ツールを提供しています。当時の BI には、データを生成してレポートを提供することと、データを適切な方法で整理して提示することという 2 つの基本的な機能がありました。

20 世紀後半から 21 世紀初頭にかけて、BI サービスは、意思決定者のツールへの依存を減らすために簡素化されたツールを提供し始めました。これらのツールは使いやすく、必要な機能を備えているため、非常に効果的です。ビジネスパーソンは、データを直接操作することでデータを収集し、洞察を得ることができます。

ビジネス インテリジェンスとデータ分析

現在、ビジネス インテリジェンスとデータ分析は同じ意味で使用されていることがよくあります。どちらの用語も、ビジネス上の意思決定においてデータを使用する一般的な慣行を表しています。ビジネス インテリジェンスは意思決定者を支援するさまざまなテクノロジーを表しますが、データ分析はデータを処理するためのさまざまなツールを表し、一般的な用語として、データ ウェアハウス、エンタープライズ情報管理、ビジネス インテリジェンス、エンタープライズ パフォーマンス管理、コーポレート ガバナンスをカバーします。

記述的分析

記述的分析とは、主に履歴情報に焦点を当ててデータを記述および要約することを指します。過去を記述することで、ユーザーは過去の行動が現在にどのように影響するかを理解できます。記述的分析は、組織の運営方法を説明し、ビジネスのさまざまな側面を説明するために使用できます。記述的分析は、最も効果的な場合、関連性のあるテーマを持つストーリーを伝え、有用な情報を提供します。

予測分析

予測分析は未来を予測することができます。統計データを使用して、販売傾向や購入パターンの判断、消費者行動の予測など、将来の変化に関する有用な情報を企業に提供します。商業的な用途としては、一般的に、売上がどのくらいの速さで伸びるか、消費者がどのような製品を購入する可能性が高いか、総在庫レベルを予測することなどが挙げられます。このタイプの分析の使用例の 1 つは信用スコアリングです。金融サービスでは、これを使用して顧客が期限通りにローンを返済する可能性を評価します。

処方的分析

処方的分析は比較的新しい分野であり、適用するのはまだ困難です。それは、いくつかの異なる可能な行動を「規定」し、人々を解決策に導きます。このタイプの分析の中核は推奨事項を提供することです。本質的に、処方的分析は将来発生する可能性のある複数のシナリオを予測し、企業が自社の行動に基づいて複数の可能性のある結果を評価できるようにします。最良のシナリオでは、処方的分析によって、将来何が起こるか、なぜ起こるかを予測し、推奨事項を提供できます。いくつかの大企業は、処方的分析を活用してスケジュール、収益源、在庫を最適化し、顧客体験を向上させることに成功しています。

ストリーム分析

ストリーミング分析は、データに基づく統計を継続的に計算、監視、管理し、その情報に基づいて「競合他社よりも先に」アクションを実行するリアルタイム プロセスです。このプロセスにより、特定の時点で市場でどのようなイベントが発生しているかを理解し、それらのイベントに基づいて行動することができます。ストリーミング分析は、意思決定者への有用な情報の流れを大幅に改善する新しいツールです。

ストリーミング分析のデータは、携帯電話、IoT、市場データ、取引、モバイル デバイス (タブレットやラップトップ) など、さまざまなソースから取得できます。マネージャーを外部データ ソースに迅速かつ効率的に接続し、アプリケーションがデータをアプリケーション フローに組み込んだり、処理された情報で外部データベースを更新したりできるようにします。 Stream Analytics は以下をサポートします:

• ***ソーシャル メディアの危機、セキュリティ侵害、飛行機事故、製造上の欠陥、株式市場の暴落、顧客離れなどによる損失を最小限に抑えます。
• 日々の業務運営のリアルタイム分析
• ビッグデータを活用して見逃した機会を見つける
• 新しいビジネスモデル、収益源、製品イノベーションを創出する

MongoDB を使用して開発されたシカゴの WindyGrid プロジェクトは、ストリーミング分析のユースケースの一例です。 WindyGrid は、市のさまざまな部門から収集した 700 万のデータ ポイントを統合し、シカゴ市の職員がデータを分析し、リソースが必要な場所を予測して、それに応じてリソースを割り当て、問題を効果的に解決できるようにします。市の職員は、より多くの情報に基づいた意思決定をより迅速に行い、リソースをより効率的に割り当てることができます。 WindyGrid は、コスト効率の高い方法で幅広いシナリオを理解し、準備し、対応するシカゴの能力に革命をもたらします。