中台战略是企业数字化转型的必经之路

在信息化时代，企业通过将客户、产品、规则和业务流程以数据形式录入系统，实现企业信息化。传统烟囱式IT架构以平台化架构承载业务逻辑和功能实现。传统烟囱式IT架构（如图1所示）导致数据“孤岛”，数据关联价值、融合价值无法发挥。

从功能架构上看，烟囱式IT架构会导致承载相似业务的平台出现低水平重复建设的问题，且各个业务系统间互联互通难度高。中台思维应运而生，其本质是通过数据贯通融合和功能开放共享，实现面向前台的敏捷响应，降低研发成本，加速创新业务孵化。

在数据层面上，中台通过打破不同项目的数据“藩篱”，实现数据的汇总、融合，推动业务数据化；在解决数据一致性问题的基础上，依托大数据、人工智能等新技术，形成面向不同场景的数据视图，支撑企业营销、生产等业务决策，实现数据业务化。

在IT层面上，企业抽象、沉淀相似业务流程、逻辑，下沉可被不同项目复用的能力，以接口的方式向多业务系统开放。能力下沉后，项目系统间的通信变为不同业务模块的接口通信，互联互通不再是难题。不仅如此，可复用功能的共享能加速企业新业务的上线，降低试错成本，提升业务响应速度。

中台是企业应对宏观环境转变、用户需求转变的IT治理升级形式，通过IT架构的升级，满足用户多样化需求，实现运营精细化。中台是业务发展催生IT升级的演进结果。

互联网企业实践证明中台效应

2015年，阿里巴巴提出大中台战略，依托共享事业部建设企业级中台架构，实现一套中台体系，支撑天猫、淘宝、一淘等多个项目。阿里巴巴中台有效降低了存储资源和计算资源，数据存储量提升了 6 倍，直接节约约 6 亿元，并且极大地缩短了新业务的上线时间。

2018 年起互联网头部企业逐步推出自己的中台战略：腾讯调整七大事业群，成立技术委员会，并推行“All in 产业互联网”战略；京东按照前、中、后台进行组织架构调整，并规划中台建设。

除了互联网企业，快消、餐饮、传统制造业和房地产等多行业已经开始关注中台，逐步推出自己的中台架构，同时国内也涌现出一批独立的中台软件服务商。中台市场规模预测结果如图2 所示，预计2022年中国中台市场规模有望达到179.4亿元。

阿里巴巴IT架构演进

阿里巴巴的中台架构

阿里巴巴的业务中台的核心在于把用户服务的核心链路——会员、商品、交易、营销、店铺、商户结算，当作一个整体的平台产品，IT开发在企业内部不是承载研发需求的被动角色，而是通过全环节贯通打造一个大的中台产品，为前端业务提供整体的解决方案。

阿里巴巴的中台建设，不仅是IT层面的技术演进，而且是技术、业务和组织的全面升级。阿里巴巴中台破除了IT系统层面上的部门墙，组织层面通过垂直化的事业部，实现以业务条线规划团队，而不是从管理者的角度思考问题。不仅如此，阿里巴巴构建了组织中台，专项支撑中台建设，保障中台的顺利升级和后期的运营维护。

阿里巴巴中台的建设经验是：技术的升级最终目标一定是促进业务的发展，因此，建设中台应首先从业务层面确定战略，统一目标，以企业级力量构筑中台。

“研产供销服”一体的长业务链企业

“研产供销服”一体的企业也可以分为两类：一类是传统的制造、销售为一体的企业；另一类是随着技术发展和创新，较为新兴的制造型企业。两类企业有着一个共同点：生产和运营解耦。生产包括研发、生产制造和供应环节，运营包括销售和服务环节。

对于传统企业中石化来说，产品类型、标准相对固化，其产品更新升级低频响应市场需求，因此生产和运营环节天然解耦。本文中的另一类长业务链企业——华为和小米，其产品竞争压力大，技术升级发展速度快，因此产品高度响应市场需求。

但是，长业务链条面临两个问题，一是串行式业务单纯以销量推动生产，导致企业效率的降低，也不符合当前柔性制造的发展趋势；二是忽略了技术驱动产品创新带来的业务提升。

因此为实现产品侧创新驱动和销售侧的供应链柔性拉动，长业务链企业一般会通过组织和战略，解耦运营和生产，具体如图5所示。两类企业的中台建设也聚焦于面向不同生产环节的能力支撑。

从建设中台的路径来看，小米规划了 3 年的信息化战略，IT规划与业务发展并行推进，以流程驱动IT应用，促进自建系统和采购系统的融合。在战略上实现产销分离，规划了包括泛零件、新零售和互联网的“铁人三项”战略；在组织结构上裂变成硬件产品、互联网、IoT平台和电商 4 个方向、10 个部门；在 IT 层面运营环节，中台重在支撑用户和经销商，生产层面侧重于数字化供应链，以项目或订单的方式推动生产，以供应规划拉动生产，实现柔性供应链支撑。

因此小米建设了数据中台、业务中台和技术中台。业务中台划分为14个中心，面向线上商城、第三方电商网站（如京东、淘宝等）、门店系统和直销分析系统，提供产品交易全环节、客户运营全环节的共享能力，实现面向不同的线上下渠道共享IT能力，通过IT集约化降低企业成本。数据中台通过xDATA数据平台进行统一采集，配备xDATA数据团队，在清洗后的数据上进行面向不同业务场景的分析。

通过日常经营指标的分析、经营管理分析和战略风险分析，打造坚实的业务数据化基础。小米的技术中台将底层资源和开发组件进行技术下沉，为系统建设提供高度模块化的零件。

小米的业务较为复杂，因此在中台面向前台支撑业务中，要考虑自有线上商场，如国内的小米官网、优品商城和海外的电子商城，也要考虑到如何对接第三方电商平台。

面向各门店的营业系统，如小米之家、授权店、直销点和各种第三方门店，小米需要通过中台服务，为门店提供进销存能力，为直销和分销方提供客户协同、分销网络和营销的风险分析管控能力，并面向渠道提供完备的客服、售后平台能力。

因此，中台战略和架构，对于全生态覆盖的企业来说，最重要的就是将不同业务线、不同业务App的共同流程提炼和沉淀，形成可复用的完整IT能力，降低业务间流程互相调用的时间成本，通过敏捷响应提高消费者和合作伙伴的感知。

小米中台的主体架构

华为在业务层面上，一直强调运营作战和能力建设的分离，本质也是通过解耦长业务链条的各环节，缩短流程提升效率。华为的“让听到炮声的人能呼唤到炮火”战略正是华为中台战略的形象化比喻，中台是为一线业务人员提供炮火的作战平台，而炮火正是中台能提供的能力。

华为以组织为核心，以中台为承载，实现了企业的双V发展模型（如图7 所示）——“业务和数字技术双轮驱动”，以客户体验为驱动提升运营，技术发展催生产品创新，运营与生产双线发力，增强企业竞争力。

运营商的中台思考

在当前建设网络强国、构建数字经济的大趋势下，国内 3 家运营商都在发力向着数字化、互联网化转型。运营商作为大型的近C端、近B端企业，业务规模大，沉淀了海量的数据，公众业务、政企业务、创新业务条线多，但却存在协同难度大、部门壁垒高的问题。运营商的系统交互难、数据价值无法最大化的现状，正是中台旨在解决的问题，因此，运营商可通过建设中台提升IT能力、加速转型。

运营商应从企业级视角出发，归集企业级的共通需求，锚定业务链长度相似的的企业，模仿其中台建设。建议运营商模仿华为和小米，解耦运营生产，规划中台建设需求，厘清各个中台的业务边界，构建适合运营商的中台体系。

（1）解耦生产

面向内、外部产品研发团队，利用自有的网络、大数据、云、物联网等基础资源和能力，研发面向公众客户、政企客户的优质产品。生产的职责止于产品的上架。

业务侧中台通过能力开放，引入外部的产品研发团队，构建内外合力的研发体系，基于基础能力，开发具有操作界面的小型 IT 工具，“能力+小IT工具”将能力变为可出售的产品。数据侧中台可提供两类支撑：一是作为数据报表、场景化数据服务类产品的基础生产资料；二是分析优质产品的画像，指导研发团队提高产品质量。

（2）解耦运营

面向外部客户，以销售为起点，包括后续的服务和维系环节。运营的职责始于产品上架，贯穿交付、运维全流程。

业务侧中台提供不同触点接入技术适配，实现全触点的统一视图呈现，支撑产品、客户和合作商的服务和管理，让“卖产品”更容易、更快捷；数据中台在数据融合的基础上，构建三层视图，底层是源数据采集层，包含运营商B域、M域、O域和E域等多域数据，并在公共数据中心完成明细数据的汇总，典型结构如图8所示。最顶层围绕数据对象，打造以客户、产品和合作伙伴为主体的萃取数据中心。

基于数据中心，提供以客户运营为核心的能力支撑：用户画像、订购行为分析，分析用户产品和服务的偏好；产品的竞争力、收入贡献、销售情况分析，为是否持续售卖产品提供数据支撑；用户与产品的适配度分析，为用户推荐符合其喜好的产品。

因此，建议运营商从战略上确定中台的建设构想，规划企业级数据中台与业务中台，两中台的支撑关系如图9 所示。技术中台建设与否，可根据当前的各条线的技术组件现状进行决策。

如当前已形成相对统一的技术体系，则可构建技术中台。若当前技术组件差异化较大，建议构建平台研发的“工具箱”，各条线可从工具箱中自行选取所需组件，逐渐收敛后再建设技术中台。

数据中台典型架构

另外，对于运营商来说，中台建设的路径和程度是不一致的，对于已经做到了数据集约化、IT 集约化的运营商，其中台建设如本文所述，从省公司和集团考虑各个业务条线、公众和政企市场的能力共用。

而对于省公司、集团尚未实现集约化的企业，由于省分公司平台、数据结构差异较大，近期中台建设应更注重集团级共用能力的建设，逐步推进省分数据汇集、结构统一和业务功能共用。

在推进中台建设地过程中，建议实现垂直化组织架构，组织与IT匹配，并配备专项的人、财、物，保障中台的有序建设。为避免中台建设完成后公共功能无人负责、代码质量下降的问题，应打造专项团队或部门，持续进行平台迭代升级，切勿期望一劳永逸。

另外，在中台建设中应避免出现“泛中台”的问题，不能为了加快建设速度而以简单集成现有平台、开放接口的方式构建中台。

结束语

中台对于企业的数字化转型、提质增效至关重要，因此，对于大中型的近C端企业和沉淀了大量IT资产的近B端企业来说，企业中台建设是必要的。但是中台不是一个项目，而是变革落地的方案，是需要从战略层面规划，确定业务方向，协全企业之力完成的联动变革。

再者，中台只是解决现阶段业务、技术和组织升级发展的特定方案，不是“万能灵药”，且需要投入一定的时间和人力成本，持续迭代优化，企业决策需要放平期待，不能期冀一劳永逸。

总之，中台对于大中型企业的数字化转型的作用是正向的，但是中台建设在国内存在概念泛化的问题，尚未有成熟的通用方法和工具，仍需要企业、厂商根据自身业务方向进行探索和实践。如何借助中台体系，在公众市场饱和、政企市场产品创新有待提高的现状下，以IT助力业务破局，是运营商值得深思的问题。

来源：数字国资

根据报告定义，企业信用大数据是识别、评估信用风险，进行信用管理的技术手段，基于海量数据集合，利用大数据技术依法采集、处理、挖掘、呈现企业信用数据，提供多维度企业信用动态信息，具有较强的时效性。

在全面推进社会信用体系建设的背景下，企业信用大数据类平台聚焦企业信用信息服务，对多维涉企数据进行结构化收集与加工，建立企业信用评估模型，刻画企业信用轨迹、描述企业信用状况、评价企业信用程度。

“十四五”时期是我国工业经济向数字经济迈进的关键时期，全社会对企业透明度的需求进一步提升。企业信用大数据行业作为央行官方征信渠道的重要补充，针对不同用户的多元化应用场景，推出一系列定制化解决方案，助力用户提高投融资决策、风险控制、企业洞察等方面能力，进一步完善社会信用体系建设。

目前，企业信用大数据行业用户群体已突破5亿，根据企业信用大数据行业发展指数，企查查、天眼查、启信宝、爱企查、企查猫等平台发展势头良好，作为行业的领跑者，近几年获得较快成长。随着我国市场主体数量快速增长，企业信用信息查询需求旺盛，行业未来发展空间有望进一步扩大。

从发展趋势上看，数据产权制度日趋受到关注，各大数据交易平台将以数据登记、技术赋能数据权益使用等多种形式探索破解数据确权难题。数据应用场景不断拓展，参与交易流通的数据类型从金融数据将逐步扩展到医疗、交通、工业等多种类型的数据。隐私计算等技术加速应用，将进一步助力数据要素安全流通。公共数据日益成为交易平台数据的重要供给源，而数据交易平台也彰显出越来越大的公共价值，开始反哺数据产业发展。数据交易上下游产业链开始浮现，有望在未来形成商业生态。

然而，我国数据交易平台在不断发展的同时，也仍然面临数据产权不清、数据交易活跃度不高、新技术支撑不充分、出现平台同质化竞争苗头等问题。

针对这些问题，《白皮书》建议加强统筹布局，推动各数据交易机构错位发展；结合各地数据资源禀赋，建立数据交易良好发展生态；加大技术研发，建立统一规范的标准体系；完善数据基础制度，推动数据高质量供给。

详细内容见PPT。

来源：国家工业信息安全发展研究中心

预测和建立未来所需的技能在快速变化的劳动力市场中是至关重要的。这项研究被认为是在欧洲和北美之外进行的第一项此类研究，可以帮助确定需要培养哪些技能以支持向更好的工作过渡。

利用乌拉圭招聘网站BuscoJobs的数据，《利用在线空缺和求职者数据研究技能动态》一书的作者创建了一个技能分类法，该分类法汇总了三大类技能——认知、社会情感和手工劳动，以及与解决问题、批判性思维、团队合作、沟通或手指灵活性等技能相关的14个普遍观察和可识别的子类别。

该分类法抓住了工人在工作中所需要的技能以及与个人属性相关的技能。它试图涵盖雇主在空缺广告中要求的技能和工人在他们的在线资料中所描述的技能。

一个一致的分类法对于准确跟踪劳动力市场需求的变化非常重要，从而帮助雇主填补空缺，帮助工人找到体面的工作，并帮助政策制定者规划未来。同样重要的是制定方法，使分类法能够应用于大数据，正如在研究中所做的那样，通过自然语言处理和机器学习技术。该方法现在可以应用于其他国家。

“我们的目的是开发一个全面但简洁的分类法，适合发展中和新兴经济体的劳动力市场，并适应在线空缺和求职者数据，以及使用这种大数据实施的方法，”报告的作者之一Veronica Escudero说。

“我们方法的优点是依靠目前世界上许多国家都有的数据，从而可以进行国别分析，不需要假设各国的职业技能是相同的。据我们所知，我们是第一个在新兴经济体背景下探索这种方法的人，”经济学家和报告小组成员Hannah Liepmann说。

