استكشاف تاريخ ذكاء الأعمال

ما هو ذكاء الأعمال؟

ذكاء الأعمال (BI) ، مصطلح يرتبط في الوقت الحاضر جوهريًا بتكنولوجيا المعلومات ، يتطور منذ أكثر من 150 عامًا. على الرغم من أن أصولها تسبق اختراع أجهزة الكمبيوتر ، إلا أنه بعد انتشارها على نطاق واسع نمت أهمية ذكاء الأعمال وأصبح تطورها من الآن فصاعدًا مقترنًا بتطور أجهزة الكمبيوتر وقواعد البيانات.

BI باستخدام القلم والورق

يُنسب الاستخدام الأول لمصطلح "ذكاء الأعمال" على نطاق واسع إلى السيد ريتشارد ميلر ديفنز ، في كتابه Cyclopadia of Commercial and Business Anecdotes ، الذي نُشر لأول مرة في عام 1865. واستخدمه لوصف كيف استفاد السير هنري فورنيز ، مصرفي ناجح من المعلومات من خلال جمعها والعمل عليها بشكل نشط قبل منافسته. يشير هذا إلى حقيقة أنه كان من الأكثر موثوقية استخدام البيانات والأدلة التجريبية ، بدلاً من غريزة الحدس ، لتطوير استراتيجية عمل. تم تعزيز الفكرة بشكل أكبر من قبل الآخرين الذين رأوا قيمة في المعلومات.

خلال العقد الأخير من القرن التاسع عشر ، قدم فريدريك تايلور أول نظام رسمي لتحليلات الأعمال في الولايات المتحدة. بدأ نظامه للإدارة العلمية بدراسات الوقت التي حللت تقنيات الإنتاج وحركات أجساد العمال لإيجاد كفاءات أكبر عززت الإنتاج الصناعي.

انتهى الأمر بتيلور ليصبح مستشارًا لهنري فورد ، الذي بدأ في أوائل القرن العشرين بقياس الوقت الذي يستغرقه كل مكون من مكونات سيارته Ford Model T لإكماله على خط التجميع الخاص به. أحدث عمله ونجاحه ثورة في الصناعة التحويلية في جميع أنحاء العالم. ومع ذلك ، لا يزال يستخدم القلم والورق في ذلك.

ذكاء الأعمال يحصل على دفعة من أجهزة الكمبيوتر

كانت أجهزة الكمبيوتر الإلكترونية في مرحلة جنينية في ثلاثينيات القرن الماضي ، ولكن تم تطويرها بسرعة خلال الحرب العالمية الثانية ، كجزء من جهود الحلفاء لكسر الرموز الألمانية.

حتى الخمسينيات من القرن الماضي ، كانت أجهزة الكمبيوتر تعتمد في الغالب على البطاقات المثقوبة أو الأشرطة المثقوبة لتخزين البيانات. كانت هذه أكوامًا ضخمة من البطاقات بها ثقوب صغيرة ، والتي من شأنها تخزين المعلومات لتتم معالجتها بواسطة أجهزة الكمبيوتر. ومع ذلك ، في عام 1956 ، اخترعت شركة IBM أول محرك أقراص ثابتة ، مما جعل من الممكن تخزين كميات كبيرة من المعلومات بمرونة أكبر في الوصول.

بعد ذلك بوقت قصير ، في عام 1958 ، نشر الباحث في شركة IBM Hans Peter Luhn ورقة تاريخية بعنوان A Business Intelligence System. وضع نظرية حول إمكانات نظام "النشر الانتقائي" للوثائق إلى "نقاط العمل" بناءً على "ملفات تعريف الاهتمامات". يتمتع عمله بأهمية ملحوظة حتى يومنا هذا حيث تنبأ بالعديد من اتجاهات ذكاء الأعمال التي تعتبر متطورة في الوقت الحاضر ، مثل قدرة أنظمة المعلومات على التعلم والتنبؤ بناءً على اهتمامات المستخدم. اليوم نسميها التعلم الآلي. يُعرف لون على أنه والد ذكاء الأعمال.

على الرغم من أن المفهوم الذي اقترحه Luhn لفت انتباه العديد من الأطراف المهتمة ، فقد اعتبرت الفكرة باهظة الثمن في ذلك الوقت بحيث لا يمكن أن يكون لها أي استخدام عملي. وهناك حاجة إلى مزيد من التقدم التكنولوجي لجعله حلا مجديا اقتصاديا.

