商业智能可以为企业提供外部和内部两方面的信息分析。外部信息包括竞争者、供应商、原材料、需求、顾客购买模式等信息；内部信息包括产品和服务的成本、质量，进入市场的时间，全员劳动生产率等等。商业智能通过将信息转换为知识，帮助企业了解新的趋势、抓住新的市场机会、发现潜在的威胁，从而更好的优化资源、改进财务绩效、引导产品潮流、提高服务水平，保持企业的竞争优势。

提到商业智能，不得不提到数据库和数据挖掘。上个世纪60年代早期，第一个通用的DBMS（数据库管理系统）由Chares Bechman在通用电器工作时设计，当时被称为集成数据存储。它奠定了网状、层次数据模型的基础，而这个阶段也被看作是数据库历史中前关系型数据库时期。

70年代，时任IBM研究员的E.F.Codd博士首次提出了关系型数据库的数据模式和理论，后经过商务开发和论证，最终以今天风行世界的关系型数据库获得了大量的应用。到上个世纪90年代，关系型数据库应用已经非常普及，大型企业或部门积累了大量的原始数据，这为以数据存储为目的的联机分析处理系统(OLTP)创造了良好的外部环境。

数据仓库(DW)的出现，给充分利用已有数据，进行复杂查询，提供更好的决策支持提供了可能。数据仓库建立起来后，定期的数据装载(ETL)成为数据仓库系统一个主要的日常工作，早期的商务职能应用已经初具雏形，也出现了专门做数据装载(ETL)的公司，如Ascential、Informatica等。

数据挖掘(DM)技术的出现在一定程度上可以认为是现代商业智能的第二个阶段——将装载的数据通过智能存储转变为知识。数据挖掘就是从大量数据中发现潜在规律、提取有用知识的方法和技术。数据挖掘不但能够学习已有的知识，而且能够发现未知的知识；得到的知识既能为非技术人员所看懂，又便于存储和应用，因此一出现就得到各个领域的重视。从80年代末的初露头角到90年代末的广泛应用，以数据挖掘为核心的传统商业智能已经成为IT及其它行业中的一个新宠。

随着商业智能的普及应用，单纯的对历史数据进行整理、统计、分析，已经不能满足企业对业务发展的需要，企业不但要求商业智能对历史数据进行准确展现、查询、分析，更希望商业智能可以对历史数据做前瞻性分析，以预测自己的企业在未来即将发生的状况。以电信行业为例，商业智能通过对历史数据的分析，以及不同客户群体的消费数据的分析，将不同客户群体的消费特征知识化，并制定相关的促销和客户关怀方案，从而达到更高的客户满意度，预测今后几年的客户发展情况和业绩增长。传统的商业智能仅仅停留在对历史数据的展现、查询、分析上，这成为商业智能发展的一个瓶颈。

企业商业智能平台（EIP）的出现将商业智能推向了新的阶段。EIP包含了数据收集、存储、挖掘、分析及预测等全方位功能，构成一条完整的智能价值链，提供了统一的智能平台和分析。针对未来，根据历史数据来预测未来发生的情况。

根据最新的Gartner调查显示，商业智能（BI）工具运用已越发成为CIO们首要考虑的因素，为了更快地应对公司对数据的需求，并且能够形成自助报表模型，提高企业收益能力和企业决策能力，许多公司在商业智能（BI）上的投资正日益增加。据IDC对欧洲和北美62家采用了商业智能技术的企业的调查分析发现，这些企业的3年平均投资回报率为401%，其中25%的企业的投资回报率超过了600%。