PDF版本将分享到199IT知识星球，扫描下面二维码即可！

IDC数据显示，2021年全球大数据市场的IT总投资规模为2,176.1亿美元，并有望在2026年增至4,491.1亿美元，五年预测期内（2021-2026）实现约15.6%的复合增长率（CAGR）。

聚焦中国市场，IDC预计，2026年中国大数据IT支出规模预计为359.5亿美元，市场规模位列单体国家第二。从增速的角度来看，中国大数据IT支出五年CAGR约为21.4%，位列全球第一。中国大数据市场增速持续领跑全球，呈现出强劲的增长态势，市场前景广阔。随着数字经济、数字化转型、新基建等投资建设进一步加快，中国终端用户对大数据硬件、软件、服务的需求将稳步扩大。 

技术维度

IDC预测，到2026年，中国大数据硬件市场IT投资规模将达到137.2亿美元，超过2021年投资规模的两倍。值得关注的是，未来五年，硬件市场仍将是中国大数据市场占比最高的一级子市场，占比规模接近四成。

聚焦中国大数据软件市场，2026年大数据软件将成为第二大技术市场。大数据软件以26.9%的五年CAGR强势增长，软件IT投资规模逐年接近硬件市场。其中，人工智能软件平台（AI Software Platforms）市场和终端用户查询、报告和分析（End-User Query, Reporting and Analysis Tools）市场将主导中国大数据软件IT投资，两者共计近软件投资总规模的四成。从增速的角度来看，内容分析（Content Analytics Tools）技术子市场增速亮眼，该市场将以41.1%的五年CAGR快速扩大规模。未来大数据软件市场将发挥承上启下的关键作用，与上下游产品形成耦合榫卯结构。

从中国大数据服务市场的角度来看，2026年中国大数据服务市场规模将接近百亿大关。面对全球服务市场增速放缓的大趋势，中国大数据服务市场将以略高于全球平均水平的五年CAGR稳步增长。

行业应用

从行业终端用户的角度来看，至2026年，专业服务、电信、金融和政府将成为大数据相关IT支出的主力行业。具体而言，专业服务、电信、银行和地方政府将会贡献超过50%的中国大数据IT投资。就增速而言，医疗保健行业将以30.9%的五年CAGR成为增长最快的行业终端用户。此外，专业服务、离散制造、电信等行业也展现出了较大的发展潜力。IDC调研显示，各行业领域企业都在不断探索布局大数据处理分析产品和完整解决方案，文娱、电商、社交等多样式互联网产品服务创新将持续带动市场增长，对于信息化基础较好、数据就绪度较高、市场服务要求更高的电信、金融等行业，平台管理、决策分析等组合型产品市场前景明朗。另外，在政府专项政策推动下，智慧城市、智能制造、智慧医疗、智慧农业等领域也将迎来新的机遇。

终端用户企业规模

IDC《全球大数据支出指南》将终端用户企业规模由上至下分为了五个区间，从企业规模的维度对大数据支出情况做出进一步透视。和上一版相比，中国大数据市场集中度有所提高。雇员超过1,000人的超大型企业在五年预测期内（2021-2026）占据整个中国市场支出的65%左右，较之前预测小幅上调。中小型企业整体增速较快，但市场占比较小。大数据市场呈现横纵一体化发展格局，大型及超大型企业依托优势数据资源、丰富行业场景经验、高水平信息化技术、规模化服务体系以及较强预算支出能力，表现出较强竞争力。而中小型企业依托核心技术和业务资源优势，在专业化需求上也拥有一定优势。 

大数据行业近年迎来多项重大变化，一方面数据要素化再次强调数据战略地位，另一方面《数据安全法》《个人信息保护法》等法律法规标准进一步明晰行业规范，同时数据技术创新与应用创新也在快速演进。

由中国信息通信研究院、中国通信标准化协会指导，中国通信标准化协会大数据技术标准推进委员会主办的“2022大数据产业峰会”近日在京举办。会上，中国信通院云大所所长何宝宏发布「2022大数据十大关键词」，对大数据行业的最新发展趋势进行了总结与分析。

关键词一：创新型数据库优化数据资源化过程

数据库作为支撑数据存储、计算的核心技术产品，为了适应数据要素相关需求，正快速进行技术革新。

一方面，AI数据库、Serverless云原生数据库推动对于数据的价值挖掘从“阳春白雪”变为“下里巴人”。利用数据不再是金融、电信等数据密集型行业的特色，而是变成全社会、全行业的普适性行为。这导致数据的加工利用过程需要更加平民化、高效化。

AI数据库具备自动运维、智能开发等能力，Serverless云原生数据库具备按量计费、弹性扩容等能力，均可实现数据加工利用过程的降本增效。

另一方面防篡改数据库、全密态数据库支撑数据完成高效确权定价、便捷合规流通。防篡改数据库在高效存储计算基础上，提供数据防篡改和操作防篡改功能，从而支撑数据确权定价，而全密态数据库能够实现数据在加密状态下的高效存储和计算，从而支撑数据合规流通。两者均成为学术机构和供应商的研究热点。

关键词二：图计算平台助力大规模图数据资源化

图数据与传统行列式数据不同，它通过点、边模型，高效描述实体、属性、关系的数据模型，近年来被广泛用于企业智能营销风控等必要数据应用中。

博睿数据COO吴静涛当时断言，过去20年里都是以应用为中心构建了所有的IT体系，包括整个数据中心的建设、运维体系等。现在到了转变思路的时候了。

一年之后，2022年博睿数据更大的战略横空出世，带着一体化智能可观测ONE平台出现在媒体和客户面前。

在2021年的数据链DNA阐述里，有一块非常重要的的模块博睿数据隐而不发，这就是核心的AI部分。2022年，博睿数据投入了公司70%的研发资源，构建了ONE平台，这也是博睿数据上市之后最大的一个战略发布。

该平台旨在建立一体化、智能化、面向业务与用户体验的统一运维平台，助力企业提高数字化体验，降低运维成本，提升工作效率，为数字化转型赋能升级。同时，这也是业界第一个将所有运维监控需求“All in ONE”的统一平台。

ONE平台推出的背景和逻辑

在博睿数据COO吴静涛看来，当前行业面临三个挑战。

博睿数据COO吴静涛

首先，金融行业从之前互联网金融火热的To C业务已经转向以支持三农、支持“双碳”为主导的To B、To VIP用户的新的业务模型中来。以前To C业务，服务出现小的瑕疵不影响整体业务。但是以To B、To VIP业务为主时，一个单一用户的投诉可能就变得非常重要。如何对实时数据做关联、做缝合？这是一个大的挑战所在。

“十四五”时期国产化加速，从信创来看，全部变成国产化的平台之后，会出现非常多的性能、稳定性方面的挑战，这时候如何能够打通“云管边端”去做管理、去做新的IT运维，非常核心和重要。这是从客户的业务层面出发的挑战。

其次，IT架构层面上，手机银行、智能终端，后台基本开始进入云计算时代，当一个庞大的数据中心转向新的微服务架构，对于银行而言是一个非常大的挑战。那么到底如何去做从传统数据中心到私有云、从公有云到混合云，从云原生到API，微服务架构怎么去做统一治理，没有现成的解决方案。

再次疫情影响颠覆了以往的工作模式，数据中心不是为疫情设计的，当人工能力并不足以做跨部门的协同，以新的云原生、无服务器为主导的业务模型、架构模型时，运维体系如何构建？从传统的数据中心运维，到网络、主机、开放平台、应用运维、云的运维；以及升级到AI、机器学习，对客户而言都会面临难以操控的运维难题，如何解决？据艾瑞的调研，IT运维有2000多个体系要走向智能化。

基于此，博睿数据在“数据链DNA”基础之上提出了“数据链DNA+”的战略理念升级，其依托的基础则是一体化智能可观测平台ONE。

透过ONE平台，从数据分类，到全过程实时数据采集，再到从代码到用户的“数据融合”，继而把所有监控运维的工具打通在一起，进而利用AIOps为企业的业务赋能。

ONE平台最大的核心价值

吴静涛表示，“帮助客户走出数据中心，打通云管边端，通过代码到客户的全数据链DNA采集能力，和ONE平台的大数据/AI能力，实现传统的产品工具到平台+架构的转型，构建以用户为中心的新运维体系”。ONE平台在这次发布过程中，是最主要角色之所在。

有了数据链DNA+ONE平台之后，能够帮助客户把IT从成本中心转型成业务运维中心，从监控中心转向到应用运维的Command Center（管理中心）。实现IT运营、用户运营、业务运营融合。

构建一套以用户为中心的全新逻辑，战略以用户为中心，去构建新的一套平台。新老平台融合，ONE平台不仅支持公有云，也支持私有云和云原生环境，做到一体化智能可观测平台。

免学习、几乎零代码的体系，带来一致性体验，一致的界面，而且数据关联之后所有IT自动化的根因分析、智能警报、范围控制，这些都是ONE平台全新能力的建设。 

AI能力与未来的商业化战略

针对于199IT关于博睿数据AI团队的现状及能力的提问，博睿数据CTO孟曦东表示，博睿数据有一个类似叫“底座”的部门，现在叫“数智产品研发部”，它主要是负责大数据各类型的引擎以及AI的算法实现，这个部门的研发属于相对独立，看不到具体产品的界面，但是给ONE或原有各类型产品提供引擎。

博睿数据CTO孟曦东

孟曦东强调，“博睿数据的数智团队，既有博睿数据自己培养的技术骨干，也有新加入的各大科技公司的技术大拿。博睿数据希望把自己的底座技术做得更扎实一点，而不是用现在互联网世界里通行的开源组件。因为开源的大数据引擎方案，到一定场景时都会有它的短板，同时还有性能的要求。比如，博睿数据有很多金融类型的客户，他们需要做私有化实施，对组件、对资源占用的评估是比较苛刻的，对资源及日常的性能开销都有严格的要求，博睿数据不希望用大量服务器堆叠去做分布式的高性能。”

为了适应不同种类的诉求，博睿数据需要有完全自主可控的底座来支持上层业务应用的发展。目前博睿数据正在不断夯实这个底座，比如博睿数据的Swift AI算法中台通过了信通院AIOps异常检测的评估。

当199IT提及博睿数据ONE平台未来的商业化策略时，吴静涛表示，ONE平台在开发之初就有二十多家大客户有业务意向。但博睿数据ONE平台整体策略并不是实现最大的商业利润为出发点，而是希望更多的中小企业能够使用起来，从ONE平台获得智能运维的能力，帮助企业解决问题的同时降低企业的运营成本。

吴静涛认为，“一体化智能可观测ONE平台的发布是博睿数据引领整体IT运维市场发展的重要里程碑，标志着博睿数据的整体战略正式进入了数据链DNA+的时代。”

从与阿里云选择博睿数据合作云拨测产品、到国内APM领域首家通过CMMI5级评估、加大信创合作，与麒麟、统信、中科方德完成兼容性认证，博睿数据获得越来越多行业伙伴的认可，虽然智能运维行业仍有长的路，博睿数据通过自主研发夯实了前行的坚实基础。

大数据显示：疫情之下，今年的高考相关内容关注度同比增长 93%，高考直播、线上自习室等云上备考方式涌现；考生的志愿选择上，前沿技术型学科更受关注，人工智能连续三年成为搜索热度增幅最高专业，西南大学、西南政法大学热度增幅领跑全国高校；总体而言，本届考生在报考时优先考虑城市发展、兴趣爱好与行业前景；对比十年前，理工、师范类院校受到热捧，新一线、二线城市的高校关注热度上升；考试临近，“高考压力”、“心理疏导” 搜索热度攀升；十年间，从后勤保障到科学陪考，家长们的陪考技能也更加 “专业”。

高考搜索热度增长 93%，“云上” 备考方式成新需求

据统计，2022 年高考报名人数创新高。大数据显示，近 30 天，高考搜索热度同比去年上升 93%。前十高考热搜话题中，“2022 年高考时间” 是全国网友最关注的话题。与此同时，上海高考延期、高考防疫措施等话题也相继进入热榜。

数字化发展与疫情防控催生了各种各样的 “云上” 备考方式。大数据显示，今年考生最关注的备考方式，已经从十年前的做高考真题、购买教辅材料、报课外辅导班等变化为高考直播、线上自习室、线上 1v1 答疑等云端线上方式，它们与传统备考方式互补，帮助考生足不出户，便可以获取到海量学习资源。

纵观高考热门专业十年变迁，大数据显示，和往年人文社科类专业热度靠前的情况相比，近两年，人工智能、机器人工程、大数据技术等前沿技术型学科已牢牢占据热榜前位。随着全民对公共卫生与健康的关注提升，临床医学专业也在近两年入榜热门专业前五。

十年热搜高校变迁：考生优先考虑城市发展，高校关注度向新一线、二线城市转移

院校选择上，百度热搜大数据进一步整理了 2022 年十大热度攀升高校。其中，西南地区高校广受关注：学科齐全、实力强劲的西南大学，热度增幅位列双一流院校类榜首，西南政法大学，也在非双一流院校中的搜索热度增幅中位列第一。

将院校分类来看，大数据发现，十年间，综合性大学的热度占比呈现下滑态势，理工类与师范类院校热度占比提升。在地域选择上，随着成都、武汉、长沙等新一线城市的经济崛起，考生的地域兴趣也不再限于北上广，位于新一线城市以及二线城市院校的总体热度占比上升，考生的城市青睐日益多元化。

事实上，如何平衡学校、城市和专业一直是考生志愿填报时面临的问题，百度热搜大数据总结了今年考生搜索时的优先选择。数据显示，本届考生优先考虑城市发展、兴趣爱好与行业前景。“报志愿应该选城市选大学还是选专业”、“要按照兴趣爱好选择专业吗”、“未来十年就业前景好的专业有哪些” 等问题成为近 30 天的热门搜索，意味着考生家庭的决策日渐理性。他们一边积极备考，一边用搜索的方式提前规划自己的志愿未来。

随着各地相继推动职业教育的创新发展，2022 年，职业教育相关内容搜索热度已经同比上升 51%。包括广东、四川、江苏等地区的考生家庭，对职业教育具有浓厚兴趣。在考生家庭的搜索关注中，人们普遍关心职业教育的院校排名与毕业就业形势。在多元化的从业路径中，职业教育有望成为广受认可的出路选择。

为了针对性地解答考生家长的提问，如今，高校招生咨询活动已经广泛采取线上直播的便捷模式。根据中国教育在线 · 掌上高考的数据，最受用户关注的本科院校相关问题中，考生和家长对录取分数、招生计划等情况尤为上心。相比之下，在最受用户关注的专科院校相关问题中，考生、家长更喜欢站在未来发展和就业出路的角度提出问题，其中专业相关问题占比约为 18.5%，就业去向和专升本的比例合计接近 20%。

家长陪考方式十年变迁：陪考技能更全面、专业，家长更关注心理疏导与信息查询

在备战高考的路上，家长是坚强的后盾。百度热搜大数据洞察了陪考方式的十年变迁。2022 年高考陪考相关内容搜索热度同比 2013 年上升了 275%。十年前，营养搭配、高考出行安排与高考酒店预订是家长最为关注的高考话题。如今，高考也成为 “信息战”，心理疏导与信息查询是家长陪考期间更为关注的重点。