في العقد التالي ، انتشر استخدام الكمبيوتر ، حتى مع الأخذ في الاعتبار أن كل جهاز كمبيوتر كان عبارة عن آلة عملاقة تشغل الطابق بأكمله من المبنى ويجب إدارتها من قبل العديد من المهندسين ذوي المهارات العالية ليعمل بشكل صحيح. تناول الخبراء مرة أخرى فكرة استخدام أجهزة الكمبيوتر لاستخراج النتائج من البيانات ، ولكن المشكلة الرئيسية كانت أنه لا توجد طريقة مركزية متاحة لجمع جميع البيانات معًا في مكان واحد. البيانات ، في حد ذاتها ، لا يمكن أن تولد أي رؤى. لحل هذا التحدي ، تم تصميم أنظمة إدارة قواعد البيانات الأولى. في وقت لاحق ، سوف يطلق عليهم ببساطة قواعد البيانات. سمح هذا الجيل الأول بأول عمليات بحث في قاعدة البيانات ، باستخدام إستراتيجية الأشجار الثنائية. هذه الاستراتيجية ، على الرغم من أنها حلت العديد من المشاكل في ذلك الوقت ، تعتبر ثقيلة للغاية وغير فعالة في الوقت الحاضر. ومع ذلك ، بالنسبة للشركات التي يمكنها تحمل تكاليفها ، قدمت هذه الأداة الجديدة قيمتها ، حيث تم استخدامها في النهاية للوصول إلى استنتاجات من البيانات المتاحة.

تحسين تقنيات ذكاء الأعمال: يدخل اللاعبون الكبار إلى الميدان

في عام 1970 ، نشر Edgar Codd من شركة IBM ورقة بعنوان A Relational Model of Data لبنوك البيانات المشتركة الكبيرة. لقد مهد الطريق لقواعد البيانات العلائقية من الجيل التالي ، مما يسمح بقدرة أوسع لتخزين البيانات ومعالجتها. ومع ذلك ، في خطوة غريبة ، امتنعت شركة IBM عن تنفيذ تصميم Codd للحفاظ على الإيرادات لأنظمة قواعد البيانات الحالية الخاصة بها. وحذت شركة IBM حذوها فقط بعد أن بدأ المنافسون في تنفيذها.

بحلول هذا الوقت ، كان هناك ما يكفي من السوق للسماح لمقدمي ذكاء الأعمال الأوائل بالظهور. من بين هؤلاء ، كان هناك SAP و Siebel و JD Edwards. في ذلك الوقت ، كانت تسمى أنظمة دعم القرار (DSS).

كانت المشكلة الكبرى في هذه المرحلة هي أن قواعد البيانات هذه عانت من مشكلات "منعزلة". نظرًا لكونها أحادية البعد للغاية ، كانت مرونة استخدامها محدودة للغاية. حتى القضايا البسيطة مثل مدن ترميز قواعد البيانات مثل "OH و NJ و NY" بينما تستخدم أخرى "Ohio و New Jersey و New York" جعلت الإحالة المرجعية مهمة شاقة.

ومع ذلك ، ظهرت المزيد والمزيد من الحالات الناجحة للاستخدام المربح للبيانات. واحدة من أشهرها في ذلك الوقت جاءت من نيلسن. تُستخدم أداة التسويق المعروفة باسم تصنيف Nielsen ، المستخدمة لقياسات الجمهور ، لقياس عدد الأشخاص الذين كانوا يشاهدون عرضًا تلفزيونيًا معينًا في أي وقت ، باستخدام جهاز يسمى Audimeter ، والذي تم توصيله بجهاز تلفزيون وتسجيل أي قناة كان قيد المراقبة.

اعتبرت تقييمات Nielsen أكثر تقارير التصنيف الوطني التي يتم النظر إليها في صناعة التلفزيون. ومع ذلك ، أربع مرات في السنة ، ستكون هناك "أسابيع سوداء" - أسابيع لم يتم الإبلاغ فيها عن تقييمات نيلسن. نظرًا لعدم وجود طريقة موثوقة لقياس التقييمات في هذه "الأسابيع السوداء" ، ملأت شبكات التلفزيون جداولها بإعادة العروض.

