비즈니스 인텔리전스의 역사 살펴보기

비즈니스 인텔리전스란 무엇입니까?

오늘날 본질적으로 정보 기술과 관련된 용어인 BI(비즈니스 인텔리전스)는 150년 넘게 진화해 왔습니다. 그 기원은 컴퓨터 발명 이전에 있었지만 BI가 관련성을 갖게 된 것은 컴퓨터가 널리 보급되고 나서야 비로소 컴퓨터 및 데이터베이스의 발전과 함께 BI의 발전이 이루어졌습니다.

펜과 종이를 활용한 BI

"비즈니스 인텔리전스"라는 용어의 첫 번째 사용은 Richard Miller Devens가 1865년에 처음 출판한 그의 책 Cyclopadia of Commercial and Business Anecdotes에서 광범위하게 사용되었습니다. 그는 성공적인 은행가인 Sir Henry Furnese가 어떻게 수익을 올렸는지 설명하는 데 이 용어를 사용했습니다. 경쟁 전에 적극적으로 수집하고 행동함으로써 정보로부터. 이는 직감보다는 데이터와 실증적 근거를 활용해 사업 전략을 짜는 것이 더 안정적이라는 점을 지적했다. 이 아이디어는 정보의 가치를 본 다른 사람들에 의해 더욱 강화되었습니다.

1800년대의 마지막 10년 동안 Frederick Taylor는 미국에서 최초로 공식화된 비즈니스 분석 시스템을 도입했습니다. 그의 과학적 관리 시스템은 산업 생산을 촉진하는 더 큰 효율성을 찾기 위해 생산 기술과 노동자의 신체 움직임을 분석하는 시간 연구에서 시작되었습니다.

Taylor는 1900년대 초에 그의 Ford Model T의 각 구성 요소가 조립 라인에서 완료하는 데 걸리는 시간을 측정하기 시작한 Henry Ford의 컨설턴트가 되었습니다. 그의 업적과 성공은 전 세계 제조 산업에 혁명을 일으켰습니다. 그러나 그는 여전히 그것을 위해 펜과 종이를 사용했습니다.

비즈니스 인텔리전스는 컴퓨터에서 향상됩니다.

전자 컴퓨터는 1930년대에 초기 단계였으나 제2차 세계 대전 중에 독일 코드를 해독하려는 동맹국의 노력의 일환으로 빠르게 개발되었습니다.

1950년대까지 컴퓨터는 데이터를 저장하기 위해 주로 펀치 카드나 펀치 테이프에 의존했습니다. 이것은 컴퓨터에서 처리할 정보를 저장하는 작은 구멍이 있는 거대한 카드 더미였습니다. 그러나 1956년에 IBM은 최초의 하드 디스크 드라이브를 발명하여 더 큰 액세스 유연성으로 많은 양의 정보를 저장할 수 있게 되었습니다.

그 후 얼마 지나지 않아 1958년 IBM 연구원 Hans Peter Luhn은 A Business Intelligence System이라는 역사적 논문을 발표했습니다. 그는 "관심 프로필"을 기반으로 "행동 포인트"에 문서를 "선택적 배포"하는 시스템의 가능성에 대해 이론화했습니다. 정보 시스템이 사용자의 관심사를 기반으로 학습하고 예측하는 능력으로 오늘날 최첨단의 여러 비즈니스 인텔리전스 트렌드를 예측했기 때문에 그의 작업은 오늘날에도 지대한 의의를 가지고 있습니다. 오늘날 우리는 그것을 기계 학습이라고 부릅니다. Luhn은 비즈니스 인텔리전스의 아버지로 널리 알려져 있습니다.

Luhn이 제안한 개념은 여러 이해 당사자의 관심을 끌었지만 그 아이디어는 당시에 너무 비싸서 실용적으로 사용되지 않았습니다. 이를 경제적으로 실행 가능한 솔루션으로 만들기 위해서는 더 많은 기술 발전이 필요했습니다.