心理疏导成为家长关注点，与当前考生的心理状态相联系。大数据注意到，近 30 天，“高考压力”、“心理疏导” 等词的搜索热度攀升，1V1 高考心理咨询服务兴起，成为近期考生家庭选择解压的热门方式。

搜索，不仅是寻找高考题目的答案，更为了回答高考路上的迷茫与困惑。十年来，在智能搜索技术的帮助下，考生们信息搜寻的门槛降低，了解社会趋势与个人志趣后作出的选择更加理性。上百度 APP 搜索 “高考”，即可获得全面、及时、权威的高考信息和智能化高考服务。

博睿数据COO吴静涛表示，“一体化智能可观测ONE平台的发布是博睿数据引领整体IT运维市场发展的重要里程碑，标志着博睿数据的整体战略正式进入了数据链DNA+的时代。”

运维监控将走向数智融合3.0时代

数字经济的发展已成为“十四五”及未来更长一段时期，推动我国经济高质量发展的新引擎。数据显示，到2025年，数字经济迈向全面扩展期，数字经济核心产业增加值占GDP比重达到10%。而数字经济的发展也会带动数字产业化和产业数字化的发展。值得注意的是，智能运维也被纳入了数字经济，成为其不可缺少的一环。

此外，伴随着数字经济的不断深入，以云原生、DevOps等为代表的新技术的快速发展，让过去20年里以应用为中心构建的IT体系，面对前所未有的变革挑战，一方面，企业的视角发生变化，更加注重用户体验与业务；另一方面，用户的职责开始发生变化，更多的转向DevOps与SRE，对企业数字化转型、优化用户体验提出了更高的要求，也使得可观测解决方案成为云原生架构下非常重要的课题。

对此，博睿数据CTO孟曦东指出，“可观测市场不断增长，带来的不仅是机遇，同样也带来了更多挑战。企业对于可观测的视野不再局限于应用程序，而是需要从全局的角度洞察混合IT基础设施、数据源、网络、云和边缘端的应用状况，更加主动化、自动化和智能化地提升企业运维的效率。企业不仅仅需要应用的高可用，更需要数字化转型发展所带来的用户体验升级。”

就监控本身而言，当前工具的监控体系已无法满足企业需求。

一方面，从行业角度来看，根据知名咨询机构分析，目前监控平台存在以下五方面挑战：

一、监控平台不统一，技术债与重复建设导致了孤岛式的监控体验；二、云计算、容器、微服务、物联网等新技术带来了对监控的挑战，监控的可见性不足；三、监控系统的建设与业务目标脱节；四、智能运维尚不成熟；五、有限的自动化与DevOps的敏捷开发理念产生冲突。

不难看出，未来的监控要具备的能力是统一、系统、智能、敏捷、面向业务，而这也与博睿数据建设一体化智能可观测平台ONE的初衷不谋而合。

另一方面，从行业角度而言，运维监控正在从以点带面的1.0时代向数智融合的3.0时代发展。数智融合3.0时代需要运维企业具备全局数据采集能力、以运维视角重塑产品、数据有机关联融合、开箱即用的AI以及运维全场景的落地等一系列运维能力。

综上不难看出，在行业、市场、用户等多重因素推动下，建设一体化的智能可观测平台已经成为必要。

三大战略升级带来全新运维体验

从孤立的工具到统一的能力平台

从监控到可观测

从人工分析到智能见解的全新升级

ONE平台从ITOM 统一监控、AIOps智能运维、BizOps业务运营、DevOps效能提升四个应用场景出发，帮助客户走出数据中心, 打通云管边端, 通过代码到客户的全数据链DNA采集能力，结合ONE平台的大数据及AI能力, 实现传统的产品工具到平台+架构的转型, 构建以用户为中心的新运维体系。

具体而言，ONE平台包含三大产品优势：

• All in ONE

其包含两个统一，即统一运维监控技术栈和统一运维数据治理体系。满足了所有监控需求，即开即用，随时扩展，提升了系统可观测性广度与深度，同时面向业务与用户体验运维，囊括了系统的所有观测数据，进行统一管理，并提供丰富的集成扩展，解决因竖井式的监控带来的数据割裂、重复建设、可观测性差的问题。

• 关联性

新一代可观测平台能完整复刻出数字化系统的数字孪生，内置CMDB引擎在保证全面可观测的同时也能掌握监控实体间的关系及其属性信息，实现关联追踪，解决排障难，检索追查难，现场还原不全面的问题。大大提升了排障效率，实现了系统之间的真正融合。

• 智能见解

ONE平台具备信息、经验、智能决策融合的智能见解能力，能够基于AI和规则自动发现问题，实现根因分析——智能见解——故障预测——故障修复等一系列智能分析过程，预置经验规则和AI共同提出见解，发现问题并给出根因，解决虚假问题扰乱运维、告警风暴、根因定位效率低的问题，助力运维人员快速排障，提出解决办法，进而提高运维效率。

功能方面，ONE平台具备指标分析、统一告警、全局拓补、问题事件分析、开放集成、一来和影响分析等多个功能集成。

博睿数据产品高级总监孙丽表示，“ONE平台是一个集告警收敛、异常检测、根因定位、智能见解，聚焦业务与用户体验的运维体系，打破运维孤岛，避免重复建设，赋能企业数字化的一体化、智能化、面向业务与用户的开箱即用的一体化可观测平台，实现监控到可观测，无需研究各种开源软件，各种大数据组件，各种算法，各种中台架构，降低管理成本，提升管理效能和协同效率。帮助用户实现从孤立的工具到统一平台的建设要求，提升用户满意度，降低获客成本及协同难度，打造极致的平台体验。”

打通业务和运维，赋能数字化转型

在具体的业务实践方面，博睿数据资深售前总监常旭介绍，ONE 平台将打通业务和运维，明确业务指标、转化率、客户留存率、客户流失率等，高效可视化故障域，降低业务客户流失率；同时，在新老平台的统一维护层面，可从0-1构建一体化智能可观测平台，降低业务、运维、研发的沟通成本，提升工作效率，进而提升用户活跃度和平均使用时长，助力企业提高数字化体验，赋能企业数字化转型。

不久前，博睿数据还与艾瑞咨询合作发布了《2022企业应用运维管理指标体系白皮书》（以下简称《白皮书》），在《白皮书》中，博睿数据也率先提出了从业务视角切入，以业务场景为主题，以业务连续性为宗旨，通过直面业务场景、正向梳理IT调用链、逆向接入数据源等实施步骤，最终构建起具备概览所有业务场景健康度、俯瞰多维立体化IT指标等能力的资源指标管理体系的运维指标设计理念。

不难猜测，在云原生、DevOps等更新技术的发展推动下，一体化、智能化将是大势所趋，此次博睿数据率先推出的从代码到用户，全面可观测的数据采集能力的一体化智能可观测平台将会成为行业标杆。

俄罗斯和乌克兰所引发的地缘政治危机对于遭受新冠疫情长期肆虐的世界无疑是雪上加霜。今年数据和分析领导者的工作重点之一是管理由此引发的持续不确定因素和波动性。

现在应该根据关键数据和分析技术趋势对于业务优先事项的紧迫性和匹配性来监测、尝试或积极投资于这些趋势，以此预测、调整并扩大数据和分析战略的价值。

今年的主要数据和分析趋势主要关注以下三大主题：

• 激活多样性和活力。使用自适应AI系统推动增长和创新，同时应对全球市场的波动。
• 增强人员能力和决策，以提供由业务模块化组件创建的丰富的、情境驱动的分析。
• 将信任制度化，以大规模地实现数据和分析的价值。管理AI风险并实施跨分布式系统、边缘环境和新兴生态系统的互联治理。

亚马逊云科技大中华区产品部总经理陈晓建表示：“随着企业数据越来越多，机器学习模型越来越先进，很多企业期望通过大数据与机器学习技术的融合，进一步带动业务创新，提升产出。但企业往往面临一个困境，有大量的数据和分析技术储备，也尝试了很多先进的机器学习模型，但就是很难有实际的业务产出。企业不能只靠机器学习，而应在云中打造统一的数据基础底座，实现大数据与机器学习的‘双剑合璧’。 在大数据与机器学习领域，亚马逊云科技提供广泛而深入的服务，既有能打通两个领域的数据治理底层服务，还能实现大数据与机器学习之间的相互赋能。我们希望能凭借在这两个领域的领先技术以及服务全球数百万客户的实践经验，帮助客户加速实现大数据和机器学习融合的落地，为企业节本增效，提供业务发展的新动力。”

“云、数、智三位一体”的亚马逊云科技大数据与机器学习融合服务组合

亚马逊云科技 “云、数、智三位一体”的大数据和机器学习融合服务组合，是亚马逊云科技“智能湖仓”架构的重要组成。亚马逊云科技通过在云中构建统一的数据治理底座，提供数据分析服务保障机器学习的生产实践，实现机器学习反向赋能智能化数据分析，促进云、数、智三者的统一与融合，帮助客户推进机器学习项目的落地。

• 构建云中统一的数据治理底座，打破数据及技能孤岛。亚马逊云科技能帮助客户构建统一的数据治理底座，实现大数据和机器学习的数据共享，数据权限的统一管控，以及两者统一的开发和流程编排。云中统一的数据治理底座不仅能提升大数据和机器学习的高效融合，还能减少大数据和机器学习重复构建的工作，并且显著降低成本。其中， Amazon Lake Formation推出诸多新功能，实现了数据网格跨部门的数据资产共享，以及基于单元格的最细粒度的权限控制机制。Amazon SageMaker Studio可一站式地完成数据开发、模型开发及相关的生产任务，该服务基于多种专门构建的服务，如交互式查询服务Amazon Athena、云上大数据平台Amazon Elastic MapReduce （Amazon EMR）、云数据仓库服务Amazon Redshift、Amazon SageMaker等，为大数据和机器学习提供统一的开发平台。
• 助力机器学习由实验转为实践，为机器学习提供生产级别的数据处理能力。机器学习项目成功的关键是对复杂的数据进行加工和准备。亚马逊云科技提供多种灵活可扩展、专门构建的大数据服务，帮助客户进行复杂的数据加工及处理，应对数据规模的动态变化，优化数据质量。其中，Amazon Athena能够对支持多种开源框架的大数据平台，包括Amazon EMR、高性能关系数据库Amazon Aurora、NoSQL数据库服务Amazon DynamoDB、Amazon Redshift等多种数据源，对这些数据源进行联邦查询，快速完成机器学习建模的数据加工。 以Amazon Redshift、Amazon Managed Streaming for Apache Kafka （Amazon MSK）和 Amazon EMR 为代表的无服务器分析能力，可以让客户无需配置、扩展或管理底层基础设施，即可轻松地处理任何规模的数据，为机器学习项目提供兼具性能和成本效益的特征数据准备。
• 让数据分析智能化，赋能业务人员探索创新。亚马逊云科技还不断提供更加智能的数据分析服务，赋能业务人员进行智能分析、模型效果验证以及自主式创新。例如，在日常分析工具中集成机器学习模型预测能力，其中深度集成机器学习Amazon SageMaker模型预测能力的Amazon QuickSight 、在分析结果中添加基于模型预测的Amazon Athena ML，可帮助用户使用熟悉的技术，甚至通过自然语言来使用机器学习。亚马逊云科技还提供如Amazon Redshift ML、可视数据准备工具Amazon Glue Databrew、零代码化的机器学习模型工具 Amazon SageMaker Canvas等服务，让业务人员探索机器学习建模。

全球数十万计的客户选择亚马逊云科技开展云上数智融合之旅

目前，全球数十万客户正借助亚马逊云科技大数据及机器学习服务开展业务创新，将机器学习投入实践，解决现实世界中真实和复杂的数据应用场景。乐我无限（Joyme）运营的全球化直播平台LiveMe，荟萃了来自200多个国家和地区的近100万名主播，每月活跃用户数（MAU）超过3700万。LiveMe基于亚马逊云科技的解决方案搭建了数据研发中心平台的核心技术服务。Joyme数据研发中心总监杨飞表示：“LiveMe核心业务均部署在亚马逊云科技上，通过亚马逊云科技的技术赋能，实现了降本增效，加速了业务创新。通过直播内容实时识别技术服务，LiveMe不仅提升了用户体验，还大量降低了内容管理的业务成本。通过欺诈交易识别技术服务辅助识别欺诈交易，减少欺诈、拒付类交易，LiveMe每年减少经济损失可达数百万美元。未来LiveMe将在系统稳定性、数据驱动以及新技术开发等方面加深与亚马逊云科技的合作。”

丰富的合作伙伴解决方案助推客户数字化转型

亚马逊云科技构建了强大的合作伙伴网络，通过合作伙伴网络成员帮助客户构建解决方案。亚马逊云科技合作伙伴上海欣兆阳（Convertlab）以云计算、大数据和人工智能为代表的数字化技术，为企业营销提供数字化、自动化、智能化基础设施以及相关的专业服务。Convertlab 联合创始人兼CTO李征表示：“基于亚马逊云科技统一的数据基础底座， Convertlab构建了相辅相成的一体化数据智能湖仓架构Data Hub和一体化高效机器学习平台AI Hub，使数据流转时效性提升32%，可进行快速的特征设计与机器学习模型迭代，模型上线效率提升30%。当前已上线5大营销特征类别，300多营销特征，20多营销AI模型，更好地赋能客户智慧营销，实现业务增长，助推行业数字化转型。”

此外，亚马逊云科技还通过数据科学实验室、机器学习实验室和机器学习专业服务等一系列定制化措施，从基础能力构建到行业前沿知识分享，帮助客户将“数据驱动转型”从设想到全面落地，重塑创新引擎。

连续入选国际权威BI榜单，Quick BI到底有何魔力？

文章将带大家深入了解从阿里巴巴内部数据分析场景孵化而来的Quick BI。

Quick BI的由来

阿里巴巴集团数百个部门拥有数十万员工，每天面对各种复杂的业务场景，需要一款能力全面、 功能强大且能灵活应对各种数据分析和可视化诉求的 BI 工具。在探索的过程中阿里尝试使用过各种外部公司研发的数据报表工具，公司内部各个部门也各自孵化过多种不同类型的数据分析工具(有的面向复杂的表格，有的侧重快速制作报表，有的只支持搭建移动端的报表)，但都没能达到理想的效果。在这样背景下，阿里最终自己研发了能基于公司整体业务进行数据分析的Quick BI产品，它既可以搭建服务集团管理层的战略分析决策平台，也可以构建各垂直业务的数据应用(如搭建电商业务双 11 大促营销活动分析的数据应用)，同时也是众多一线运营、产品和研发必备的日常数据分析和取数工具。

以阿里巴巴内部BI应用的经验为基础，Quick BI 开始将全场景数据消费的能力和理念向外部有数字化诉求的企业输出。这一能力既可以服务数十万员工的大型集团公司，也可以满足几个人的小型创业公司；既能够适应零售和互联网企业快速的发展变化，也能够满足政务和金融类客户的高标准要求；企业可以在多种平台选择 Quick BI，如直接在阿里云下单购买 SaaS 服务，也可以选择部署在私有环境或其他云平台，或者在生意参谋和钉钉中在线使用。