لقد اعتاد كل من الصناعة والجمهور على "الأسابيع السوداء" ، لكنهم انتهوا في سبتمبر 1973. قدمت Nielsen مقياس السمع اللحظي للتخزين (SIA) ، وربط 1200 أسرة مباشرة بجهاز الكمبيوتر الذكي الخاص بالشركة في فلوريدا. يمكن أن تنتج تصنيفات وطنية في 36 ساعة فقط ، أقل بكثير من أسبوع إلى أسبوعين الذي استغرقه نظام الشركة الأقدم. ستكون التصنيفات الوطنية متاحة في كل يوم من أيام الأسبوع ، كل أسبوع من العام. لم تعد هناك حاجة إلى "الأسابيع السوداء" ، وكانت البيانات متاحة أكثر من ذلك بكثير.

قرب نهاية السبعينيات ، أصدر لاري إليسون واثنان من أصدقائه أول نسخة تجارية من قاعدة بيانات أوراكل. كان أول نظام حقيقي لإدارة قواعد البيانات العلائقية في السوق ، ليحل محل الأفكار المستخدمة حتى ذلك الحين لقواعد البيانات الهرمية وقواعد بيانات الشبكة لهيكل أكثر قوة ، مما سمح بعمليات بحث أكثر مرونة. ستحدد هذه التكنولوجيا تاريخ BI واتجاهاتها في العقود القادمة.

تنامي أهمية ذكاء الأعمال: نحتاج إلى مزيد من المساحة!

سمحت الأسعار المنخفضة لمساحة التخزين وقواعد البيانات الأفضل للجيل التالي من حلول ذكاء الأعمال. اقترح رالف كيمبال وبيل إنمون استراتيجيتين مختلفتين ولكن متشابهتين لمشكلة وجود جميع بيانات الشركة في نفس المكان حتى تتمكن من تحليلها. كانت هذه مستودعات البيانات (DW). يُعرف الكثيرون بأن Inmon هو الأب لمستودع البيانات.

مستودعات البيانات هي قواعد بيانات مصممة لتجميع الكثير من البيانات من مصادر أخرى للبيانات (معظمها قواعد بيانات أخرى) ، مما يسمح بتحليل أعمق بكثير مع القدرة على الإسناد الترافقي لهذه المصادر المختلفة. ومع ذلك ، كانت لا تزال تقنية ومكلفة للغاية. تحتاج التقارير إلى أن يتم تشغيلها وصيانتها من قبل مجموعة كبيرة من الموظفين الفنيين لتقنية المعلومات المكلفين.

ستعيش الإدارة العليا في ذلك الوقت وفقًا لمخرجات حلول BI مثل Crystal Reports و Microstrategy. وبالطبع كان هناك Microsoft Excel (صدر عام 1985). أصبح ذكاء الأعمال الآن جزءًا لا يتجزأ من الأدوات المتاحة لعملية صنع القرار.

في عام 1989 ، ساهم هوارد دريسدنر ، من مجموعة غارتنر ، في تعميم مصطلح "ذكاء الأعمال" ، مستخدمًا إياه كمصطلح شامل لوصف "المفاهيم والأساليب لتحسين عملية صنع القرار في مجال الأعمال باستخدام أنظمة الدعم القائمة على الحقائق".

ذكاء الأعمال 1.0.0 تحديث

في التسعينيات ، انخفضت تكاليف مستودعات البيانات مع دخول المزيد من المنافسين إلى السوق واطلاع المزيد من متخصصي تكنولوجيا المعلومات على التكنولوجيا. كانت هذه فترة "ذكاء الأعمال 1.0".

أصبحت البيانات الآن متاحة بشكل عام لموظفي الشركة بشكل عام ، وليس فقط الإدارة العليا. ومع ذلك ، كانت المشكلة في هذه المرحلة هي أن طرح أسئلة جديدة كان لا يزال مكلفًا للغاية. بمجرد "تصميم" السؤال ، ستكون الإجابة متاحة بسرعة ، ولكن فقط لهذا السؤال.

لتقليل هذا الجهد ، تم تطوير بعض الأدوات الجديدة و "اللبنات الأساسية" لتسريع عملية الاستعلامات المختلفة:

• كانت ETL (الاستخراج والتحويل والتحميل) عبارة عن مجموعة من الأدوات ، تشبه لغة البرمجة ، والتي سهلت تصميم تدفق البيانات داخل مستودع البيانات.
• ساعدت OLAP (المعالجة التحليلية عبر الإنترنت) في إنشاء خيارات تصور مختلفة للبيانات المطلوبة ، مما مكّن المحللين من استخلاص استنتاجات أفضل من المعلومات المتوفرة.

حتى يومنا هذا ، لا تزال كل من أدوات ETL و OLAP جزءًا مهمًا من حلول ذكاء الأعمال.

