商业智能（商业情报，Business Intelligence）在各种媒体上随处可见，似乎所有组织都在使用商业智能各种工具，然而，事实上很多技术领域和管理领域仍然没有征服，有效利用商业智能面临巨大挑战，下面总结了前十大挑战：
- 当前的商业智能系统在处理结构化数据（structured data）方面很有效，例如，数据库或者数据仓库中的数据；而在非结构化数据(unstructured data)的处理方面，成功案例少有报道；
- 与各种过程管理方法和技术集成是商业智能系统的第二个挑战，例如，与六西格玛(six sigma)和CMMI(Capability Maturity Model Integrated)等质量和过程管理方法的集成；
- 缺少评价／评估手段，变得像人才和品牌等无形资产一样，不利于BI的推广，所以需要一套可量化和实体化的评估模型；
- 趋势分析（Predictive Analytics，有人称为“预示性分析”）／数据挖掘（Data Mining）方法只是被少数组织有效使用，因为这些技术方法仍然很高深，企业组织必须有高端人才才能够用它们解决现实的商业问题；
- 存在很多技术局限性，例如：因为缺少事实数据访问能力而不能实现Operational BI，因为缺少全面的商业元数据（business metadata）而不能实现Guided analytics，因为基于SOA的BI架构而不能实现Information as a Service，凡此等等；
- 数据质量，关系到表达的信息的准确／精确度，使用这样的数据，必然影响BI的分析结果，现状是：要么组织现有的数据已经含有了有害数据（dirty)；要么没有一个有效的监控手段总有一天数据会被污染；
- 随着BI工具的复杂度的持续提高，BI越来越不容易驾驭了，需要开发一个面向商业过程的更高层面的界面；
- 缺少模拟系统，即缺少一个能够描述商业运作过程的模型，这样开发出来的系统实际上是没有充分测试过的，是否能够应用于未来某个商业领域是未知的；
- 没有支持按需分析（On demand analytics），当前正是云计算（Cloud computing）长足发展时期，似乎BI没有跟上步伐，也许应该出现云分析（Cloud Analytics）这个派生领域；
- 打包分析（Packaged Analytics）是有局限性的，因为组织为了快速部署BI系统，都是采用预打包的BI解决方案，部署完成后就需要很长时间优化商业决策计算过程，预打包必然丧失灵活性，而过多照顾灵活性又必然造成部署和运行难度。