作为阿里巴巴推出的全场景数据消费式的BI产品，Quick BI秉承帮助企业在各种业务场景中消费和使用数据、让业务决策触手可及的使命，通过智能的数据分析和丰富的可视化能力帮助企业构建数据分析平台和决策支持系统。通过简洁漂亮的仪表板、格式复杂的电子表格、酷炫的大屏和有分析思路的数据门户等能力，既可以使用 Quick BI 构建面向管理层的决策分析平台，构建面向不同业务的垂直数据应用，也可以将数据分析集成和嵌入在您的业务流程中，或者直接搭建面向全员的自助分析工具和报表平台。

通过 Quick BI 强大的办公协同能力，企业可以随时随地在电脑、手机、平板、大屏等 各种设备端获取数据价值，并且通过邮件、消息、工作通知等在钉钉、企业微信和飞书中快速同步分析和可视化结果，随时在工作群中讨论和分析业务进展和对策。企业通过经营活动积累了庞大的数据资产，Quick BI 可以让企业的数据资产快速在公司人员和组织中流通起来，通过BI和AI结合挖掘数据背后的价值，促进在企业内部各种场景的数据消费产生业务价值。

在今年的报告中，Gartner提到了Quick BI的三大核心优势：办公协同能力、业务集成分析驱动决策、数据文化素养培养。

接下来就Quick BI的技术亮点做进一步分析。

Quick BI的技术亮点

l 技术亮点之Quick能力

“Quick”是产品始终追求的目标，近几年来Quick BI也一直致力于实现展现快、计算快，为使用者提供顺滑体验为目标。具体来说，在数据报表开发的过程中，大量级数据需要在一定范围的时间内响应，即计算要快；面对报表的查看者，首屏打开和下拉加载的时间需要在一定范围内完成，即展现要快。

Quick BI的计算引擎和渲染引擎以双引擎的方式为企业BI使用全力加速。

1、计算引擎：在直连模式的基础上，新增加速模式、抽取模式、智能缓存模式，用户可按找不同场景的不同需求，通过配置开关进行模式的选择。在数据集开发和数据作品制作的过程中获得加速体验，可以有效提升用户报表的数据查询速度，减少用户的数据库查询压力。

2、渲染引擎：负责取得肉眼可见页面的内容，包括图像、图表等，并进行数据信息整理，及计算网页的显示方式，然后输出并展现。由于BI场景的报表（仪表板、电子表格、门户等）内容相当复杂，渲染引擎的加速可以非常直接的影响Quick BI报表的打开速度，优化用户的报表阅览体验。渲染引擎的加速动作无需进行任何配置，无声地服务整个分析流程。

经过一系列核心能力的升级和特定场景的针对性优化，操作平均FPS（每秒传输帧数）可达55左右，较复杂报表下，首屏加载时间控制在3秒以内（中等简单报表2秒内），结合Quick引擎，还可以支持10亿级数据量的报表3秒内展现。

l 技术亮点之办公协同

移动端和办公协同能力是Quick BI的一大亮点，目前已经提供了钉钉、企业微信、飞书的接入能力，客户只需要将相关配置信息配置到QuickBI，便可以实现与钉钉、企业微信、飞书的账号、登录、订阅、消息推送等业务的打通。

Quick BI支持与主流IM/OA应用进行深成集成。客户可在Quick BI上进行简单的应用信息配置就可以针对不同平台在身份认证、用户管理、消息推送等特性上完成对接。针对客户痛点场景，如登录鉴权、移动端报表访问、报表订阅、监控告警等方面做到了支持，并能够达到在各平台体验一致的效果。

Quick BI与钉钉生态深度集成，打造钉钉智能报表，支持企业数据分享、评论、批注等数据协同能力，助力三方企业的 OA 审批、人事等数据的分析推送。

l 技术亮点之开放集成

Gartner报告指出，可视化之间的差异不再是区分各个ABI产品的差异，更大的差异化来自于对于“集成”的支持。本质上，BI产品并不能独立存在，作为数据链路的最后一公里，企业往往需要将BI系统与自己的系统集成打通，并通过嵌入能力将BI的报表，集成到客户自有的系统中。因此，集成的能力是帮助企业客户实现“turn insight to action ”的关键核心能力。

随着Quick BI支撑的客户基数越来越大，集成的场景需求也越来越丰富多元。对于客户在阿里巴巴系统集成的诉求，Quick BI可提供如钉钉智能报表、阿里巴巴生意参谋的集成连接；对外部系统集成诉求，Quick BI既有为众多独立部署企业客户提供的单租户管理服务，又有像睿本云的生态SaaS化服务集成。因此，需要抽象出通用的开放集成能力，才能往上支撑丰富的客户集成场景，提升产品的商业化能力。

从上图可以看到，能力项上Quick BI主要通过登录认证、嵌入分析、自定义扩展、流程集成、数据服务等几个方面，为客户提供系统集成的能力。

另外，智能化小Q、智能监控、交互式分析、即席分析等等产品完备性功能请见《2022 Quick BI产品白皮书》（文末可下载）

虽然商业智能软件领域竞争激烈，且有大量巨头厂商存在，但国内仍然有巨大的发展潜力。放眼全球，数据和分析领导者正在循序渐进地将重点从工具和技术转移到作为业务能力的决策上。Quick BI依托阿里云数据中台，在不断打磨自身产品能力的同时，积极与云上产品、以及生产力软件钉钉深度联动，使数据分析能力能普惠各个垂直领域的中小企业，将业务决策能力发挥到最大。这与领导者象限的PowerBI等产品的战略具有一致性，我们相信，Quick BI在提升客户价值和应对不断增长的影响力需求方面，将走得更远。

点击下载《2021 Quick BI 产品白皮书》

据公开信息显示，奇点云A轮1600万是阿里系湖畔山南资本投资，B轮及B+轮均有字节跳动的身影，融资总额共2亿元人民币，其他投资方包括德同资本、晨兴创投、元一资本等。

而Growing IO自成立6年间完成三轮融资，天使轮、A轮、B轮融资总额共计5220万美元。投资方包括NEA、经纬中国和Greylock。

此前业内曾传出Growing IO与字节跳动的资本层面传闻，但随后Growing IO辟谣。此次合并重组，意味着字节跳动在奇点云和GrowingIO都有相应话语权。

奇点云创始人张金银表示，“双方的重组属于优势叠加，将更充分发挥资本和业务的协同效应。业务协同让双方可以进入新的行业与市场，通过并购手段也能够转竞争为合作，有利于形成规模效应、改变供需格局、增强企业的议价能力。在资源整合方面，双方企业能够通过并购在研发、销售、交付等方面形成优势互补，从而快速占领市场，实现 ‘1+1>2’的效益。”

GrowingIO创始人张溪梦表示，“随着这次并购完成，GrowingIO将有更充沛的资金和人才、产品、技术资源，支持我们全力为客户挖掘更全面、更深入的数据价值。”

据悉，并购重组后，双方将保持品牌层面的独立运营。

随着数据作为第五大生产要素被提出，“数据流通”的社会价值已形成广泛共识，由于行业背景、数据现状、研发能力等方面的差异性，不同行业企业对于“数据流通”的场景和诉求也不尽相同：

• 数据安全要求不同：有些企业相信中立的第三方，能接受数据安全上传至受信的第三方平台的方案；有些企业对数据保护较敏感，希望原始数据不流出自有网络和自有机器。
• 数据融合计算模式不同：有些场景需要统计分析的隐私计算能力，如双方数据求交后做SUM/COUNT等计算，或者双方联合SQL计算，最终得到统计分析结果；有些场景需要机器学习的隐私计算能力，如双方联合完成模型训练、模型预测，最终得到算法知识结果。
• 数据的云化程度不同：一些企业大部分业务系统已经上云，数据从产生到分析的全链路都在云平台完成，因此这类客户需要云上的解决方案来实现数据流通；还有很多企业的主要业务系统以及业务数据仍在自有IDC机房生成和加工处理，他们同样也有数据流通的需求场景。
• 数据计算和存储系统不同：对于一些数字化转型较早的企业，往往有完备的大数据计算和存储系统，如自建Hadoop、云上EMR、数据湖等，有现成的分布式计算和存储能力；还有一些企业，还没有完整的数据仓库体系，数据还保留在MySQL、PostgreSQL等业务数据库中，这种情况下所能提供的计算算力也比较有限。
• 数据所处的网络环境不同：隐私计算场景下，不同企业的数据存在于不同的网络环境内，企业内的数据处理系统一般是不对外提供服务的，因此大部分场景下多方之间的隐私计算过程需要通过公网传输数据；当然，也有如金融类企业愿意提供专线用于数据传输服务。

通过分析这些需求场景，我们不难得出以下几点结论：

• 隐私计算平台是典型的多学科交叉领域，涉及工程、算法、密码、硬件等多个方向，涉及统计分析、机器学习两大类应用场景，从广度和深度上系统架构的复杂度都很高，需要足够灵活的分层、分模块设计。
• 针对不同类型的场景和安全诉求，需要基于不同的隐私计算技术来提供解决方案，甚至需要同时结合多种隐私计算技术，形成一套解决方案来解决某一具体场景的问题。
• 安全合规是隐私计算技术和产品的重要依据，因此，隐私计算平台需要针对不同类型的数据融合计算场景，提供不同的隐私保护技术手段。
• 不同客户的数据分散在不同网络环境，大数据生态系统的现状也会千差万别，因此隐私计算平台对数据源、计算引擎、传输通道等组件的异构能力诉求是必然的，对云上部署、独立部署的能力也是基本要求。

DataTrust产品定位是通用的隐私计算产品，因此DataTrust工程技术架构能够同时支持多种隐私计算技术，严格遵循隐私计算安全标准，按照模块插件化的设计思路，适用于多种异构的计算、存储、网络环境，支持云上部署、独立部署等输出形态。

隐私增强计算技术

• 可信执行环境（Trusted Execution Environment，TEE）

TEE是硬件中的一个独立的安全区域，由硬件来保证TEE中代码和数据的机密性和完整性。也就是说，TEE是硬件服务提供商应用硬件在现实世界中构造的安全计算环境。应用TEE实现隐私增强计算的过程可以通过下图描述。

步骤1：各个参与方将自己的数据通过安全链路传输给TEE。

步骤2：TEE在保证机密性和完整性的条件下完成计算任务。

步骤3：TEE通过安全链路将计算结果发送给各个参与方。

• 安全多方计算（Secure Multi-Party Computation，MPC）

MPC是密码学中的定义，在无可信计算方的情况下，多个参与方各自持有秘密输入，并可完成对某个函数的计算，但每个参与方最终只能得到计算结果和能从自己输入和计算结果中推出的信息，其他信息均可得到保护。安全多方计算的定义可以通过下图描述。

• 联邦学习（Federated Learning，FL）

联邦学习是一种多个参与方在保证各自原始私有数据不出数据方定义的私有边界的前提下，协作完成某项机器学习任务的机器学习模式。根据隐私安全诉求与训练效率的不同，可以通过MPC、同态加密（Homomorphic Encryption，HE）、差分隐私（定义见下）等多种方式实现联邦学习。

• 差分隐私（Differential Privacy，DP）

DP是一种基于对数据引入随机扰动，并从理论层面度量随机扰动所带来的隐私保护程度的隐私保护方法。根据随机扰动方式的不同，DP分为在原始数据层面进行随机扰动的本地差分隐私（Local Differential Privacy，LDP）和在计算结果层面进行随机扰动的中心差分隐私（Central Differential Privacy，CDP）。

以上几种常用的隐私计算技术，从工程架构角度可以划分为两类：

• 中心化的计算模式：即可信执行环境（TEE），在这种模式下，各参与方信任中立第三方，把原始数据安全加密后上传到TEE环境，并进行后链路的统计分析、机器学习等。涉及的技术领域除了TEE，还需要辅助RSA、AES等加密技术手段。
• 去中心化的计算模式：即安全多方计算（MPC）、联邦学习（FL）等，在这些模式下，各参与方不愿意把原始数据给到任何一方，包括任何第三方，各参与方按照多方计算的协议进行本地安全计算，传输协议数据、中间参数数据，最终完成联合的统计分析、机器学习等。需要特别说明的是，在去中心化的多方安全计算过程中，还是不可避免的需要有一个协调方的角色负责双方计算过程的协调、协议公共参数下发等过程，实际落地中，这个协调方可以由某一个参与方来承担，也可以由云平台、第三方来承担。涉及的技术领域除了MPC、FL，还需要辅助同态加密（HE）、差分隐私（DP）等技术。

DataTrust在工程架构设计阶段，抽象出“协调方”的角色，既能够在中心化场景下承担任务协调与中心化可信计算的职责，又能够在去中心化场景下承担多个计算方之间的任务协调职责，从而最终形成一套统一的技术架构支持不同类型的隐私计算技术，在安全性和架构统一性上取得了很好的平衡。在此基础上，进一步按照模块组件化设计，能够支持灵活的部署形态，具备各种异构环境下输出的能力。

DataTrust工程架构设计

基于以上思考，DataTrust隐私计算平台从功能模块上设计包含两个模块：

• 云上安全协调中心（Cloud Security Coordination Center，简称CSCC）：以SaaS化服务部署在阿里云公有云或专有云，亦可独立化部署在客户私网环境，承担LSCC之间的任务协调调度、任务下发等协调性工作，同时还提供中心化的数据安全计算能力（即TEE可信执行环境）。
• 本地安全计算中心（Local Security Computation Center，简称LSCC）：提供本地化数据源的管理、数据密钥管理、数字签名共识审批并提供本地化隐私增强计算能力，能保护客户原始数据不出域，因此需要在用户私网环境部署。

以下是DataTrust的工程技术架构图：

• 安全技术：底层基于不同类型的隐私计算技术，包括多方安全计算、同态加密、差分隐私、联邦学习等软件相关安全技术，以及SGX2.0等硬件相关安全技术；
• 无量框架：抽象和设计一套工程框架，向下统一支持不同类型的安全技术，向上依次提供三层能力：

– 引擎层：提供不同协议的编译过程、执行算子库等能力；提供任务调度执行相关能力，包括任务调度执行、资源管理、执行算子库等；提供不同类型计算引擎的抽象和管理能力；

– 服务层：面向产品功能提供服务实现，包括任务管理、审批管理、数据管理、租户管理、系统配置等；

– API层：基于中间服务层提供的服务能力，面向业务前台提供API接口能力；

• 产品能力：DataTrust通过云产品形式，输出标准化的产品能力（CSCC+LSCC），同时能够作为平台技术提供方，被第三方产品、客户方所集成，从而满足定制化的需求场景；
• 解决方案：从业务视角，面向客户提供联合分析、联合建模、联合预测等标准化的解决方案能力。

DataTrust在设计阶段，从逻辑上拆分为了CSCC和LSCC两个功能产品模块，针对不同的应用场景，在物理部署时可以灵活支持以下两种不同的部署形态：

• 云上部署架构：云上部署CSCC，客户在云上VPC或自有IDC机房等私域环境下部署LSCC。优点是各参与方无需部署和运维CSCC，由云平台作为第三方承担协调方的职责，各参与方仅需部署轻量化的LSCC即可完成本地安全计算。