다음 10년 동안 컴퓨터 사용은 폭발적으로 증가했습니다. 각 컴퓨터는 건물의 한 층 전체를 차지하는 거대한 기계였으며 제대로 작동하려면 여러 고급 엔지니어가 관리해야 한다는 점을 고려했을 때였습니다. 전문가들은 데이터에서 결론을 추출하기 위해 컴퓨터를 사용하는 아이디어를 다시 다루었지만 주요 문제는 모든 데이터를 한 곳에 모을 수 있는 중앙 집중식 방법이 없다는 것이었습니다. 데이터 자체로는 통찰력을 생성할 수 없습니다. 이 문제를 해결하기 위해 최초의 데이터베이스 관리 시스템이 설계되었습니다. 나중에 그들은 단순히 데이터베이스라고 불릴 것입니다. 이 1세대는 이진 트리 전략을 사용하여 첫 번째 데이터베이스 검색을 허용했습니다. 이 전략은 당시에는 여러 문제를 해결했지만 오늘날에는 너무 무겁고 비효율적인 것으로 간주됩니다. 그럼에도 불구하고, 그것을 감당할 수 있는 회사를 위해 이 새로운 도구는 가치를 제공했으며 사용 가능한 데이터에서 최종적으로 결론을 내리는 데 사용되었습니다.

BI 기술 향상: 빅 플레이어가 현장에 진입

1970년 IBM의 Edgar Codd는 A Relational Model of Data for Large Shared Data Banks라는 논문을 발표했습니다. 차세대 관계형 데이터베이스를 위한 길을 열었고 데이터를 저장하고 조작할 수 있는 훨씬 더 넓은 용량을 허용했습니다. 그러나 이상하게도 IBM은 현재 데이터베이스 시스템의 수익을 유지하기 위해 Codd의 설계 구현을 자제했습니다. 경쟁업체가 이를 구현하기 시작한 후에야 IBM이 그 뒤를 따랐습니다.

이때까지는 최초의 비즈니스 인텔리전스 제공업체가 등장할 수 있는 시장이 충분했습니다. 그 중에는 SAP, Siebel, JD Edwards가 있습니다. 당시에는 의사결정 지원 시스템(DSS)이라고 불렸습니다.

이 시점에서 가장 큰 문제는 이러한 데이터베이스가 "사일로(silo)" 문제를 겪었다는 것입니다. 매우 1차원적이기 때문에 사용 유연성이 매우 제한적이었습니다. 하나의 데이터베이스는 "OH, NJ, NY"로 도시를 코딩하고 다른 데이터베이스는 "Ohio, New Jersey, New York"을 사용하는 것과 같은 단순한 문제라도 상호 참조를 어려운 작업으로 만들었습니다.

그러나 수익성 있는 데이터 사용의 성공적인 사례가 점점 더 많아졌습니다. 당시 가장 유명한 것 중 하나는 Nielsen에서 나왔습니다. 시청자 측정에 사용되는 Nielsen 등급으로 알려진 마케팅 도구는 TV 세트에 연결하고 어떤 채널을 기록했는지 기록하는 Audimeter라는 장치를 사용하여 특정 TV 프로그램을 시청하고 있는 사람의 수를 측정하는 데 사용되었습니다. 감시되고 있었다.

Nielsen 등급은 TV 업계에서 가장 많이 본 국가 등급 보고서로 간주되었습니다. 그러나 1년에 4번 "블랙 위크"가 있었습니다. Nielsen 등급이 보고되지 않은 주였습니다. 이 '블랙위크'에 시청률을 측정할 자신 있는 방법이 없었기 때문에 TV 네트워크는 재방송으로 일정을 채웠습니다.

업계와 청중 모두 이미 "블랙 위크"에 익숙해졌지만 1973년 9월에 종료되었습니다. Nielsen은 플로리다에 있는 회사의 비즈니스 인텔리전스 컴퓨터에 1,200가구를 직접 연결하는 SIA(Storage Instantaneous Audimeter)를 도입했습니다. 단 36시간 만에 국가 등급을 산출할 수 있으며, 이는 회사의 이전 시스템에 걸리는 1~2주보다 훨씬 짧습니다. 국가 등급은 연중 매일, 매주 사용할 수 있습니다. 더 이상 "블랙 위크"가 필요하지 않았고 데이터를 훨씬 더 많이 사용할 수 있었습니다.