كانت هذه أيضًا الفترة التي أصبحت فيها أنظمة تخطيط موارد المؤسسات (ERP) شائعة. هذه منصات برامج إدارة ضخمة تدمج التطبيقات لإدارة وأتمتة جوانب الأعمال. لقد قدموا أيضًا بيانات منظمة لمخازن البيانات وفي السنوات التالية أصبحوا قلب كل شركة كبرى في العالم.

في عام 1995 ، أصدرت Microsoft نظام التشغيل Windows 95 ، وهو أول نظام تشغيل "سهل الاستخدام" - وأصبحت أجهزة الكمبيوتر أدوات منزلية شائعة. سيكون لهذا تأثير عميق على كيفية إنتاج الناس للبيانات واستهلاكهم للعقود التالية.

BI تعطل: انفجار البيانات في الألفية الجديدة

بحلول عام 2000 ، تم بالفعل إنشاء حلول ذكاء الأعمال باعتبارها "ضرورية" لجميع الشركات المتوسطة إلى الكبيرة. أصبح يعتبر الآن على نطاق واسع شرطًا للبقاء في المنافسة.

من منظور موفري الحلول ، بدأت وفرة الحلول في الاندماج في أيدي عدد قليل من المنافسين الكبار ، مثل IBM و Microsoft و SAP و Oracle.

ظهرت بعض المفاهيم الجديدة خلال هذه الفترة. أدت صعوبة الحفاظ على مستودعات البيانات الخاصة بهم إلى التحديث إلى جعل بعض الشركات تعيد التفكير في نهجها ، وتحويل DW إلى "مصدر واحد للحقيقة". بالنسبة للبيانات الموجودة بالفعل ، قد تستخدم البرامج الأخرى المعلومات المقدمة من DW بدلاً من استخدام المعلومات الخاصة بها ، وبالتالي القضاء على معظم مشكلات عدم توافق البيانات. كان القول أسهل من الفعل ، مما وفر الكثير من التحديات التقنية. ومع ذلك ، كان المفهوم مفيدًا جدًا لدرجة أن الحلول المتاحة في السوق سوف تتكيف في السنوات التالية لتوظيف هذه الاستراتيجية.

عندما أصبحت البيانات أكثر وفرة ، وأثبتت أدوات ذكاء الأعمال فائدتها ، تم توجيه جهود التطوير نحو زيادة السرعة التي ستصبح بها المعلومات متاحة ، وتقليل تعقيد الوصول إليها. أصبحت الأدوات أسهل في الاستخدام ، وأصبح بإمكان الأشخاص غير التقنيين الآن جمع البيانات واكتساب رؤى بأنفسهم ، دون مساعدة من الدعم الفني.

في أوائل العقد الأول من القرن الحادي والعشرين ، مهدت طفرة منصات الشبكات الاجتماعية الطريق أمام إتاحة الرأي العام للجمهور مجانًا على الإنترنت ، ويمكن للأطراف المهتمة جمع البيانات (أو "ملكي") وتحليلها. بحلول عام 2005 ، كان الترابط المتزايد لعالم الأعمال يعني أن الشركات بحاجة إلى معلومات في الوقت الفعلي حيث يمكن دمج البيانات من الأحداث في مستودعات البيانات كما تحدث في الوقت الفعلي.

هذا هو العام الذي تم فيه تقديم Google Analytics ، مما يوفر طريقة مجانية للمستخدمين لتحليل بيانات مواقع الويب الخاصة بهم. هذا أيضًا هو العام الذي استخدم فيه مصطلح البيانات الضخمة لأول مرة. استخدمها روجر ماجولاس ، من O'Reilly Media ، للإشارة إلى "مجموعة كبيرة من البيانات يكاد يكون من المستحيل إدارتها ومعالجتها باستخدام أدوات ذكاء الأعمال التقليدية."

للتعامل مع مساحة التخزين الإضافية وقوة الحوسبة المطلوبة لإدارة هذه الكمية المتزايدة من البيانات بشكل كبير ، بدأت الشركات في البحث عن حلول أخرى. كان بناء أجهزة كمبيوتر أكبر وأسرع غير وارد ، لذا أصبح استخدام العديد من الأجهزة في وقت واحد خيارًا أفضل. كانت هذه بذور الحوسبة السحابية .