• 独立部署架构：一方客户在自有IDC机房等私域环境下部署CSCC+LSCC，另一方客户在自有IDC机房等私域环境下部署LSCC，双方点对点完成多方联合计算过程。该部署架构适用于金融等行业客户，希望能够不依赖于云平台、完全独立部署的场景。优点是无需引用云平台负责多方之间的协调职责，但前提是参与方之间一方信任另一方来承担协调职责。

DataTrust技术架构优势

• 严格遵循隐私计算安全标准

• 模块插件化、适配多种异构环境

遵循插件化的设计思路，随着支持业务落地过程中，目前已经支持了多种常见的配置源、数据源、计算引擎、传输通道等核心组件插件，而且能够快速扩展新的插件实现。

• 云原生容器化部署、多种部署交付形态

得益于灵活的技术架构、以及容器化的实现，DataTrust可以支持以下不同的部署形态：

– 云上部署：Client/Server模式

– 独立部署：Peer to Peer模式

– 一体机部署：软硬件一体机模式

– LSCC部署：单机模式（最小化部署）、集群模式（分布式部署）

• • 大数据场景高性能及规模化– 完整的、系统化的商用云产品方案
    • 包含协议密钥管理、协议编译、数据源管理、作业管理、作业调度执行等全链路产品化能力。
    • 支持多租户的任务调度，支持即时调度、周期调度等调度方式。
    • 业界领先的执行性能，超大规模数据场景下的稳定服务，且支持规模化服务客户。

– 灵活的平台开放能力

• • 开放Open API，方便业务方集成开发、定制化开发场景。
  • 开放执行算子开发框架，支持合作方、业务方自定义执行算子的开发与集成。

业务落地案例

DataTrust已具备MPC、FL、TEE等多种隐私计算技术下的联合分析、联合学习的产品化解决方案能力，目前已在多个业务场景完成落地。

• 联合分析：一方内容媒体侧和电商交易侧做全链路营销分析转化，用来指导产品和营销整体方案。

• 联合建模：广告主和媒体侧数据联合建模，提高转化率，用来指导投放策略。

以上是DataTrust在隐私计算领域从产品需求到工程架构的实践之路。

后续我们将从不同的产品功能方向，进一步和大家分享DataTrust的更多技术实现细节，敬请期待哦~

隐私增强计算平台DataTrust

DataTrust是行业领先的基于可信执行环境（Trusted Execution Environment，TEE）、安全多方计算（Secure Multi-Party Computation，MPC）、联邦学习（Federated Learning，FL）、差分隐私（Differential Privacy，DP）等隐私增强计算（Privacy Enhancing Technique）技术打造的隐私增强计算平台，在保障数据隐私及安全前提下完成多方数据联合分析、联合训练、联合预测，实现数据价值的流通，助力企业业务增长。

2017 年，我们推出了云上数据中台解决方案，各个企业争相尝试。

企业中不同角色的实践者关注着价值创造、方案实施、运营体验，并提出诸多问题。

什么是数据中台？

为什么做数据中台？

应该选择什么样的技术和方法实施数据中台确保可行？

这三个问题的背后都是在关心价值，只有使价值可解释，数据中台的技术和方法才可以被理解。

在持续为企业创造价值的使命驱动下，阿里云数据中台致力于：构建最厚实的数据生产资料、

探索高价值的业务场景和应用、提升普惠的数据消费水平、建立强大的数据组织和管理的能力。

时间走过 2021 年，数据中台旗下 Dataphin 和 Quick 系列产品，仍不断精进演化，在数据治理、

分析决策、营销提效、风险控制等领域有着长足的进步。

我们希望利用产品年鉴的形式，为大家梳理数据中台架构中多款产品的作用与位置，并对

Dataphin、Quick BI、Quick Audience 三款重点产品的核心能力进行解析详述，推出目前最

为完善的产品能力大图。

2022 我们将继续乘风破浪，期待与更多企业的合作，创造不泯于时代的新浪潮。

《数据中台2021产品年鉴》全文下载 请点击：阿里云数据中台官网

华为云在政企市场诸如政务大数据、运营商、金融以及能源等行业拿下众多大单，阿里云则在公有云上积累了大批互联网行业用户，也在政务等领域取得较大进展。亚马逊云科技则依托智能湖仓一体、全面丰富的数据管理及分析产品组合在中国市场获得大批公有云用户。尽管细分市场布局不同，厂商努力攻关的技术方向大致相同：存算分离、智能湖仓、交互式分析、数据治理、实时处理等。

市场发展影响因素

中国大数据市场发展已进入平稳阶段，当前的制约因素主要在于行业企业内的数据源并不充足，数字化建设缺乏长远规划，市场需要新的动力才能驱动大幅增长。

• 数据交易、数据要素培育、数据确权及交易机制的不断完善，上海大数据交易所的设立，将有助于推动大数据市场的新浪潮。
• 数据隐私保护法律法规的不断完善，增强数据安全保障，也为数据交易及使用增强了信心。
• 《十四五大数据产业发展规划》发布，为大数据产业发展提供指引。
• 此外，与全球市场类似，打造未来智能企业的内在需求，将驱动大数据市场持续增长。

IDC中国助理研究总监卢言霞表示：“数字化转型、智能化升级过程中暴露出来的高质量数据源缺失的挑战，将为大数据的采集、存储、管理及分析市场带来新的机会。在大数据产业持续进程中，市场也需要一些新的驱动力才能实现下一次爆发式增长、进入二次增长曲线。加强数据基础设施建设，做好长期数字化规划，建立良好的数据基础，才能确保该市场持续健康增长。”

截至2021年6月，粤港澳大湾区各地的开放数林指数等级如下表所示。深圳、香港开放数林综合等级最高，为A+等级；广州、东莞紧随其后，为A等级；其次是江门、澳门和中山等地。

在单项维度上，香港在准备度和利用层上表现最优，深圳在平台层和利用层上处于领先地位，都进入了A+等级。

综合等级较高的地方主要集中在香港、深圳、东莞、广州这一条绿色“林带”上。

报告还从准备度、平台层、数据层和利用层四个维度推介了粤港澳大湾区的一些标杆案例，以供各地进行对标分析 。

截至2021上半年，深圳、香港和广州开放的有效数据集的总数最高，均开放了超过一千个数据集。

东莞平台开放的有效数据集的容量最高，达到2.6亿，其次是深圳和香港平台，总容量均超过了5千万。

PDF版本将分享到199IT知识星球，扫描下面二维码即可！

企业迈向数字化已经是不可逆转的趋势。数字化工具和系统不仅能帮助企业实现消费者、客户和企业之间的高效连接，设备之间的互联互通，而且能打破传统部门间的信息隔阂，连通上下游产业链的数据孤岛，积累的海量数据还为管理者敏锐感知内外部变化提供了决策基础，为企业带来了实实在在的效益提升。

因此，拥抱数字化越来越成为企业战略转型的必经之路，而作为企业数字化的“舵手”，CIO群体在这一重大转型中碰到了一系列全新挑战，同时留下了大量值得思考和研究的话题。红杉的这份《企业数字化指南》以“FromCIO、To CIO、For CIO”为理念，从宏观的战略制定到实践中的数据治理、技术实现、组织协同等各个维度对企业数字化进行了全面梳理，为CEO、CIO和其他企业数字化管理者提供了一份系统的操作指南。

这份指南是创投圈发起的第一份面向CIO群体的全景数字化报告，融合了红杉多年科技服务和产业赋能经验的总结。红杉中国表示，这将是红杉助力推进国家数字化发展的一个新起点，而且“这份报告，我们希望至少做20年，以此记录中国企业数字化的成长。”

以下是这份《指南》中的核心洞察。

战略篇

核心洞察1：

报告显示，数字化已经成为企业的“必修课”，96%的受访企业表示已开展了数字化实践，并且超过六成的受访者希望增加数字化投入。从数字化的动因来看，客户消费习惯与需求变化成为企业进行数字化的直接外因，而提升自身核心竞争优势则成为了企业进行数字化的核心驱动力。

核心洞察2：

数字原生企业的数字化核心在于掌握挖掘数字资产的核心技术并打造数字化生态；而非数字原生企业的数字化第一步，则是形成数字化思维，从数字化特征的角度去审视并重构企业的所有流程。无论何种企业，其数字化的原则都是以数据为核心去打造或重构企业的组织架构和业务流程。CEO和CIO作为企业核心的数字化管理者，需分别站在企业战略以及专业领域的角度，共同促进企业数字化实践与企业发展目标保持高度一致。

核心洞察3：

数字化发展的前期，大型企业是主要参与者，其更偏好自上而下地系统改革，基于业务流程梳理进行全面的数字化部署，因此其对于企业级数字化战略的制定也更为迫切。随着数字化进一步发展，中小企业逐步从观望者转化为参与者，但他们往往不具备足够的资源与技术进行全面改进，因此他们更多选择从业务部门出发，针对明确的需求和痛点，利用数字技术解决问题。

在受访企业中，业务协调式与科技协调式是应用较为广泛的模式，分别占比31%与57%。业务协调式主要是由业务部门牵头进行数字化的开展，其数字化实践出发点也更偏业务导向；科技协调式主要是由企业的技术或数据部门牵头开展数字化实践，其数字化实践重点也会更具技术专业性。这两种模式的便利性在于对于现有的组织架构变动相对较少。而集中式的推动方式对于企业组织架构调整与人才能力要求相对较高。企业需要根据自身实际发展情况“量体裁衣”，选择适合不同发展阶段和业务模式下的数字化推动模式。

实践篇

从战略到实战，企业还需要解决一系列的现实问题。在实践中，不同的数字化能力对企业的业务价值和重要性不同，因而企业选择构建数字化能力的优先级也会不同。数字化能力需要统筹部署，才能为企业提供更大的投资回报，发挥其最大价值。

核心洞察4：

在数字化实践初期，企业切忌盲目全面推广数字化实践，而应首先识别数字化机会与场景，找准数字化切入点，以点及面，以防资源浪费及打击内部数字化信心。切入点的选择可以是企业的发展痛点、业务潜在价值点，也可以是企业的优势点。在本次调研中，受访企业希望优先开展数字化实践的四大领域分别是数据驱动的洞察与决策、数字化运营与供应链、以客户体验为中心、产品与服务创新。企业数字化成功又有哪些关键因素？

1.供应链一体化、运营流程再造数字化运营与供应链同传统模式存在较大差异，其架构更加柔性化和扁平化，效率更高；其次，通过利用各个环节产生的海量数据可以帮助企业对消费者需求进行预测，同时打通跨企业实体之间的数据，形成共享与交易机制，提升沟通的效率。无疑，企业数字化管理者应高度关注如何开展线上线下一体化整合。

2.品牌与体验策略、客户旅程设计数字化时代下，商业活动更加强调“以客户为中心”。在一切都变得越来越难以确定的情况下，客户需求相对而言是企业更抓得住的东西，而数字化提供了企业更快更好理解和服务客户的有效手段。因此，企业依托数字化洞察客户的全面需求，实现客户精准触达，提升客户体验，最终实现以客户为中心的全渠道、无缝式、定制化服务转型。

3.业务与技术融合、敏捷交付方式数字化不但增强了企业内部研发、生产、供应链、市场营销等环节的联动，同时也强化了不同企业之间及企业与市场之间的互连互通，从而提升企业创新效率，拓展其创新空间。利用数字化技术，企业可以更精准掌握市场需求的变化，洞察客户潜在需求，促进更多创新和创意的涌现，甚至让客户参与产品与服务的创新进程，实现企业产品服务与客户需求的深度融合。为此，企业通过对创新流程、创新工具、组织结构等方面进行革新，从而快速形成新的产品与服务模式。

数据篇

随着数字经济时代的到来，以数据技术为“核心资产”正成为整体经济发展的核心驱动力。然而，数据治理能力不足导致的问题成为受访企业面临的最主要问题。企业如何对数据形成有效治理？又如何在实践中保证数据安全？

核心洞察5：

数据的重要性毋庸置疑，近七成的受访者表示如何通过数据驱动业务洞察与决策是其未来的数字化重点。然而数据治理能力不足已成为阻碍企业数据应用的主要因素。因此，如何建立科学开放的数据资产管理与运营体系是所有企业都需要考虑的问题。此外，数据安全是构建客户信任的基础，相应安全保障工作也需同步开展。

技术篇

以人工智能、庄闲网络娱乐平台进入 、物联网、云计算、大数据为代表的新兴技术的出现和普及，进一步加速了万物互联的超大规模产业互联网的形成。但技术归根到底还是为了业务而服务，需要在业务场景中体现其具体价值。面对不同发展阶段、不同应用场景的企业数字化需求，数字化领导者们应该为自己的企业匹配什么样的数字技术？

核心洞察6：

企业引入技术的最终目的还是为了服务于业务，所以技术需要在业务场景中体现其具体价值。因此，企业在拥抱新兴技术时应当综合考虑技术与业务的适配性、技术的前瞻性和成熟度，以及自身的研发与应用能力，不必过分追求高端、全新的技术，而应选择最适合自己的。

●云服务本次调查显示，超过七成的企业已使用了云服务，47%的企业正在大规模推广并应用，29%的企业已开展小规模试点。对于业务量变化较大、经常有短期项目、正在快速增长的创业型公司，因为云服务本身具有一定的弹性特质以及按需付费的模式，故而成为较佳的选择。

●SaaS软件服务化（SaaS）市场平台是仅次云服务的最大赢家。据调查统计，有33%的企业已经大规模推广并应用SaaS服务，并且有35%的企业已开展小规模的试点。

●大数据大数据市场依旧热门，虽然只有25%的企业大规模推广并应用了大数据技术，但其在“局部试点”中占比最高，有40%的企业已开展大数据的小规模试点。与此同时，企业主要将其应用于数据驱动的洞察与决策。

组织篇

在数字化时代，企业为加速孵化数字化实践成效，对于内部组织结构模式需要进行一定创新性变革，使之与数字化发展进程更为契合。企业应如何选择适合的组织创新模式，如何吸引人才，并最大限度地利用外部资源，促成数字化战略的成功实现？

核心洞察7：

随着企业数字化进程的推进，数字化管理者的角色越来越重要，技术所发挥的影响力也逐步提升。数字化需要业务与技术双方的深入参与，如何通过更“敏捷”的组织模式和配套机制使业务和技术目标一致，实现高效协同是企业需要解决的一大问题。同时，数字化文化是培育企业数字化的土壤，也是构建企业协同组织必不可少的一环。

核心洞察8：借用外部能力

企业的数字化往往受限于数字化人才与技术能力的短缺，这一点对于中小企业尤为明显。因此，巧借外力，利用供应商快速构建自身的业务、数据、技术能力已成为中小企业的较佳选择。企业应以发展的眼光看待企业数字化合作体系，注重知识的转移，确保核心数字资产的自主可控。