70년대 말에 Larry Ellison과 두 친구는 Oracle 데이터베이스의 첫 번째 상용 버전을 출시했습니다. 그것은 시장에서 최초의 진정한 관계형 데이터베이스 관리 시스템으로, 훨씬 더 유연한 검색을 허용하는 보다 강력한 구조를 위해 계층적 데이터베이스 및 네트워크 데이터베이스의 그때까지 사용된 아이디어를 대체했습니다. 이 기술은 앞으로 수십 년 동안 BI의 역사와 동향을 좌우할 것입니다.

BI 성장의 중요성: 더 많은 공간이 필요합니다!

스토리지 공간에 대한 더 낮은 가격과 더 나은 데이터베이스는 차세대 비즈니스 인텔리전스 솔루션을 가능하게 합니다. 랄프 킴볼(Ralph Kimball)과 빌 인몬(Bill Inmon)은 비즈니스의 모든 데이터가 같은 장소에 있어야 분석할 수 있다는 문제에 대해 서로 다르지만 유사한 두 가지 전략을 제안했습니다. 데이터 웨어하우스(DW)였습니다. Inmon은 많은 사람들에게 데이터 웨어하우스의 아버지로 인식됩니다.

데이터 웨어하우스는 다른 데이터 소스(대부분 다른 데이터베이스)에서 많은 데이터를 집계하도록 설계된 데이터베이스로, 이러한 다양한 소스를 상호 참조할 수 있는 기능으로 훨씬 더 심층적인 분석이 가능합니다. 그러나 여전히 너무 기술적이고 비쌌습니다. 많은 고가의 IT 기술 직원이 보고서를 실행하고 유지 관리해야 했습니다.

당시 최고 경영진은 Crystal Reports 및 Microstrategy와 같은 BI 솔루션의 결과물에 의존했습니다. 그리고 물론 마이크로소프트 엑셀(1985년 출시)도 있었다. 이제 비즈니스 인텔리전스는 의사 결정 프로세스에 사용할 수 있는 도구의 필수적인 부분이 되었습니다.

1989년 Gartner Group의 Howard Dresdner는 "사실 기반 지원 시스템을 사용하여 비즈니스 의사 결정을 개선하는 개념 및 방법"을 설명하는 포괄적인 용어로 "비즈니스 인텔리전스"라는 용어를 대중화하는 데 기여했습니다.

비즈니스 인텔리전스 1.0

90년대에는 더 많은 경쟁업체가 시장에 진입하고 더 많은 IT 전문가가 이 기술을 알게 되면서 데이터 웨어하우스 비용이 감소했습니다. '비즈니스 인텔리전스 1.0'의 시대였습니다.

데이터는 이제 최고 경영진뿐만 아니라 기업 직원 전체가 일반적으로 액세스할 수 있었습니다. 그러나 이때 문제는 새로운 질문을 하는 데 여전히 비용이 많이 든다는 점이었습니다. 질문이 "설계"되면 답변은 신속하게 제공되지만 해당 질문에 대해서만 가능합니다.

이러한 노력을 줄이기 위해 다양한 쿼리 프로세스를 가속화하기 위해 몇 가지 새로운 도구와 "구성 요소"가 개발되었습니다.

• ETL(추출, 변환 및 로드)은 프로그래밍 언어와 유사한 일련의 도구로 데이터 웨어하우스 내에서 데이터 흐름을 보다 쉽게 ​​설계할 수 있게 해주었습니다.
• OLAP(온라인 분석 처리)는 쿼리된 데이터에 대해 다양한 시각화 옵션을 생성하는 데 도움이 되었으며 분석가가 현재 정보에서 더 나은 결론을 추출할 수 있도록 지원합니다.

오늘날까지 ETL 및 OLAP 도구는 여전히 비즈니스 인텔리전스 솔루션의 중요한 부분입니다.