الاستخدامات المعاصرة للذكاء الاصطناعي

في السنوات العشر الماضية ، أصبحت البيانات الضخمة والحوسبة السحابية وعلوم البيانات كلمات معروفة لأي شخص تقريبًا. من الصعب في هذا الوقت الاعتراف بأي التطورات الجديدة كانت الأكثر تأثيرًا في هذه السنوات الماضية. ومع ذلك ، هناك بعض الحالات المثيرة للاهتمام التي أظهرت القوة المتزايدة لأدوات التحليل الحديثة.

الإعلان وملفات تعريف الارتباط وتقنية الإعلان

في عام 2012 ، نشرت صحيفة نيويورك تايمز مقالًا يصف كيف اكتشفت شركة Target بالصدفة حمل مراهقة في المدرسة الثانوية قبل والديها. من خلال التحليلات ، حددوا 25 منتجًا عند شرائها معًا يشير إلى أن المرأة حامل على الأرجح. كانت قيمة هذه المعلومات هي أن Target يمكنه إرسال قسائم إلى المرأة الحامل في فترة قد تتغير فيها عادات التسوق للمرأة.

ذهب أب غاضب إلى الهدف خارج مينيابوليس وطالب برؤية المدير. اشتكى من حصول ابنتها على كوبونات لملابس الأطفال ، رغم أنها كانت لا تزال في المدرسة الثانوية. اعتذر المدير بشدة باسم الشركة ، ولكن بعد أيام قليلة اتصل الأب للاعتذار: "اتضح أنه كانت هناك بعض الأنشطة في منزلي لم أكن على علم بها تمامًا. هي مستحقة في أغسطس. أنا مدين لك باعتذار ".

يوضح هذا المثال القصصي القوة المعاصرة لتحليلات البيانات.

سياسة

بنيت استراتيجية حملة إعادة انتخاب أوباما بشكل كبير على التحليلات. يشير العديد من المتخصصين إلى ذلك باعتباره أحد الأسباب الرئيسية لنجاحه. ركزت الإستراتيجية ، التي صممها مدير الحملة جيم ميسينا ، على جمع البيانات عن الناخبين واستخدامها للتأكد من أنهم سوف 1) يسجلون للتصويت ، 2) يتم إقناعهم للتصويت لأوباما و 3) الحضور للتصويت يوم الانتخابات. شارك حوالي 100 محلل بيانات في هذا الجهد ، مستخدمين بيئة تعمل على HP Vertica ومشفرة في R و Stata.

تم تطبيق العديد من المبادرات لتحقيق هذه الأهداف ، كان أحدها Airwolf. تم تصميمه لدمج جهود الفرق الميدانية والرقمية ، حيث يضمن أنه بمجرد اتصال الفريق الميداني بالناخب في حملة من الباب إلى الباب ، سيتم تسجيل اهتماماتهم ، بحيث يحصلون على رسائل بريد إلكتروني متكررة من المنظمين المحليين المصممة خصيصًا لقضايا الحملة المفضلة لكل فرد.

باستخدام الأدوات والبيانات المناسبة ، يمكن للمحللين الإجابة على أي سؤال تقريبًا بسرعة وسهولة ، بغض النظر عن مصدر البيانات الأصلي. جعل نجاح حملة أوباما بيئات تحليلات البيانات الضخمة مطلبًا قياسيًا لكل حملة منذ ذلك الحين.

علم

اكتمل مشروع الجينوم البشري في عام 2003 لكنه ترك العديد من الأسئلة دون إجابة. على الرغم من رسم خريطة للتسلسل الكامل لأزواج القواعد النوكليوتيدية التي تشكل الحمض النووي البشري ، فإن الفهم الحقيقي لكيفية عمل الجينات البشرية يتطلب دراسة مكثفة أكثر - وكان تطبيقًا مثاليًا للبيانات الضخمة. يحتوي الجينوم البشري النموذجي على أكثر من 20000 جين ، يتكون كل منها من ملايين الأزواج الأساسية. يتطلب رسم خرائط الجينوم ببساطة مائة جيجابايت من البيانات ، وتسلسل الجينومات المتعددة وتتبع التفاعلات الجينية يضاعف هذا العدد عدة مرات - مئات البيتابايت ، في بعض الحالات.