以上摘取自红杉中国《2021企业数字化年度指南》。

目前，数字化已成为驱动企业增长的核心源动力之一，这样的趋势开始变得尤为明显。近年来，企业内生发展需求和客户数字化行为加速了数字化转型，到了国家十四五规划开局之年的2021年，企业数字化转型则进一步驶入快车道。

过去十年，红杉中国一直积极参与和推动中国的数字化浪潮。一方面通过在数字科技领域的大量投资，推动数字科技的创新和应用，洞察各行各业的数字化实践，另一方面积极推动红杉投资的企业拥抱数字化，在各自的业务中积极应用数字科技，并于2020年成立了全职的红杉数字化赋能团队，构建以“战略合作体系、产品赋能、点对点赋能”为核心的金字塔式三层数字化赋能架构，全面赋能企业。

结果显示，中国在六个可持续发展目标方面正向着2030年可持续发展目标迈进，尤其是2015年之后，改善幅度较大。《报告》指出，中国有四个指标整体已经接近或达到2030年可持续发展目标，包括五岁以下儿童生长迟缓比例、可便利使用公共交通的人口比例、土地退化比例和山地绿色指数。

可持续发展大数据国际研究中心主任、中国科学院院士郭华东指出，应对可持续发展目标所面临的数据挑战需要开拓更有效的方式。充分发掘利用和创新地球大数据技术，是解决当前面临可持续发展的数据鸿沟、信息和工具缺失问题的有效途径。作为致力于大数据服务可持续发展目标的国际研究机构，可持续发展大数据国际研究中心将建成集“存储、计算、分析、服务”的SDG大数据技术服务体系、开展SDG指标监测与评估科学研究、研制并运行SDG科学卫星、构建科技促进可持续发展智库，并开展大数据服务可持续发展目标的人才培养和能力建设。

在零饥饿方面，聚焦可持续粮食生产体系，构建了中国耕地复种指数和14种主要作物空间分布数据集，展现了地球大数据技术在及时快速信息获取和多源数据融合方面的能力。

在清洁饮水和卫生设施方面，围绕改善水质、提高用水效率、水资源综合管理、保护和恢复与水有关的生态系统四个具体目标，发展了中国湖泊水体透明度数据集、全球大型湖泊水体透明度数据集、全球农业区的作物水分利用效率数据集、中国自然和人工水体分布数据集，以及中国沼泽湿地分布数据集。

在可持续城市和社区方面，聚焦公共交通、灾害评估、公共开放空间三个具体目标开展了基于地球大数据技术的指标监测与评估，并在中国市级尺度开展了多指标综合评估。生产了分性别、年龄段的中国人口高精度公里格网数据、中国地市级自然灾害总体损失年际变化数据集、中国城市建成用地绿地空间组分数据产品、中国社区尺度城市景观数据产品。

在气候行动方面，聚焦抵御气候相关灾害、应对气候变化举措、气候变化适应和预警三个具体目标，通过地球大数据方法生产了中国沙尘天气年际影响范围数据集、中国CO2和NO2浓度数据集、中国森林净生态系统生产力数据集、全球净生态系统生产力及其驱动因素数据集、综合海表卫星与ARGO浮标观测资料生产全球海洋热含量数据集。

在水下生物方面，聚焦可持续管理和保护海洋及沿海生态系统具体目标，通过时空数据融合、四维变分同化预报和深度学习等方法，在中国和典型地区两个空间尺度，完成了中国红树林动态变化、中国滨海养殖池动态变化等数据集产品生产和黄海大型藻华监测预警模型实用性验证等工作。

在陆地生物方面，聚焦陆地和内陆的淡水生态系统保护、恢复与可持续利用、山地生态系统保护与遏制生物多样性丧失三个具体目标，生产了全球山地绿色覆盖指数及濒危物种公里网格空间精细分布两套数据集产品；评估了中国生态系统质量及动态变化、中国草地生态系统保护现状及越冬白鹤栖息地时空变化特征；得出了中国2000~2015年生态系统质量显著提升，中国草地生态系统总体保护效果较好，但仍有5类分布面积较小的草地保护比例低，鄱阳湖栖息地退化亟须进一步保护等科学发现。

PDF版本将分享到199IT知识星球，扫描下面二维码即可！

仅2020年第一季度，美国就提出了66598次数据请求，同比增长21%。在这些请求中，76%（约5万条信息）得到科技公司同意并分享。

很多美国人仍然对社交媒体公司将他们的数据提供给包括美国政府在内的第三方持怀疑和担心态度。

美国对Facebook和推特信息的请求最多，分别为61528和3429次。此外，来自美国的数据请求量是排名第二的德国的6倍。

总体而言，几个国家的数据请求次数显著增加，比如丹麦和韩国，从2019年到2020年，这两个国家的请求数量都增加了400%，德国向苹果请求的信息最多。

苹果在其透明度报告中表示：“政府请求的情况可能会有所不同，执法机构会代表请求帮助的客户进行工作，包括涉及设备被盗或丢失以及信用卡欺诈的案件。此外，在紧急情况下，这些请求可能关乎到人身安全都可能受到迫在眉睫的伤害的紧急。”

Facebook在谈到其透明度准则时表示：“只有在我们真诚相信法律要求我们这么做的情况下，我们才会遵守政府对用户信息的要求。当我们确实遵守要求时，我们只会提供专门针对这一要求的信息。”

在批准政府信息请求的情况下，Facebook可以生成基本的用户元数据，如用户的姓名、支付信息、电子邮件和IP地址，以及存储的内容，如照片、视频和消息等。

根据Twitter的信息请求指导方针，该公司保留在紧急情况和执法部门发出的日常法律要求下披露用户信息的权利，但“在适当的情况下，Twitter将拒绝不完整或不恰当的账户信息请求，比如表面无效或范围过广的请求。”

过去几年里，科技公司彼此之间以及与美国政府之间多次就用户数据的保密性问题发生争执。（本文来源：新浪美股）

经过多轮洗牌，来电科技作为共享充电宝行业的开创者，与小电科技、街电科技和怪兽充电合称“三电一兽”。在2019年Trustdata发布的中国共享充电行业发展简报中显示，“三电一兽”占据了充电宝市场96.3%的份额，就连互联网巨头美团，也在2020年重启了充电宝业务。

在来电科技CTO罗昌明看来，共享充电宝无疑已经进入了最残酷的“贴身”肉搏战阶段。

如何从这场厮杀中成功出线，来电给出的方法是在基础设备上夯实技术，同时通过数智化运营保持住先发优势。

企业痛点：

1、用数看数体验不畅，各类数据面板登录独立，原有业务系统数据源繁多

2、业务应对市场变化的临时需求难以被满足，数据报表可视化开发压力大

3、BD团队开展地推工作，缺少及时准确的数据能力支撑，线下拜访靠经验

4、移动数据应用场景典型，户外操作体验欠佳，员工无法高效协同

为什么选择阿里云数据中台的Quick BI产品？

来电科技起步较早，并最早进行专利布局，目前拥有122项专利技术授权，位居行业第一，注册用户超2亿，服务覆盖全国超90%的城市，同时也是导航机柜解决方案提供商。

而阿里云数据中台，作为阿里巴巴数据中台能力唯一官方商业化输出，吸收沉淀了阿里多年、多业务线的数据技术能力和数据构建方法论。其中拳头产品Quick BI是经过淘宝天猫千万商家打磨、阿里巴巴内部十万员工最爱使用的，也是中国唯一进入Gartner ABI魔力象限的BI产品。

于是在今年2月，来电科技与阿里云数据中台建立合作，将数据可视化分析平台Quick BI无缝集成到来电科技业务系统。引入Quick BI之前，来电科技的数据团队面临着数据源复杂，数据面板多样的问题，随后发起了数据治理项目，以大数据仓库为主要存储和处理空间，Quick BI为数据可视化展示的唯一出口，项目提升了全公司数据层面的指标统一性。Quick BI帮助电科技实现全场景数据消费，构建起覆盖全域的数据分析系统，让数据在企业内流动消费，释放数据价值。

解决方案：

一、灵活集成企业自有系统，自动化管理用户权限

在BI选型的过程中，Quick BI凭借与来电科技原有业务系统的无缝衔接，使得定制化报表在视觉风格、账号权限、登录方面实现完美整合，从众多竞品中脱颖而出。

来电科技业务系统维护着所有企业员工的用户权限，本地化部署的Quick BI可以实现员工账号的免密登录，但若员工发生入职、离职、转岗、升职等变动时权限的跨系统的同步无法有效解决，这时Quick BI完善的开放能力帮助来电的数据团队通过二次开发快速实现了同步功能，原有系统修改了员工的用户权限，则在Quick BI中的数据权限也会自动改变。

来电科技BI报表的主要访问用户有管理层、业务BD、运营等角色，Quick BI为不同用户角色提供差异化的数据分析看板，如：面向管理层提供大盘分析，面向组长提供每日经营分析，面向BD提供KPI监控分析，以解决不同场景的看数诉求。这就对工具的权限管理提出了很高的要求，Quick BI的分级权限管控、集中式权限管理和空间级隔离使权限管理变得简单方便，同时在数据层面还可对表级、列级和行级权限进行管控，实现数据分析的千人千面。

来电科技权限管控示例图

二、智能分析轻松上手 提升员工工作效率

来电科技的业务推广渠道，分为直营线和加盟线，业务侧通常需要通过向数据团队发起数据分析需求，以此获得数字化能力的支撑，从而最大限度地依靠公司实际经营数据做出正确判断和决策。

数据团队一旦接到需求，从取数、分析、尤其是最后形成可视化的报表需要投入大量的工作人日。这一过程通过传统的开发模式往往无法及时准确的响应，有的需求甚至会堆积数月，导致错过调整经营策略的最佳时间窗口期。

Quick BI仪表板操作界面示例图

数据团队利用Quick BI大幅降低了对业务侧临时需求的支持时间。数据团队进行数据接入、模型构建等底层支持，使用简单的拖、拉、拽，低代码可视化的操作方式，快速响应需求，沉淀了上百个不同主题的仪表板。业务团队甚至可以利用Quick BI自助分析能力，自行消化临时需求。数据团队与业务团队的协作效率提升了约70%，时间从几周减少到了几天。让业务从发起需求，到最终应用于业务决策，能快速推进落地。

三、打造数据消费文化，依托数据进行精细化运营

“以前，做好了可视化的仪表板，整个分析链路就算到头了。Quick BI给我的想象力是全公司每个人都能拥有持续自助分析的能力”，来电科技CTO罗昌明说到。

从管理层数据驾驶舱，到业务专题分析门户，再到一线人员轻松入门的电子表格和自助分析，来电科技利用Quick BI快速在企业内部普及数据消费文化，为企业各种角色和场景制作培训视频进行推广，产品使用覆盖70%~80%的员工。

来电科技进行Quick BI内部培训

对手“贴身”肉搏的竞争和自身业务的急剧扩张，让在一线推广的业务人员迫切地需要数据化支撑来为行动提速。以KPI考核的指标监控场景为例，Quick BI帮助BD发现问题，辅助决策，以解决问题。

来电科技总部会制定月度KPI，并层层拆解至每一位BD的月度考核的指标，数据开发者会针对影响KPI完成的因素来创建分析专题并制作报表。BD在这些报表中洞察出达成KPI的方法。

KPI指标设定示例图

在商户分析主题中，若发现高价值客户流失，则需要启动线下拜访计划，尝试挽回。在设备分析主题中，若发现设备使用持续饱和，就需要及时对充电宝进行补充。若设备出现异常指标，如多天不开机或周期内零动销，Quick BI也将触发告警，将异常情况及时传递到相关人员移动端设备予以提醒，以便及时对硬件设备进行检修。

在新客拓展的场景下如何挖掘高价值点位，需要综合各项因素，形成差异化的收费标准和服务模式，而这套运营体系也可以依靠Quick BI对现有高价值点位的画像进行拓展和优化。

四、深植互联网基因，便捷的移动端操作和在线协同体验

提起为什么在众多BI产品中选择了阿里云数据中台的Quick BI，来电科技CTO罗昌明强调说，因为Quick BI 在他看来是一款真正具备“互联网基因”的产品。

随着与阿里云合作的实时数仓建设落地，订单系统数据和财务结算数据实现了实时的更新。当加盟线的代理商们能够实时看到自己的营收变化，对来电科技的信任度有了大幅的提升，业务进入到实时决策的新局面。

得益于Quick BI移动端能力，为来电科技长期在外奔波的一线员工创造了便捷的数据消费体验。

移动端的仪表板组件均为移动场景定制，并非简单的以PC端进行适配。横竖屏自由切换方便查阅；点击弹出浮框方便操作返回上级页面；和钉钉、企业微信、飞书等办公工具灵活集成，无阻协同；当数据发生异动时，自动触发告警提示推送到相关人员移动设备。

来电科技移动端仪表板

大数据时代企业除了在基础建设中更为重视数据以外，对执行力和速度的响应要求也越发严格。BI软件也不再仅仅是一个工具，更是一套契合数智化时代的决策管理方案，通过对数据的整合，融入业务逻辑，供给执行层行动指南，供给管理层决策参考，及时把控整体业务，发现业务问题，调整经营决策，从而不断改善整体业务，推动业务增长。

【博睿数据CTO孟曦东作为评估发起人发言，并与SEI主任评估师Mira Culley就CMMI5级认证和改进进行了充分沟通】

CMMI全称Capability Maturity Model Integration，即“软件能力成熟度模型集成”，是国际公认的衡量软件开发过程成熟度和过程规范性评估标准，由美国卡内基梅隆大学的软件工程研究所（SEI）创立。在过去的十几年中，对全球的软件产业产生了非常深远的影响。CMMI共有五个等级，分别标志着软件企业能力成熟度的五个层次。从低到高，软件开发生产计划精度逐级升高，单位工程生产周期逐级缩短，单位工程成本逐级降低。据SEI统计，通过评估的软件公司对项目的估计与控制能力约提升40%到50%；生产率提高10%到20%，软件产品出错率下降超过1/3。

对一个软件企业来说，达到CMMI2就基本上进入了规模开发，具备了一个现代化软件企业的基本架构和方法，具备了承接外包项目的能力。CMMI3评估则需要对大软件集成的把握，包括整体架构的整合。一般来说，通过CMMI认证的级别越高，其越容易获得用户的信任，在国际、国内市场上的竞争力也就越强。因此，是否能够通过CMMI认证也成为国际上衡量软件企业工程开发能力的一个重要标志。CMMI5级是当今世界软件能力成熟度难度最大、等级最高的评估，通过该评估即代表软件企业的软件能力成熟度达到了最高级别。

CMMI5的评估认证通过，标志着博睿数据在软件能力成熟度模型中已达到最高级，在软件研发水平和管理质量跻身全球软件业先进水平，与国内外超一流科技企业站在同一起跑线。

博睿数据一直遵循CMMI模型的软件研发管理理念，将通过CMMI最高等级认证作为努力的方向。博睿数据于2018年通过CMMI3级认证后，便正式启动CMMI5的导入工作。公司领导层高度重视过程改进工作，从相关部门选拔骨干人员成立了EPG（工程过程组），为软件能力的改进打下了更为坚实的基础。经过4年不断的投入资源，以及各部门同事共同努力，博睿数据形成了一系列正式的规范，涵盖公司产品研发、质量管控、人力资源管理等多项工作内容，并在Bonree Server、Bonree Browser、Bonree DataView、Bonree SDK APP等多个项目的试点中取得了预期的效果，建立了一套符合公司研发特点的过程管理体系。

