12.1智慧企业
IBM认为，智慧企业能够优化三个相互依赖的业务维度：一是智慧的盈利性增长。智慧企业在增加客户数量、改进关系、发现新市场和开发新产品与服务方面有更多的机会；二是成本减少和效率提升。智慧企业可以优化资源和资本的分配与部署，以提高效率并以一种符合其业务战略和目标的方式来管理成本；三是主动式风险管理。由于预测和识别风险事件的能力的增强，再加上准备和应对这些事件的能力，智慧企业在结果方面具有更少漏洞和更大的确定性。这三个维度中，每一个维度都是企业优化的重要组成部分，针对任何一个维度的决定或行动，都会对其他维度产生影响。
智慧企业包含以下六大特征：
1.清醒：智慧企业是“清醒的”。就是说，它们从所在环境中的每个节点、人和传感器收集、感知和使用结构化和非结构化的信息。它们将激励其员工和合作伙伴，与世界保持一年365天、每天24小时的密切联系。
2.联系：智慧企业以一种符合其需要获取的业务结果的方式跨越地区、部门、业务单元和团队，将从前端到后端的内部和外部职能连接起来。它们能够将分散的团队联合起来，以共享和利用信息，从而实现互惠互利。它们会将其各方面的人才相互联系起来，并与外部世界相联系，以使他们能够全面接触可以获得的所有信息和想法。
3.精确：智慧企业只使用最相关的信息来支持其更接近影响和结果的及时决策和行动。信息是在一定的背景下提供的，从而提供了以有力和有意义的方式迅速采取行动的能力。智慧企业会重新分配“智力带宽”，所以员工能够专注于服务、创新和未来的改进。
4.质疑：智慧企业会质疑现状，同时创造新的机会。它们很少按照表面价值来看待任务，而是发掘出其包含的机会：如何以更低成本、更快速度、更高质量完成这一任务？如何令某个客户更加满意？如何使这更安全？使工作处于掌控之下，不再是终点，而是改进明天的工作的手段。
5.赋能：智慧企业支持和扩展员工的记忆力、洞察力、活动范围及决策和行动的权力。随自动化功能完成越来越多的常规决策，员工被授予了进行更高价值的决定并据以采取行动的权力。向员工和自动业务代表赋能，要求文化上的转变：从一种连续监督的文化转变为一种信任和支持的文化。
6.预测：智慧企业会进行预测和未雨绸缪。它们不只是做出反应或者调整行动方案，还会驾驭和评估折中方案。而对未来的建模和模拟，则建立在过往事件的丰富历史记录和外部洞察力的基础之上。由于具备预测可能路线的能力，智慧企业知道在新情况发生时应当需要做些什么。
企业在智慧化的过程中应做好六个方面的准备：将数据治理纳入管理体系，成立相关部门和责任人体系；加强信息基础化建设，建立系统统一的数据收集方法和数据标准；将数据应用固化到管理系统的关键步骤中，成为优化运营必需的依据；数据分析和业务优化与公司发展的战略目标和业务目标高度一致，紧密结合；将数据治理及数据利用水平作为相关业务部门考核的关键指标；拥有成熟的工具和创新方法对数据进行分析和解读，包括与第三方合作伙伴进行数据分析业务的合作。
下面从商务智能、智慧运作、动态架构和智能企业门户等几个方面来介绍智慧企业。
12.2商务智能
12.2.1商务智能概念
商务智能没有一个统一的定义，商务智能解决方案的领导者IBM官方网站提出的定义如下：“商务智能是指利用已有的数据资源做出更好的商业决策。它包括数据访问、数据和业务分析以及发现新的商业机会。”其实质就是从现有的结构化和非结构化的数据中，有效地提取去除噪音后的信息，然后对信息进行量化分析和语义分析，从而发现知识规律，为人类的思维决策和战略发展服务。在上述定义之后，商务智能专家王茁给商务智能下了一个更为明确的定义：“商务智能是企业利用现代信息技术收集、管理和分析结构化和非结构化的商务数据和信息，创造和累计商务知识和见解，改善商务决策水平，采取有效的商务行动，完善各种商务流程，提升各方面商务绩效，增强综合竞争力的智慧和能力。”并对商务智能的概念进行解释：