من خلال تطبيق التحليلات في دراستهم المنشورة في عام 2016 ، تمكن العلماء في جامعة حيفا من ملاحظة ما يسمى "الطابع الاجتماعي" للجينات. ما أراد العلماء منذ فترة طويلة اكتشافه هو الإجراءات الداخلية للتأثيرات الجينية المعقدة التي تشارك في خلق أمراض معقدة. كان هذا الهدف صعبًا بشكل خاص لأن التعبيرات الجينية لأمراض معينة تأتي عادةً من مزيج من العديد من الواسمات الجينية التي تتفاعل مع بعضها البعض. لذلك لن يضطر الباحثون فقط إلى التمشيط من خلال تسلسل جيني كامل ، ولكن سيتعين عليهم أيضًا تتبع التفاعلات بين جينات مختلفة متعددة.

على الرغم من أنه لا يزال هناك الكثير من البيانات التي يتعين تحليلها ، فإن الطريق ممهد لفهم وعلاج عدد كبير من العيوب الجينية ، الكبيرة والصغيرة.

الطريق للأمام

نصل الآن إلى وقت يمكن فيه لـ Facebook التعرف على وجهك في الصور ، حيث يمكن لـ Google التنبؤ بنوع الإعلان الذي يناسب ملفك الشخصي بشكل أفضل ، حيث يمكن لـ Netflix أن تقدم لك اقتراحات حول العروض التي يمكنك مشاهدتها. إنه الوقت الذي يمكنك فيه التحدث إلى هاتفك ، وليس فقط مع شخص على الجانب الآخر من خط الهاتف. كانت القدرة على التعامل مع كميات هائلة من البيانات ومعالجتها خطوة أساسية لفهم كيفية ظهور هذه الأعاجيب.

البيانات الضخمة لا تزال اتجاها متزايدا. تم إنشاء ما يقرب من 90٪ من البيانات المتاحة في العامين الماضيين. في مؤتمر Techonomy في عام 2010 ، صرح إريك شميدت أن "هناك 5 إكسابايت من المعلومات التي أنشأها العالم بأسره بين فجر الحضارة وعام 2003. والآن يتم إنشاء نفس الكمية كل يومين."

لا يزال التعامل مع مثل هذا الكم الهائل من البيانات يمثل العديد من التحديات. لا تزال جودة البيانات ، وهي واحدة من أول وأقدم مشكلات ذكاء الأعمال ، مجالًا متطلبًا. التحليلات ، مجموعة المهارات اللازمة للمساعدة في فهم الكومة الشاهقة من شركات البيانات التي تجمعها هي أيضًا مطلوبة بشدة. يوجد الآن العديد من التحليلات: التحليلات الوصفية ، والتحليلات التنبؤية ، والتحليلات الوصفية ، والتحليلات المتدفقة ، والتحليلات الآلية ، وما إلى ذلك. تستخدم التحليلات العديد من التقنيات المتطورة لاستخراج الرؤى من البيانات ، مثل الذكاء الاصطناعي ، والتعلم الآلي ، والكثير من الإحصائيات عارضات ازياء. لقد حان الوقت أخيرًا عندما يكون من الرائع أن تكون عالم رياضيات.

غالبًا ما يتم تصميم أدوات ذكاء الأعمال حاليًا مع وضع صناعة معينة في الاعتبار ، سواء كانت الرعاية الصحية أو إنفاذ القانون ، وما إلى ذلك. وهي تعمل الآن عبر أجهزة متعددة وتستخدم العديد من أدوات التصور ، مما يسمح لأي شخص بتطبيق المنطق على البيانات من خلال واجهات مرئية تفاعلية. Mobile BI أصبح الآن حقيقة واقعة.

من خلال الجمع بين نقاط القوة في البيانات الضخمة والتعلم الآلي والتحليلات ، قد تكون حياتك مختلفة جدًا في المستقبل. ربما لن تحتاج إلى الذهاب إلى متجر البقالة بعد الآن - ستطلب ثلاجتك ما تحتاجه على الأرجح ، بناءً على عاداتك الغذائية. بالصدفة ، لن تتصل بطبيبك ليخبرك أنك مريض ، لأنهم سيتصلون بك حتى قبل أن تبدأ في الشعور بالأعراض الأولى.

تعيش الإنسانية الآن في عصر المعلومات ، وذكاء الأعمال هو سمة مهمة في عصرنا ، مما يساعدنا على فهم كل ذلك. تحليلات الأعمال هي الآن حتى برنامج للحصول على درجة علمية في العديد من الجامعات. إن تاريخ ذكاء الأعمال حديث إلى حد ما ، ولكنه يتسارع ويزداد كثافة يومًا بعد يوم. لا تزال أفضل أيام ذكاء الأعمال أمامنا.