未来，博睿数据将继续发挥自身的技术优势，把CMMI5评估认证的相关标准应用到每个项目中，在高成熟度的体系框架下，不断提升产品创新与开发能力，构建系统化服务能力，为客户提供更成熟更优质的行业解决方案和服务，赋予行业发展新的动能。

在全球疫情下，中国经济率先复苏并总体保持恢复态势。今年是中国政府实施“十四五”规划的第一年，围绕新一代信息技术等战略性庄闲游戏在哪 的投资增速进一步提升。IDC预测，中国大数据市场2021年整体规模超110亿美元，且有望在2025年超过250亿美元，呈现出强劲的增长态势。在五年预测期内，中国终端用户对大数据硬件、软件、服务的支出分布相对平均——与美国等区域不同，中国大数据市场的软件订阅制服务占比较低，本地部署及私有云模式仍需要采购大量硬件设备。至2025年，硬件预计将吸收中国大数据市场约40%的投资规模，超过软件和服务，增长稳定；大数据软件市场占比将逐年提升，2025年超30%的市场支出将流向软件，五年CAGR达到26.7%。

IDC《2021年V2全球大数据支出指南》在技术维度（硬件、软件、服务）的基础上进一步对大数据子市场做出了细分。以增速较快的软件市场为例，2025年占比最多的三个软件子市场分别为人工智能软件平台（AI Software Platforms）、非关系分析数据存储（Nonrelational Analytic Data Stores）及终端用户查询、报告和分析（End-User Query, Reporting, and Analysis Tools）。IDC预计，2021年三者总和约占中国大数据软件市场的48.4%，并在2025年提高至58.8%。非关系分析数据存储、内容分析（Content Analytic Tools）及搜索系统（Search Systems）有望成为中国三大热点子市场，增速较快，五年CAGR均在40%以上。

在IDC《全球大数据支出指南》持续追踪的19个行业当中，IDC预计，2025年中国55%以上的大数据IT支出将来自于政府、通讯、制造及银行四个行业。不同规模、行业和区域的终端用户在内部的数字化能力存在差异，就增速而言，保险、通讯、政府等行业展现出了较大的发展潜力。

同时，IDC《全球大数据支出指南》将终端用户企业规模由上至下分为了五个区间，从企业规模的维度对大数据支出情况做出进一步透视。其中，雇员超过1,000人的超大型企业在五年预测期内（2021-2025）占据了整个中国市场支出的60%以上。与体量较小的企业相比，大型及超大型企业数据多、业务多、信息化基础好。同时为保持竞争优势，超大型企业在数字化转型方面预算相对充裕，进而带动了大数据支出需求。

按区域分析，华北地区在发展环境、产业发展两个方面指数较高；华东地区在产业发展、发展环境两个方面指数较高；华南地区在创新发展、数据治理、产业发展三个方面指数较高；华中地区在发展环境、产业发展两个方面指数较高；西南地区在发展环境、产业发展两个方面指数较高。总体来看，华南地区整体发展情况较好，其他4个区在数据治理方面都偏弱。

从四大一级指标来看产业发展方面北京第一，杭州、上海、广州、武汉分别为第二、第三、第四、第五；

发展环境指数方面北京第一，上海、贵阳、天津、成都分别为第二、第三、第四、第五；

数据治理指数方面北京第一，深圳、广州、贵阳、南京排名分别为第二、第三、第四、第五；

创新发展指数方面北京第一，深圳、上海、广州、杭州分别为第二、第三、第四、第五。

来源：中国电子技 术标准化研究院、中科大智慧城市研究院、CIO 时代研究院

PDF版本将分享到199IT知识星球，扫描下面二维码即可！

这是一个新零售的时代。其要义在于以消费者为中心，业务、流程、系统、技术支撑均围绕消费者服务，也是数字化最着力的方向。

从宜家到Wayfair，家居行业经历着零售业一样的演进历程：从集贸式零售开始到连锁店式零售再到电子商务式零售模式。而更垂直的家具领域，涌现出许多新零售模式的新锐品牌和企业。梵几即为代表之一。

梵几创立于2010年，做实用，坚固，耐用且美的日常家具是其自始自终追求的品牌理念。在消费者眼中，梵几有诸多经典之作，如螳螂椅、豆荚摇椅、海星椅等。

除拥有独特的设计哲学和令人印象深刻的东方文化底蕴外，公众不知道的是，梵几是中国家具行业新锐品牌中数字化程度最高的企业之一。这背后，离不开知名云ERP服务商Oracle NetSuite的加持。

东方美学创意和新兴技术的结合，成就了新零售时代的家具行业惊艳的数字化之路。在近日甲骨文 · 云行天下 走进梵几美学空间的活动中，199IT有机会深入了解梵几及Oracle NetSuite数字化合作背后的故事。

结缘

 梵几的数字化发展，从创立之时就开始了。梵几的渠道始于官网商城，接着是天猫、京东等电商平台、小程序等移动电商渠道，再到线下门店。

梵几CFO宋星若

公司IT团队有华为出身的高手坐镇，成员精悍，能力很强。在2018年之前，梵几数字化基本是走自研的方向，从官网商城开始，到ERP、办公系统等。在梵几CFO宋星若看来，团队与同行相比，具有更强的开发能力和系统维护能力。

梵几CIO曹力认为在梵几数字化的进程中，梵几的IT化仍可以进一步提升效率以及拓展更优的改进空间。一方面，传统的信息化基本还是在将业务流程IT化，数字化最终则需要能优化业务流程，指导实际的业务决策。另一方面，如果完全自研，对于并非IT公司的梵几，有着不小的人力、成本压力。曹力表示，“有一些流程靠自研的方式解决代价非常大。人力、成本、周期都不是最优方案。引入第三方，站在巨人的肩膀上能走得更快、效率更高、成本更低。”

梵几并非传统家居企业，其渠道的多样性管理运营，对技术和产品要求非常高，包括库存的调拨、线上线下数据一致性，都面临挑战。

公司内部也开始着手选择外部第三方解决方案。方向有两个，一个是传统的ERP产品部署。这个领域已有数十年的行业发展，包括国际品牌SAP以及国内品牌金蝶、用友等。但传统ERP部署时间长、成本高、风险不可控。“在决策过程中，需要快速解决供应链问题，并不仅仅是财务模块的优化。传统ERP部署一旦选型错误，可能会导致满盘皆输的局面”这是包括宋星若在内的高管的担忧。

剩下的另一个方向是SaaS模式，包括一些轻量级的应用，各家优势不太一样。一开始梵几内部有一种声音是：在预算固定的前提下，优先解决一部分问题。而走过一大圈的尝试之后，团队发现以云ERP为核心的Oracle NetSuite最契合自身的需求。

对于梵几这样传统商业模式中的创新企业，Oracle NetSuite有着深刻的行业理解。零售行业尤其是新零售行业，是Oracle NetSuite非常擅长的领域之一。

Oracle NetSuite 成立于1998年，在云计算概念还未出现就已是云原生的企业级应用。经历二十余年发展，Oracle NetSuite成为行业领先ERP云 ，也是部署最广的ERP，全球大概26000家客户。

Oracle NetSuite积淀二十多年成熟的SaaS经验，配套标准化的实施，这大大降低了企业的决策风险。同时成本可控，能一步步实现更多功能。梵几也进行了市场调研，包括向自身的供应商了解，Oracle NetSuite的良好行业口碑和品牌力也成为梵几最终选择合作的原因之一。

价值

初次合作，梵几也有不少的担忧。一方面梵几拥有自研系统模块和其他第三方的系统产品，如何将这些系统之间打通，形成统一的数据中心。另一方面，家具行业的特性决定，厂商必须快速响应用户需求，对可定制性要求非常高。用户提出的需求，需要立刻优化。第三方供应商是否有这样快的响应能力成为考量的因素之一。

梵几CIO曹力

曹力向199IT坦言合作之初的担忧，但随着项目的实施和搭建，Oracle NetSuite的强大自定义能力以及基础的架构平台很快的打消了之前的疑虑。使用后发现Oracle NetSuite能够完全满足即时性的需求，例如自定义报表功能减少了之前的工作量，而且可以通过Oracle NetSuite来整合所有的数据，用定制报表功能完成数据分析工作。

虽然正式上线不过几个月时间，Oracle NetSuite财务规范化和数据完整性调整，解决了宋星若很多的难题。此前，宋星若所领导的财务内控变得越来越复杂，需要增加更多的人手核对订单、核对采购单、核对出库等。Oracle NetSuite通过对数据的优化，能够降低库存，提高周转率，降低损耗率，甚至未来能用更高级手段去跟踪次品，都是基于底层流程数据的通畅，进而做更高级的提升。

在宋星若看来企业都要回到消费者视角，财务和后端等部门最终都是服务于消费者，品牌怎样才能够更好地赢得消费者。家居行业的数字化转型首先要找准用户定位、用户服务逻辑，然后延伸下来对产品的管理、交付的管理、对电商的支持、供应链、与生产支撑企业之间的流程打通。

最终，业务的底层逻辑包括怎么做计划、怎么做预测、数据模型如何构建，这些在数字化转型中都极为关键。宋星若希冀与Oracle NetSuite的进一步合作，能够不断优化这些问题。

曹力认为，Oracle NetSuite对梵几最大的改变，在于打通了财务和业务。而销售模块灵活也反向推动后端的供应模块敏捷。生产制造从计划开始、到交付、用户订单履行等全流程的敏捷性，需要Oracle NetSuite这样非常柔性的系统来解决问题。

不止步于零售

2017年7月Oracle NetSuite开始正式进入中国，发展非常迅速。

目前，Oracle NetSuite能够给零售行业赋能体现在五个方面：

一、 全渠道新零售支撑

Oracle NetSuite能够满足零售行业全渠道运营的需求，通过快速搭建网上电商平台，打通线上、线下、渠道业务，提升品牌竞争力。同时坚持以客户为中心，持续跟进服务，提升客户满意度，扩大销售。

二、 打通线上线下一体化

完整支持天猫、京东、Amazon、ebay等线上电商平台，同时能打通实体店管理。线上线下一体化也是新零售的一大特点。

三、 完备的供应链管理

零售行业供应链是非常重要的一环，Oracle NetSuite能够优化供应链，从采购管理、仓储管理、渠道管道、销售管理，全流程整体数字化、规范化管理。

四、 财务业务一体化使运营更加高效

财务业务一体化过程中节省了企业是时间、成本。财务业务一体化打通后，更加高效、规范。财务人员能够更好地了解业务，指导运营。

五、 更高效地进行决策分析

前端数据和后端数据整合成一个平台，打通并形成一致性。更细微的了解产品的销售渠道、成本、利润。能有效帮助进行决策分析

目前，Oracle NetSuite已在中国积累了上千家客户。除了新零售，Oracle NetSuite还深耕专业服务业（设计公司、律所、NGO等）、批发分销、跨境电商、高科技、制造等行业。

此外 ，从业务角度来看，出海企业是Oracle NetSuite是非常重要的方向，公司的重心之一是帮助中国企业走出去，包括支持一带一路，大湾区建设等。Oracle NetSuite是全球化的SaaS云ERP，多地区、多币种、多会计准则的管理，能够帮助走出去的企业更快适应当地合规性要求，更高效，风险最低，同时帮助中国企业快速成长，做大做强。这是众多中国企业选择Oracle NetSuite的原因。

哪些城市大数据企业最多？深圳、上海、西安位列前三

从地域分布来看，广东省的大数据企业数量遥遥领先，共计2.81万家，山东省则以1.64万家排名第二位，上海作为直辖市，大数据企业数量在全国省市中排名前三位，共计1.41万家。此外，陕西、江苏以及浙江等城市的大数据企业数量排名靠前，产业较为发达。

从城市分布来看，深圳市共有大数据企业1.60万家，上海和西安的相关企业数量均过万，分别有1.41万家和1.16万家。广州、重庆和福州等城市的大数据企业数量排名靠前。

2020年大数据企业新增6.36万家，同比增长145%，呈井喷态势

2011年以来的十年之间，大数据企业的注册量呈逐年增长趋势，2018年大数据企业的注册增速开始加快，当年共注册相关企业1.79万家，同比增长93%，2020年的大数据企业注册量达到了十年来的最高点，当年共注册6.36万家，同比增长145%，呈井喷态势。

从月度来看，2021年前五月共注册大数据企业4.28万家，同比增长152%。从月度来看，2021年三月和四月的大数据企业注册量较多，月均超过一万家，五月共注册大数据企业9262家，同比增长103%，环比减少18%。

从注册资本来看，注册资本在100-500万元以内的大数据企业数量最多，占比高达36%，注册资本在1000-3000万元和100万元以内的分别占20%和19%。

博睿数据作为一家耕耘APM(应用性能管理）十三年的技术领导厂商，在热潮翻涌、新机频现的数智化时代，如何整合自身优势，为传统企业数智化转型提供智能运维等服务？其在信创领域又有哪些布局？

2021年5月27日，博睿数据在北京召开“服务可达 达者为先·博睿数据2021年战略升级发布巡展”。战略发布会上，博睿数据向业界正式推出“服务可达的数据链DNA“全新的IT指标体系。

传统行业客户更需要一体化解决方案

在谈及这一全新的IT指标体系时，博睿数据CEO冯云彪坦言，博睿数据从成立到现在，服务产品线比较丰富，技术积累做得也还不错，为什么在这个阶段提出数据链DNA概念。因为早期博睿数据的客户主要集中在互联网行业，互联网客户的特点是本身IT能力很强，他们往往集中在一些局部需求上。从15年开始，博睿数据开始往非互联网的传统行业、金融行业等领域拓展。非互联网行业的客户的需求是能够提供更专业化一站式解决方案，而不是只提供一个产品。

冯云彪描绘博睿数据的战略目标是“随着数据链DNA战略的发布，在未来一段时间，将持续把解决方案不断的在传统领域的客户中深入推广；能够让它支持更多上游企业的产品，我们也会把自己更多产品线叠加进去。从而能够提供一体化的整体解决方案。”

博睿数据成立于2008年，其第一个明星产品为Bonree Net。当时在行业内率先实现海量复杂频率监测任务多地区运营商智能分发技术；自研函数调用拦截分析引擎，并基于此突破IE全版本网络性能数据采集技术；自研实现复杂Web事务流程录制器的开发及性能数据采集技术。

2011年，随着中国移动互联网浪潮的蓬勃发展，博睿数据率先实现海量复杂频率监测任务多地区运营商智能分发技术，独家推出手机端APP主动式性能监测产品 — Bonree APP，业内率先支持IE 11浏览器的网络性能数据采集技术，率先支持基于HLS协议的流媒体播放性能及用户体验监测技术。

2015年，代表APM核心监控能力的Bonree Server 产品正式上线，Bonree Server 产品率先支持C/C++后台服务应用性能数据采集分析技术。

