ビジネスインテリジェンスの歴史と発展についてお話ししましょう

1865 年に、リチャード・ミラー・デベンスは著書『A Complete Collection of Business Anecdotes』の中で「ビジネス インテリジェンス」(BI) という用語を作り出した。彼はこの用語を、英国の銀行家ヘンリー・ファーニーズ卿が競合他社より先に情報を収集し、それに基づいて行動することで利益を得た様子を表現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、テクノロジーの使用を通じてビジネス インテリジェンスを獲得する可能性について説明した記事を書きました。

ご存知のとおり、ビジネス インテリジェンス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、企業が競合他社よりも先に行動を起こせるようにします。本質的に、現代版のビジネス 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迅速かつ効率的に意思決定を行う方法としてテクノロジーを使用することに重点を置いています。

1968 年までに、データを有用な情報に変換できるのは、極めて専門的なスキルを持つ人々だけになりました。当時は、複数のソースからのデータがサイロ化されて保存されることが多く、研究結果は断片的で一貫性がなく、解釈の余地があるレポートで提示されることが多かった。業界の専門家であるエドガー・コッドはこれを問題として認識し、1970 年にデータベースに対する人々の考え方を変える論文を発表しました。 「リレーショナル データベース モデル」を開発するという彼の提案は非常に好評で、世界中で採用されました。

意思決定支援システム (DSS) は、最初に開発されたデータベース管理システムです。多くの専門家は、現代のビジネス インテリジェンスは意思決定支援システム (DSS) データベースから進化したと考えています。 1980 年代には、ビジネス プロフェッショナルが BI の価値を発見するにつれて、BI ベンダーの数が増加しました。この期間中、データに簡単にアクセスして整理するためのさまざまなツールが開発されました。 OLAP、経営情報システム、データ ウェアハウスは、DSS を補完するために開発されたツールの一部です。

オンライン分析処理 (OLAP)

オンライン分析処理 (OLAP) は、複数のパラダイムや視点を提供しながら、さまざまなソースからのデータをユーザーが分析できるようにするシステムです。 OLAP 用に構成されたデータベースは、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。

• 売上レポート

• マーケティング

• 経営報告

•ビジネスプロセス管理（BPM）

• 予算編成と予測

•財務報告および関連分野

• 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複数の方法を提供するため、非常に人気があります。 SQL ベースのプログラムであるため、NoSQL が普及するにつれて廃れてしまいました。 OLAP は次の 3 つの基本操作をサポートしています。

• 統合

• 掘り下げる

• スライスとダイシング

統合には、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が含まれます。たとえば、自動車販売マネージャーは、すべての支店の自動車販売台数を合計して、販売傾向を予測できます。一方、ドリルダウン技術はナビゲーションと詳細の調査をサポートします。人々は色、スタイル、燃費別に車の販売状況を見ることができます。スライシングとダイシングにより、OLAP キューブ上の特定のデータを抽出 (スライス) し、それらのスライスをさまざまな視点 (ディメンションと呼ばれることもあります。たとえば、多次元) から表示できます。

経営情報システム (EIS)

1970 年代後半、企業の 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。これにより、経営幹部の意思決定をサポートするエグゼクティブ インフォメーション システム (EIS) と呼ばれるソフトウェアが開発されました。環境影響評価書は、意思決定プロセスを合理化するために必要な適切かつ最新の情報を提供することを目的としています。このシステムは、グラフィカルな表示と使いやすいインターフェースを重視しています。経営情報システム (EIS) の目標は、経営幹部を、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、調査、予定、レポートの閲覧を処理できる「実践的な」ユーザーに変えることです。エグゼクティブ インフォメーション システム (EIS) は、サポート能力が限られているため、段階的に廃止されています。

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 年代に人気を博しました。 (当時のコンピュータ システムの制限により、この作業は午後 5 時以降や週末に行われることが多かったです。) データ ウェアハウスが登場する前は、意思決定プロセスにおいてさまざまな人々に有用な情報を提供するために、多くの冗長性が必要でした。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。従来は複数の場所、多くの場合は部門ごとにサイロ化されて保存されていたデータを、単一の場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、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 年代に人気を博しました。当時のコンピュータ システムの制限により、この作業は午後 5 時以降や週末に行われることが多かったです。データ ウェアハウスが登場する前は、意思決定プロセスにおいてさまざまな人々に有用な情報を提供するために、かなりの冗長性が必要でした。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。従来は複数の場所（多くの場合、部門ごとにサイロ化）に保存されていたデータを、単一の場所に保存できるようになりました。

データ ウェアハウスの使用は、ビッグ データの利用の開発にも役立ちます。突然、あらゆる形式 (電子メール、インターネット、Facebook、Twitter など) の膨大なデータに単一のデータ ストアからアクセスできるようになり、これまで入手できなかったビジネス情報にアクセスするための時間と費用が節約されました。データ駆動型の洞察を得るためのデータ ウェアハウスの可能性は非常に大きいです。これらの洞察により、利益が増加し、不正行為が検出され、損失が最小限に抑えられます。

ビジネスインテリジェンスがハイテク化

テクノロジーの概念としてのビジネス インテリジェンス (BI) は、1988 年にローマで開催された国際会議の直後に始まりました。この会議で得られた結論により、ビジネス インテリジェンス分析を簡素化し、よりユーザー フレンドリにするための作業が開始されました。会議の結論を受けて多くのビジネス インテリジェンス企業が設立され、それぞれの新しい企業が新しいビジネス インテリジェンス ツールを提供しました。この期間中、ビジネス インテリジェンスには、データとレポートを生成することと、データを見やすい形で整理して視覚化することという 2 つの基本機能がありました。