ERP(전사적 자원 관리) 시스템이 대중화된 시기이기도 합니다. 이들은 비즈니스 측면을 관리하고 자동화하기 위해 애플리케이션을 통합하는 거대한 관리 소프트웨어 플랫폼입니다. 그들은 또한 데이터 웨어하우스를 위한 구조화된 데이터를 제공했으며 이후 몇 년 동안 전 세계 모든 주요 기업의 핵심이 될 것입니다.

1995년에 Microsoft는 최초의 "사용자 친화적" 운영 체제인 Windows 95를 출시했으며 컴퓨터는 일반적인 가정 용품이 되었습니다. 이것은 사람들이 다음 수십 년 동안 데이터를 생산하고 소비하는 방식에 지대한 영향을 미칠 것입니다.

BI 중단: 새 천년의 데이터 폭발

2000년까지 비즈니스 인텔리전스 솔루션은 이미 모든 중간 규모에서 대규모 기업의 "필수품"으로 확립되었습니다. 이제는 경쟁력을 유지하기 위한 요구 사항으로 널리 간주되었습니다.

솔루션 공급자의 관점에서 볼 때 IBM, Microsoft, SAP 및 Oracle과 같은 소수의 대규모 경쟁업체의 손에 풍부한 솔루션이 통합되기 시작했습니다.

이 기간 동안 몇 가지 새로운 개념이 등장했습니다. 데이터 웨어하우스를 최신 상태로 유지하는 것이 어렵기 때문에 일부 기업은 접근 방식을 재고하여 DW를 "단일 정보 소스"로 전환했습니다. 이미 존재하는 데이터의 경우 다른 프로그램은 자체 정보를 사용하는 대신 DW에서 제공한 정보를 사용하므로 대부분의 데이터 비호환성 문제가 제거됩니다. 말은 쉽지 않았고 많은 기술적 문제를 제공했습니다. 그러나 이 개념은 매우 유용하여 다음 몇 년 동안 시장에서 사용 가능한 솔루션이 이 전략을 채택하도록 조정되었습니다.

데이터가 점점 더 풍부해지고 BI 도구가 그 유용성을 입증함에 따라 개발 노력은 정보를 사용할 수 있는 속도를 높이고 액세스의 복잡성을 줄이는 방향으로 진행되었습니다. 도구를 사용하기가 더 쉬워졌고 비기술자도 이제 기술 지원의 도움 없이 스스로 데이터를 수집하고 통찰력을 얻을 수 있습니다.

2000년대 초반 소셜 네트워킹 플랫폼의 붐은 인터넷에서 일반 대중의 의견을 자유롭게 사용할 수 있는 기반을 마련했으며 이해 관계자는 데이터를 수집(또는 "마이닝")하고 분석할 수 있었습니다. 2005년까지 비즈니스 세계의 상호 연결성이 증가함에 따라 기업은 이벤트의 데이터가 실시간으로 발생하는 데이터 웨어하우스에 통합될 수 있는 실시간 정보가 필요했습니다.

올해는 사용자가 웹사이트 데이터를 분석할 수 있는 무료 방법을 제공하는 Google Analytics가 도입된 해입니다. 빅데이터 라는 용어가 처음 사용된 해이기도 합니다. O'Reilly Media의 Roger Magoulas는 "기존 비즈니스 인텔리전스 도구를 사용하여 관리하고 처리하는 것이 거의 불가능한 대규모 데이터 세트"를 언급했습니다.

기하급수적으로 증가하는 데이터 양을 관리하는 데 필요한 추가 저장 공간과 컴퓨팅 성능에 대처하기 위해 기업은 다른 솔루션을 찾기 시작했습니다. 더 크고 더 빠른 컴퓨터를 만드는 것은 문제가 아니므로 한 번에 여러 대의 컴퓨터를 사용하는 것이 더 나은 옵션이 되었습니다. 이것이 클라우드 컴퓨팅 의 씨앗이었습니다.

