1.0时代 DaaS（数据库、数仓系统） Data as a Service
工程师支持决策
数据分析1.0 → 工程师支持决策
这是数据仓库的兴起时期，客户（业务）和生产过程（交易）被集中到巨大的存储库中。
在对商业现象的客观理解方面取得了真正的进展，通过数据库工程师管理数据、处理数据、分析数据，
从而让管理者在做出决策时能够基于数据的结果进行理解，而不是仅凭直觉。
从网状/层次数据库到关系数据库数据库已经经历了半个世纪的发展，在缺乏数据分析工具的时期，数据资料掌握在数据库管理员手中，工程师对数据进行分类、组织、编码、存储、检索和维护。然而，这个阶段的局限在于数据仅在公司企业内部使用，即商业智能活动只能处理过去发生的事情，而不能对未来趋势进行预测。
2.0时代 IaaS（BI+数据分析工具） Information as a Service
分析师支持决策
数据分析 2.0 →分析师支持决策
随着各大企业都纷纷走出数据仓库的舒适区，试图用更广泛的方法进行更复杂的分析时，前一阶段的数据分析局限性变得更加突出。
企业都开始通过外部资源获取信息，比如点击流、社交媒体、互联网等，与此同时对新工具的需求也越发明显。
由此出现了大量对于会使用数据分析工具的，专业的分析师的需求，企业希望得到能够从业务入手去分析数据的人员。
通过商业智能，将数据分析人员从大量、简陋的通过数据库分析出的数据图表中解放出来，通过数据分析工具整合企业数据，采用商业智能（BI, Business Intelligence）报表工具实现美观清晰、模块化、动态更新的数据可视化展示，
让管理层或决策者能够基于分析工具的结果做决策。
在这个阶段，公司希望员工能够通过快速处理引擎帮助处理分析大量数据。而且，进一步通过描述性和诊断分析的可视化结果检测趋势、聚类和异常，并预测未来趋势。
企业间也开启了数据分析的竞争，公司不仅通过改善内部决策等传统方式，而且还在不断开发更有价值的产品和服务。
公司正以超乎想象的速度发展，在内部设立更多的研发部门，比如数据科学家、数据工程师、解决方案架构师、首席分析师等人员构成的数据分析团队。
3.0时代 AaaS（机器学习） Answers as a Service
黑盒支持决策
数据分析 3.0→ 黑盒模型支持决策
开创性的大数据公司开始投资数据分析，从而支持面向客户的产品，服务和功能。它们通过更好的搜索算法、购买建议以及针对性广告吸引用户访问其网站，所有这些都是由机器模型所驱动的。大数据现象迅速蔓延，如今不仅是科技公司在通过机器模型开发产品和服务，几乎每个行业的公司都是如此。
机器学习训练模型旨在使用科学方法、探索过程、算法等从各种形式的数据中获得知识、分析见解、预测趋势。通过机器学习创建更多模型，从而让预测变得更加细化和精确，通过智能系统实现自动化的数据分析。
“结合统计、数据分析、机器学习”用数据“理解和分析实际现象”。换句话说，良好的数据加上出色的训练模型能够产生更好的预测结果。科技行业在数据科学的帮助下迅速发展，并充分利用预测性和规范性对未来趋势进行预测。
4.0时代 KaaS（知识即服务） Knowledge as a Service
规则支持决策
数据分析 4.0 → 规则支持决策
数据分析发展至今主要有四种分析类型：描述，阐述过去; 诊断，利用过去的数据研究现在; 预测，通过基于过去数据的见解来预测未来; 规范，通过模型指导最佳行为。
虽然数据分析3.0包含了上述所有类型，但它强调的是最后一种，且在企业追求数据效益的同时，机器模型也暴露出了它在分析业务场景下的短板——黑盒问题。无法使决策者知晓分析预测问题的过程和原因。
数据科学家们开始考虑如何解决这一关键的问题，在各种方法的探索与实践下发现逻辑规则融合机器学习的创新技术能够突破黑箱瓶颈。
既让机器模型保持学习、预测的能力，同时具备了一定的可解释性。
毫无疑问，人工智能、机器学习、深度学习已经对现在的时代带来深刻的影响。机器翻译、智能回复、聊天机器人、会议助理等功能将在未来几年内得到广泛应用。数据挖掘技术、机器学习算法都已取得了大量成果，规则支持决策将成为决策分析的新阶段。