1990 年代後半から 2000 年代初頭にかけて、ビジネス インテリジェンス サービスでは、意思決定者がより自立的に行動できるようにする簡素化されたツールが提供され始めました。これらのツールは使いやすく、必要な機能を備え、非常に効率的です。ビジネスパーソンは、データを直接処理することでデータを収集し、洞察を得ることができるようになりました。

ビジネスインテリジェンスと分析

現在、ビジネス インテリジェンスと分析という用語は同じ意味で使用されています。どちらも、情報に基づいたビジネス上の意思決定を行うためにデータを活用する一般的な方法について説明しています。ビジネス インテリジェンスという用語は、有用な洞察を提供するさまざまなテクノロジーに依存するように進化しました。対照的に、分析は、生データを意思決定の目的で実用的な有用な情報に変換できるツールとプロセスを表します。リアルタイムで動作するストリーミング分析など、さまざまな形式の分析が開発されています。

（１）記述分析

記述的分析では、主に履歴情報に焦点を当ててデータを説明または要約します。このタイプの分析は過去を説明し、以前の行動が現在にどのように影響するかを理解できるようにします。記述的分析は、ビジネス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、最も効果的な方法では、関連するテーマでストーリーを伝え、有用な情報を提供します。

（２）予測分析

予測分析は将来を予測するために使用されます。このタイプの分析では、統計データを使用して、販売傾向や購入パターンの特定、顧客行動の予測など、今後の変化に関する有用な洞察を企業に提供します。予測分析のビジネス上の用途としては、年末の売上成長の予測、顧客が同時に購入する可能性が高い製品の予測、総在庫レベルの予測などが挙げられます。この種の分析の例として、金融サービス機関が顧客が期日通りに支払う可能性を判断するために使用する信用スコアが挙げられます。

（３）規範的分析

処方的分析は比較的新しい分野であり、まだ理解するのが少し難しいです。このタイプの分析は、いくつかの異なる可能なアクションを「規定」し、人々を解決策へと導きます。処方的分析は推奨事項を提供するように設計されています。本質的には、複数の未来を予測し、企業が自社の行動に基づいて多くの可能性のある結果を評価できるようにします。最良の場合、処方的分析は、何が起こるか、なぜ起こるかを予測し、推奨事項を提供します。大企業は、処方的分析を使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。

（４）フロー解析

ストリーミング分析は、データをリアルタイムで処理します。データに基づく統計を継続的に計算、監視、管理し、即座に応答するように設計されています。このプロセスには、特定の状況が発生したときにそれを認識して対応することが含まれます。ストリーミング分析により、ビジネス情報の開発と使用が大幅に改善されます。

ストリーミング分析のデータは、携帯電話、モノのインターネット (IoT)、市場データ、取引、モバイル デバイス (タブレット、ラップトップ) など、さまざまなソースから取得できます。外部データ ソースへの接続を管理し、アプリケーションがデータをアプリケーション フローに結合およびマージしたり、処理された情報で外部データベースを迅速かつ効率的に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 メディアのクラッシュ、セキュリティ侵害、飛行機墜落、製造上の欠陥、株式市場の暴落、顧客離れなどによって生じ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生み出すオプション

ストリーミング データの例としては、ソーシャル メディア フィード、リアルタイムの株式取引、最新の小売在庫管理、ライド シェア アプリなどが挙げられます。たとえば、顧客が Lyft に電話すると、データ ストリームが接続され、シームレスなユーザー エクスペリエンスが実現します。このアプリには、リアルタイムの位置追跡、料金、交通統計、ライブ交通データが組み込まれており、履歴データとリアルタイムデータを使用して、最も近い利用可能なドライバー、料金、目的地までの予想時間を顧客に提供します。

ストリーミング分析は、短期的な調整だけでなく、長期的なビジネス インテリジェンスの開発にも非常に役立つツールとなっています。

ビジネスインテリジェンスの最新動向

ビジネス インテリジェンスには、単純なパフォーマンス メトリック以上のものが求められます。将来を予測するための幅広い情報基盤を提供するには、天気予報、人口統計データ、経済および社会に関する洞察が必要です。現実世界の出来事は、ビジネス インテリジェンスとそれに基づく意思決定に影響を与えます。現在の開発状況から、役立つ情報が得られます。

モノのインターネット: 製造から携帯電話まで、さまざまなデバイスからデータを受信するために使用されます。オフィスビル、通信機器、配送トラック、オフィス機器など、すべてのデータ ストリームはモノのインターネットの一部です。

ビジネス インテリジェンスをサポートするための自動化: 多くの組織では、依然としてビジネス インテリジェンスをサポートするために手動のプロセスに依存しています。自動化されたサービスは手動のサービスよりもエラーが発生しにくく、より高品質なデータを提供します。これらのサービスにより、ビジネス インテリジェンスが向上します。

分析は主流になりました。ますます多くの企業が、記述的、予測的、規範的という現在の 3 種類のビジネス インテリジェンスを使用しています。記述的分析はビジネス インテリジェンスの大部分を提供しますが、予測分析は将来を予測する方法として履歴データを分析します。処方的分析は将来の結果を予測しようとしますが、予測に基づいた推奨事項も提供します。