BI의 현대적 사용

지난 10년 동안 빅 데이터, 클라우드 컴퓨팅 및 데이터 과학은 거의 모든 사람에게 알려진 단어가 되었습니다. 현재로서는 지난 몇 년 동안 어떤 새로운 발전이 가장 영향력이 있었는지 인정하기 어렵습니다. 그러나 현대 분석 도구의 성장하는 힘을 보여주는 몇 가지 흥미로운 사례가 있습니다.

광고, 쿠키 및 AdTech

2012년에 New York Times는 Target이 부모보다 먼저 고등학생의 임신을 우연히 발견한 방법을 설명하는 기사를 게시했습니다. 분석을 통해 그들은 함께 구매했을 때 여성이 임신했을 가능성이 있음을 나타내는 25개의 제품을 식별했습니다. 이 정보의 가치는 여성의 쇼핑 습관이 바뀔 수 있는 시기에 Target이 임산부에게 쿠폰을 보낼 수 있다는 것입니다.

분노한 아버지는 미니애폴리스 외곽의 타겟으로 걸어 들어가 매니저를 만나자고 요구했습니다. 그는 딸이 아직 고등학생인데도 아기옷 쿠폰을 받는 것에 대해 불평했다. 매니저는 회사 이름으로 깊이 사과했지만, 며칠 후 아버지는 사과하기 위해 다시 전화를 걸어 이렇게 말했습니다. 그녀는 8월 예정이다. 나는 당신에게 사과해야 합니다.”

이 일화적인 예는 데이터 분석의 현대적 힘을 보여줍니다.

정치

오바마 재선 캠페인 전략은 분석에 크게 기초했습니다. 많은 전문가들은 성공의 주요 원인 중 하나로 그것을 지적합니다. 캠페인 매니저인 Jim Messina가 설계한 이 전략은 유권자에 대한 데이터를 수집하고 이를 사용하여 1) 유권자 등록, 2) 오바마에게 투표하도록 설득, 3) 선거 당일 투표에 참여하는 데 중점을 두었습니다. 약 100명의 데이터 분석가가 HP Vertica에서 실행되고 R 및 Stata로 코딩된 환경을 사용하여 이러한 노력의 일부를 수행했습니다.

이러한 목표를 달성하기 위해 여러 이니셔티브가 적용되었으며 그 중 하나가 Airwolf였습니다. 현장 팀과 디지털 팀의 노력을 통합하기 위해 구축된 이 솔루션은 유권자가 방문 캠페인에서 현장 팀과 접촉하면 관심 사항이 기록되도록 하여 특별히 맞춤화된 지역 주최측으로부터 자주 이메일을 받을 수 있도록 했습니다. 각자 좋아하는 캠페인 이슈에

분석가는 올바른 도구와 데이터를 사용하여 데이터의 출처에 상관없이 거의 모든 질문에 빠르고 쉽게 답변할 수 있습니다. Obama 캠페인의 성공으로 빅 데이터 분석 환경은 이후 모든 캠페인의 표준 요구 사항이 되었습니다.

과학

인간 게놈 프로젝트는 2003년에 완료되었지만 많은 질문이 풀리지 않았습니다. 인간 DNA를 구성하는 뉴클레오티드 염기쌍의 전체 서열을 매핑했음에도 불구하고 인간 유전학이 어떻게 작동하는지 진정으로 이해하려면 더 집중적인 연구가 필요했으며 이는 빅 데이터에 대한 완벽한 적용이었습니다. 전형적인 인간 게놈에는 20,000개 이상의 유전자가 포함되어 있으며, 각각은 수백만 개의 염기쌍으로 구성되어 있습니다. 단순히 게놈 지도를 작성하려면 100기가바이트의 데이터가 필요하며, 여러 게놈을 시퀀싱하고 유전자 상호작용을 추적하려면 그 수를 수백 페타바이트(경우에 따라 수백 페타바이트)로 늘립니다.

