过去，供应链分析主要限于用于统计分析和可量化的需求规划和预测性能指标。 数据存储在来自供应链中不同参与者的电子表格中。

到 20 世纪 90 年代，企业逐渐采用电子数据交换 (EDI) 和企业资源规划 (ERP) 系统在供应链合作伙伴之间连接和交换信息。 这些系统更容易获得数据进行分析，并协助企业进行设计、规划和预测。

21 世纪初，企业开始转向商业智能和预测性分析软件解决方案。 这些解决方案帮助企业更深入地了解他们的供应链网络是如何运行的，如何做出更好的决策，以及如何优化他们的网络。

如今的挑战关系到企业如何才能以最佳方式利用供应链网络中生成的海量数据。 在 2017 年，一个典型的供应链访问的数据量是 5 年前的 50 倍。1 然而，这些数据中仅有不到四分之一得到分析。 此外，虽然大约 20% 的供应链数据是结构化的，可以很容易地进行分析，但 80% 的供应链数据是非结构化的或暗数据。2 如今的企业正在寻找方法来最准确地分析这类暗数据。

多项研究表明，认知技术或人工智能将是供应链分析的下一个前沿。 人工智能解决方案超越了信息保留和流程自动化。 人工智能软件能够以类似人类的方式思考、推理和学习。 人工智能还可以处理大量数据和信息（结构化数据和非结构化数据），并即时提供这些信息的汇总和分析。

据 IDC 预计，到 2020 年，50% 的业务软件将包含一些认知计算功能。3 人工智能不仅为跨系统和数据源的数据提供了强大的关联和解释平台，还允许企业实时分析供应链数据和情报。 加上新兴的区块链技术，未来的企业将能够主动预测各类事件。