企业——这里用“组织机构”或“实体”会显得更完整，因为所有的组织机构和实体（不只是企业）都可以而且应该利用商务智能；之所以仍用“企业”是为保持与“商务”的一致性。各行各业，包括非企业性机构，比如政府部门、教育机构、医疗机构和公用事业等，都应该而且能够利用商务智能。
利用现代信息技术——这是这一定义中的关键之一，现代信息技术的发展产生了信息经济和信息社会，在这一新型的经济和社会形态中，信息的爆炸式激增又产生了对能够处理和控制信息的新技术的强烈需求；商务智能就是新的信息技术在商务分析中的有效利用。商务智能过程中所涉及的信息技术主要有：从不同的数据源（交易系统或其他内容储存系统）收集的数据中提取有用的数据，对数据进行清理以保证数据的质量，将数据经转换、重构后存入数据仓库或数据集市（这时数据变为信息），然后寻找合适的查询、报告和分析工具和数据挖掘工具对信息进行处理（这时信息变为辅助决策的知识），最后将知识呈现于用户面前，转变为决策。
收集——收集数据是管理和分析数据的前提，数据收集工作是十分重要的，必须引起企业的充分重视。收集的数据，包括结构性的数据（关系数据等）通常都是以表格的形式存在和展现的。传统的商务智能概念只包括这种结构化的、可定量的数据。，也包括非结构化的数据（html，xml，doe，rtf等），非结构化的数据和信息主要是上面的提到的各个部门和各个员工创造和收集的、没有放在各种交易系统中的内容，通常是以零散的文件形式存在和展现的；新的商务智能概念纳入了非结构化内容的分析，但是非机构化的内容的管理仍然主要是通过文件管理和内容管理（Document Management&；Content Management）软件来进行的。既包括企业内拥有的数据，也包括第三方产生的有用数据。
管理主要是指对数据的储存、提取、清洗、转换、装载、整合等工作，其目的主要是为了提高数据的质量和安全性。
分析是一个广泛的概念，这里包括数据查询、数据报告、多维分析、数据挖掘、高级统计分析等。大多数人理解的商务智能都集中在这些分析工具上。
商务数据和信息—商务数据和信息并不能加以狭隘的理解，这里所致的商务数据和信息包括一切可能对商务产生影响的、直接和间接的数据和信息，往小里说包括顾客的名字、地址和电话号码等，往大里说包括过国际上的政治、经济、文化和军事情况等。
创造和累计商务知识和见解—这是商务智能的第一层的目的和功能，也是最直接的目的和功能；“知识和见解”正是“智能”得名的由来。
改善商务决策水平——这是商务智能的更高一层的目的和功能，企业能否利用好这一功能、实现这一目的在很大程度上取决于领导者的意识和胸襟以及企业文化中决策科学化和民主化的成分。
采取有效的商务行动——采取有效的商务行动是创造和累计商务知识和见解、改善商务决策水平的目的和动力。商务智能是能够指导实战的高明兵法，而不是“无所不知、但无能为力”的“纸上谈兵”。
完善各种商务流程—残缺、散乱、僵化、低效的商务流程是企业的顽疾，商务智能能够为这一顽疾的诊断和治疗做出一定的贡献；优化后自动化的商务流程反过来也会促进商务智能的发展。
提升各方面商务绩效—这是商务智能在企业内部的最高目的和作用，有效的商务智能系统和技术能够帮助企业提升各个方面的绩效：财务的和非财务的，前台的和后台的，企业内的和供应链内的，组织的和个人的。企业绩效管理已成为热门的管理和技术概念，这既是因为各种软件厂商的推动又是因为企业所面临的绩效方面的压力的增大。
增强综合竞争力的—这是商务智能在企业中的最高目的和作用。商务智能事关企业的兴衰成败和生死存亡。如今以及未来企业之间的竞争是主要是综合智能上的竞争，不管是中国企业还是外国企业，不管是国有企业还是民营企业，不管是大企业还是小企业，都必须提高企业经营和竞争活动中的智能水平，争取成为优秀的智能企业。
智慧和能力—把商务智能分为智慧和能力是因为真正的商务智能既有思想层面也有行动层面。
12.2.2商务智能的作用