2016년에 발표된 연구에 분석을 적용함으로써 하이파 대학의 과학자들은 유전자의 "사회적 특성"을 관찰할 수 있었습니다. 과학자들이 오랫동안 알아내고자 하는 것은 복잡한 질병의 생성에 참여하는 복잡한 유전적 효과의 내부 작용입니다. 특정 질병의 유전적 발현은 일반적으로 서로 상호작용하는 여러 유전적 마커의 조합에서 비롯되기 때문에 이 목표는 특히 어려웠습니다. 따라서 연구자들은 전체 유전자 서열을 조사해야 할 뿐만 아니라 여러 다른 유전자 간의 상호 작용을 추적해야 합니다.

아직 분석할 데이터가 많지만 크고 작은 수많은 유전적 결함을 이해하고 치료할 수 있는 길이 열려 있습니다.

앞으로의 길

우리는 이제 Facebook이 사진에서 당신의 얼굴을 인식할 수 있고, Google이 어떤 종류의 광고가 당신의 프로필에 가장 잘 어울릴지 예측할 수 있고, Netflix가 어떤 프로그램을 볼 것인지 제안할 수 있는 시대에 도달했습니다. 전화선의 반대편에 있는 누군가와만 대화하는 것이 아니라 자신의 전화와 대화할 수 있는 시대입니다. 엄청난 양의 데이터를 처리하고 처리할 수 있다는 것은 이러한 경이로움이 어떻게 생겨났는지 이해하는 가장 중요한 단계였습니다.

빅 데이터는 여전히 성장하는 추세입니다. 사용 가능한 데이터의 약 90%가 지난 2년 동안 생성되었습니다. 2010년 Techonomy 컨퍼런스에서 Eric Schmidt는 “문명의 여명기부터 2003년까지 전 세계에서 5엑사바이트의 정보가 생성되었습니다. 이제 이틀에 같은 양의 정보가 생성됩니다”라고 말했습니다.

이처럼 방대한 양의 데이터를 처리하는 것은 여전히 ​​많은 과제를 안고 있습니다. 비즈니스 인텔리전스의 최초이자 가장 오래된 골칫거리 중 하나인 데이터 품질은 여전히 ​​까다로운 분야입니다. 분석, 기업이 수집하는 엄청난 양의 데이터를 이해하는 데 필요한 기술 세트도 수요가 많습니다. 이제 기술 분석, 예측 분석, 처방 분석, 스트리밍 분석, 자동화 분석 등 다양한 유형의 분석이 있습니다. 분석은 인공 지능, 기계 학습 및 많은 통계와 같은 데이터에서 통찰력을 추출하기 위해 여러 첨단 기술을 사용합니다. 모델. 드디어 수학자가 멋있는 때입니다.

BI 도구는 이제 의료, 법 집행 등 특정 산업을 염두에 두고 설계되는 경우가 많습니다. 이제 BI 도구는 여러 장치에서 작동하고 여러 시각화 도구를 사용하므로 누구나 대화형 시각적 인터페이스를 통해 데이터에 추론을 적용할 수 있습니다. 모바일 BI는 이제 현실이 되었습니다.

빅 데이터, 머신 러닝, 분석의 장점을 결합하면 미래의 삶이 매우 달라질 수 있습니다. 아마도 당신은 더 이상 식료품점에 갈 필요가 없을 것입니다. 냉장고는 당신의 식습관에 따라 당신에게 가장 필요한 것을 주문할 것입니다. Perchance, 당신은 의사에게 당신이 아프다고 전화하지 않을 것입니다. 왜냐하면 당신이 첫 증상을 느끼기 시작하기도 전에 의사가 당신에게 전화할 것이기 때문입니다.

인류는 이제 정보화 시대에 살고 있으며 비즈니스 인텔리전스는 우리 시대의 중요한 특징이며 모든 것을 이해하는 데 도움이 됩니다. 비즈니스 분석은 이제 많은 대학에서 학위 프로그램이 되었습니다. 비즈니스 인텔리전스의 역사는 상당히 최근이지만, 날이 갈수록 가속화되고 밀도가 높아지고 있습니다. BI의 전성기는 아직 우리 앞에 있습니다.