由于企业之间的激烈竞争，企业的经营者为求生存不得不想方设法维持生存下去，因此面对海量的各种信息并根据这些信息做出实时的决策，然而事后回头审视这些决策时，会发现影响决策有效性的最重要的信息总是不能充分支持有效决策。商务智能根据其定义，利用现代信息技术整合企业所拥有的结构化和非结构化的数据，并进行智能语义分析处理，利用联机分析和数据分析方法，挖掘出潜在的有用数据，并把它们转化成信息和知识来避免企业中的猜测行为和无知状态，提供给决策者作为运营的决策依据对于一般企业来书，商务智能主要应用在以下几个方面：
1.了解运营情况
通过商务智能可以帮助企业宏观了解本身运营状况和推动力量，了解运营上的异常情况，洞察企业行为对业务的影响。
2.衡量绩效，促进创新
可以量化分析企业或员工的绩效，鼓励和引导员工的积极性，推动企业创新，增加企业竞争力。
3.创造机会
通过商务智能可以分析潜在的客户，在电子商务中，能够跟踪客户，进行个性化精确营销。
4.增加用户体验
使用商务智能分析，可以分析用户可能的行为，为用户进行个性化的推送和服务，促进用户体验。
12.2.3商务智能关键技术
1.数据挖掘
数据挖掘，Data Mining是一种决策支持过程，它主要基于Al、机器学习、统计学等技术，高度自动化地分析企业原有的数据，做出归纳性的推理，从中挖掘出潜在的模式，预测客户的行为，帮助企业的决策者调整市场策略，减少风险，做出正确的决策。
数据抽取（Extract）、转换（Transform）、清洗（Cleansing）、装载（Load）的过程。构建数据仓库的重要一环，用户从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去。
使用元数据自动映射技术原理：使用数据库数据字段发现技术和资讯元数据描述规范，对资讯信息进行对应匹配，把非结构和结构化的数据统一进行资讯信息描述，提高数据描述准确性。
自动映射的原则：即最相近的语义、最精确的匹配、最广泛的兼容，一般而言，一个元数据规范与其他异构的元数据规范是不能精确的完全同一转换的。因此在做元数据术语映射时，应遵循最相近的语义原则，而无需强求两个不同规范间术语语义的完全一致性。同时这一原则也说明映射的基础是语义的相似性。
2.数据仓库
数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。本世纪80年代中期，“数据仓库之父”WithamH.lnmon先生在其《建立数据仓库》一书中定义了数据仓库的概念，随后又给出了更为精确的定义：数据仓库是在企业管理和决策中面向主题的、集成的、与时间相关的、不可修改的数据集合。与其他数据库应用不同的是，数据仓库更像一种过程，对分布在企业内部各处的业务数据的整合、加工和分析的过程。而不是一种可以购买的产品。是提供用户用于决策支持的当前和历史数据，这些数据在传统的操作型数据库中很难或不能得到。数据仓库技术是为了有效地把操作型数据集成到统一的环境中以提供决策型数据访问的各种技术和模块的总称。所做的一切都是为了让用户更快更方便查询所需要的信息，提供决策支持。
3.联机分析处理
联机分析处理（OLAP）的概念最早是由关系数据库之父E.F.Codd于1993年提出的。当时，Codd认为联机事务处理（OLTP）己不能满足终端用户对数据库查询分析的需要，SQL对大数据库进行的简单查询也不能满足用户分析的需求。用户的决策分析需要对关系数据库进行大量计算才能得到结果，而查询的结果并不能满足决策者提出的需求。因此Codd提出了多维数据库和多维分析的概念，即OLAP。
联机分析处理与数据仓库密切相关，它用于支持复杂的数据库分析操作，偏重对于决策人员提供支持。可以对大数据量的信息进行快速、灵活的复杂查询处理。联机分析处理的实施需要建立在三层客户机与服务器结构上，它将应用逻辑、图形用户界面及DBMS严格区分，从而实现多维综合的检索引擎。