此后，博睿数据技术产品能力进一步迸发，先后自研推出大数据在线分析引擎 — Bonree OLAP Engine，独家推出流式大数据引擎框架 — Bonree Ants，基于机器学习技术，在主要产品线实现动态基线和异常检测算法。

2019年，随着Bonree DataView 可视化产品正式发布,创造性的实现多数据源海量数据的统一存储和在线分析，智能运维管理迎来新变革。

2020年，作为国内A股市场上的“APM监测第一股”，博睿数据成功登陆科创板。

早期，博睿数据通过采集并分析模拟用户在使用网页、APP等应用时的性能数据，帮助客户诊断和优化前端应用的用户体验。到现在，博睿数据已经形成了DEM（用户数字化体验管理）、NPMD（网络性能管理）、APM（应用性能管理）全链路一站式解决方案。

服务可达的数据链DNA

在博睿数据COO吴静涛看来，市场上95后逐渐成为了消费市场的主力。从小生活条件优越的 Z 世代，有着巨大的消费潜力，他们更加渴望自由而弹性的生活，特别是对在线服务的可用性和体验的要求极高。这倒逼着从过去20年里是以应用为中心构建了所有的IT体系，包括整个数据中心的建设、运维体系等需要转变到以用户为中心的IT体系。从“应用可用“到”服务可达“迫在眉睫。

博睿数据COO吴静涛

“服务可达的数据链DNA“为DEM、NPMD、APM的首字母缩写。

DEM（Digital Experience Management）即用户数字体验管理，包含客户端APP体验监控、浏览器体验监控、小程序体验监控、浏览器拨测和手机拨测等一系列技术。博睿数据的DEM基于用户会话的监控视角和分析模型，是国内DEM领域监控工具中独家具备了用户会话及全量访问事件的监控和分析能力的产品。

NPMD（Network Performance Monitoring and Diagnostics）即网络性能监测和诊断，通过网络嗅探、BigIP大数据引擎、Nginx Telemetry等技术，从业务、应用、系统、网络、硬件几个维度分析诊断，实现网络传输的路径发现，异常发现，故障发现。

APM（Application Performance Management）即应用性能管理，通过字节码注入和微服务探针，无需应用代码变更的情况下实现对代码运行效率、SQL调用效率、PaaS API调用逻辑追踪，以及微服务的性能监控。

相比其他领域的指标体系需若干年落地不同，博睿数据经过十三年的技术积累，在提出服务可达的数据链DNA 新IT指标体系的同时，已经可以快速落地实现。吴静涛称之为博睿数据“七种武器”。包括：

• 客户端:拨测/SDK/反嵌JS通过浏览器和手机真机APP拨测, 客户APP的SDK嵌码, Browser/H5/Webview监控,确保服务可达并提升用户体验；
• Edge/CDN节点:主动拨测:性能监控, 得到使用过程中的实际性能表现, 延迟和丢包作为选型依据和性能排查依据。
• 云服务:月报/定制测评通过每月对云服务商监控提供定期性能报告, 成为企业客户对多云服务的议价依据, 从而提升企业客户的实际服务能力和可用性
• 门户:页面/首屏加载分析信创环境和传统环境的灰度性能分析; 提供专业建议, 来提高体验, 避免劫持, 从而提高可用性
• 网络:NPM网络性能管理实时流数据抓取分析技术, 实时流数据路径判断, 快速发现和排除网络上的节点故障, 
• PaaS平台/API:ADT应用深度追踪调用逻辑的自动拓扑可视化, 快速发现API服务异常, 重载过库攻击等现网环境风险；
• 代码/DB:APM应用性能管理通过字节码注入, 无需开发变更, 现网实现对代码执行, SQL调用效率的监控, DevOps的必备技术, 也是提升信创平台应用性能的利器。

客户在取得了不同环节的体验数据, 网络数据和代码执行效率数据后 ,需要通过 DataView 的大数据平台实现信息整合 , 和特征关联 . 实现对 VIP 用户访问的访问过程全栈溯源 , 提升用户体验 ; 同时实现机器学习后的智能基线 , 智能警报 ; 再通过 AI 人工智能实现根因分析 ,提出解决建议和方法 , 甚至通过 API 调用验证过的预配置 , 实现一键变更和一键割接。

谈到博睿数据与其他大数据平台的不同点时，吴静涛表示博睿数据能够深挖应用场景，运用实时流数据的Telemetry data实现信息整合、特征关联和业务洞察，实时数据是制胜的关键之一。

积极参与信创生态建设

在中国的数字化进程中，信创产业正如火如荼发展，国家给予了各种政策扶持。信创产业是国家数据安全、网络安全的基础，也是“新基建”的重要内容。

博睿数据CEO冯云彪在接受199IT采访时表示，博睿数据从2019年开始关注信创领域。目前已通过并正式加入了信创工委会，今年上半年开始展开工作，第一季度博睿数据正式成立了信创专属部门。因为信创产业已经开始向金融和一些企业化方向过渡，博睿数据在信创里面也找到了上下游合作伙伴，包括一些大的集成商，还有一些小的基础应用提供商。

博睿数据CEO冯云彪

冯云彪介绍目前的一些进展时表示，当前博睿数据在做基于国产CPU和操作系统的一系列的测试工作，待完成后也会与生态伙伴互认证，签订战略合作。

“我们希望首先从生态合作的角度，把生态链企业的适配工作做好，还有在信创工程汇总涉及到的硬件、操作系统等必要要做的软硬件，我们也都会去做。按照主管部门指导，也会完成相关的测试工作。在这过程当中也会有一些国家级的信创项目，我们都会积极参与。“

在谈到在信创生态里的作用和价值时，博睿数据CTO孟曦东认为国家正加速迈进创新型国家前列，在这一发展趋势中，博睿数据将起到一个非常关键作用是帮助上游和下游少走一些弯路，让他们更快速地发展，帮助客户看到系统中存在的问题和提供解决问题的服务能力。

博睿数据CTO孟曦东

在服务头部客户和信创领域的同时，博睿数据在中小客户的服务策略具有很大的灵活性。通过十几年对大客户的服务积累，塑造了博睿数据在行业里的龙头地位。在扩张的过程当中，中型客户和小型客户都有对应的服务和方案，提供了公有云SaaS模式，从以前单纯的软件购买方式转变为订阅式。目的在于服务的灵活性，把服务门槛降下来。

冯云彪表示更愿意在这个行业里面起带头和表率作用，“这将跟我们市场和企业地位相匹配。”

（博睿数据发布仪式）

2021年5月26日，由博睿数据举办的“服务可达 达者为先·博睿数据2021年战略升级发布巡展”北京站，在北京金茂威斯汀大饭店圆满举行！本次战略升级发布巡展不仅揭开了“数据链DNA”的神秘面纱，更紧扣IT运维发展脉搏，助力企业实现用户体验从“应用可用”到“服务可达”的跨越式进阶。

以用户为中心的“服务可达”IT运维体系

博睿数据COO吴静涛直言：“过去20年里都是以应用为中心构建了所有的IT体系，包括整个数据中心的建设、运维体系等。现在到了转变思路的时候了。”

（博睿数据COO吴静涛发言）

消费主体的变化更加速了这一思路的转变，与80、90后习惯于被动适应不同，Z世代对于产品的体验需求更多体现在定制化和个性化。在Z世代接棒“消费担当”的当下，探索用户体验，已经成为大多数企业的“必修课”。所以，仅仅围绕着“应用可用”的IT运维体系已经无法满足企业数字化转型中提升竞争力的需求。

从“应用可用”到“服务可达”，意味着主视角的颠覆转变。一个是从企业角度出发，而另一个是从用户的角度出发。这需要企业对用户层和业务层有更深入的了解。

从代码到用户全路径打通的“数据链DNA”

作为企业的决策者们面临的挑战在于，近年来随着新技术的不断兴起和发展，以及数字化转型步入深水区，企业需要变革传统IT基础架构的同时，也要不断扩展企业数据获取的触角。架构迭代，数据井喷，企业该如何在利用新技术驱动数字化转型的同时，不断释放应用、网络、数字体验的价值，成为了企业决策者们思考的主要命题之一。

企业的技术团队同样在技术演进的洪流中加速奔跑，云原生、容器化、微服务化、敏捷开发等等，软件定义一切让丰富的应用程序聚集在一起，这些组件可以位于企业的本地基础设施中，可以位于云上以微服务化在容器中运行，数据也来自应用程序、容器、Kubernetes、APP和边缘网络，甚至是某个API，而且这些应用支撑起了企业数字化转型的平台底座，任何的延迟、故障都意味着业务的无法满足。现代化的软件体系和架构为技术和开发团队带来高效、应用质量、易扩展性等优势的同时，也将不可预见的运维复杂性边界拓宽了。

在阐述“服务可达的数据链DNA”时，博睿数据COO吴静涛表示，“相较以往AIOps智能运维概念，服务可达的数据链DNA有着更加领先的含义，其可以打通从代码到用户（Code to Customer）访问的全过程，全数据链探知路径、性能和服务品质，形成一种创新的运维管理模型。”

这一全过程的打通，意味着企业能够多维度、更综合的利用数据，让用户所思更直观，运维管理更便捷，扩大数据本身价值，使其能够真正驱动决策。然而逻辑的不同、数据的多样性，以及微服务、容器等技术推动的现代化应用的发展，让这一过程变得更具挑战。这也是为什么至今只有深耕IT运维13年的博睿数据提出这一解决方式。

在会上，博睿数据华北区域售前总监张俊峰、博睿数据架构师徐驰、博睿数据架构师张冲及博睿数据产品高级总监孙丽，分别解读了实现从代码到用户全路径打通的“数据链DNA”：

数据链DNA架构图

“D”——DEM（Digital Experience Management）：

用户数字体验管理，包含客户端APP体验监控、浏览器体验监控、小程序体验监控、浏览器拨测和手机拨测等一系列技术。博睿数据的DEM基于用户会话的监控视角和分析模型，是国内DEM领域监控工具中独家具备了用户会话及全量访问事件的监控和分析能力的产品。

“N”——NPMD（Network Performance Monitoring and Diagnostics）：

网络性能监测和诊断，通过网络嗅探、BigIP大数据引擎、Nginx Telemetry等技术，从业务、应用、系统、网络、硬件几个维度分析诊断，实现网络传输的路径发现，异常发现，故障发现。

“A”——APM（Application Performance Management）：

应用性能管理通过字节码注入和微服务探针，无需应用代码变更的情况下实现对代码运行效率、SQL调用效率、PaaS API调用逻辑追踪，以及微服务的性能监控。

7种武器提供完善“数据链DNA”技能 

为实现数据链DNA每个环节的可用，博睿数据还打造了七种武器：

• 客户端拨测/SDK/反嵌JS

通过浏览器和手机真机APP拨测,客户APP的SDK嵌码, Browser/H5/Webview监控, 确保服务可达并提升用户体验；

• Edge/CDN节点主动拨测

性能监控, 得到使用过程中的实际性能表现, 延迟和丢包作为选型依据和性能排查依据；

• 云服务提供月报/定制测评

通过每月对云服务商监控提供定期性能报告, 成为企业客户对多云服务的议价依据，从而提升企业客户的实际服务能力和可用性；

• 门户网页/首屏加载分析

信创环境和传统环境的灰度性能分析; 提供专业建议，来提高体验，避免劫持，从而提高可用性；

• NPMD网络性能管理

实时网络流数据捕获分析技术，实现流数据路径判断，快速发现和排除网络上的节点的通讯故障；

• ADTD应用深度追踪

调用逻辑的自动拓扑可视化，快速发现API服务异常，重载过库攻击等现网环境风险；

• APM应用性能管理

通过字节码注入，无需开发变更，在运行环境中实现对代码执行，SQL调用效率的监控，是DevOps的必备技术，也是提升信创平台应用性能的利器。

 数据洞察 统一智能运维平台Dataview

在采集到不同环节的体验数据、网络数据和代码执行效率数据后，最终通过一体化智能运维平台——Dataview，打破“监控孤岛”，进行信息整合、特征关联，把数据形成可视化信息，呈现在企业面前。

大会现场，中信建投信息技术部总监陶剑峰、51Talk音视频技术总监陈震为我们分享了博睿数据产品在实践中的表现和价值。

（中信建投信息技术部总监陶剑峰发言）

中信建投信息技术部总监陶剑峰称，博睿数据产品帮助管理者从崩溃率、网络性能、用户会话健康度等指标进行用户性能体验KPI建设，促进客户端性能优化。

（51Talk音视频技术总监陈震发言）

51Talk音视频技术总监陈震则表示：博睿数据产品完整重现用户使用APP的全部过程，能够精准定位故障发生原因，提升用户体验和业务效果。

“数据链DNA：，正如本届战略发布会主题“服务可达，达者为先”所传达的核心思想一般，帮助企业实现从用户角度出发，最终落实于服务体验，是提升企业竞争力、维持企业高质量发展的一大利器。博睿数据在国内率先提出这一理念，不仅在竞争激烈的APM市场中树立了新的标杆，其所倡导全新IT运维体系为企业通过数字化转型驱动“数字经济”开辟了新路径。用行动向我们诠释了“让IT运营更智能”的品牌理念。

在欧洲，许多人正在求助于协作数据解决方案；在美国，这种解决方案也正越来越多地被采用。这些解决方案超越了新的后cookie身份替代方案，涵盖了品牌、媒体所有者、数据所有者和为其服务的技术公司之间更为全面的合作方式。这些解决方案涵盖：

数据合作社（DATA CO-OPS），多个品牌提供第一方数据，能够获得第二方数据以进行洞察和测量；在某些模型中，合作社可以将这些洞察和模型应用于第三方数据，以用于定向受众。

数据市场和交易所，所有者可以在其中交换数据，以便使用第三方解决方案或在营销用例之外进行进一步分析。交换或授权同样基于权限，并以一对一的方式提取或混合并导出重新编译的文件。

技术数据环境，旨在促进公司与合作伙伴获得最高级别的隐私和安全性。这些数据环境并不是替代用作第一方数据的主要存储的CDP，而是对其进行补充并提供中立的解决方案，帮助合作伙伴之间共享数据。

合作和协作并不是什么新鲜事。2020年11月进行的品牌营销人员调查显示，81%的美国消费者和70%的英国消费者目前正在共享数据或打算共享，这表明市场正在朝着合作的方向全面发展。

总之，研究表明，未来将出现企业间和企业内部协作解决方案的激增。

PDF版本将分享到199IT知识星球，扫描下面二维码即可！

在新冠疫情肆虐时，使用传统分析技术并因此而严重依赖大量历史数据的企业意识到了一件重要的事情：许多此类模式已不再有用。这场疫情几乎改变了一切，令许多数据失去了作用。

而具有前瞻性的数据和分析团队正在从依靠“大”数据的传统人工智能技术转向数量较少、但更加多样化的“小”数据。

Gartner发布的2021年十大数据和分析趋势之一便是从大数据转向小而宽的数据。这十大趋势是数据和分析领导者必须重视的业务、市场和技术动态。

Gartner杰出研究副总裁RitaSallam表示：“这些数据和分析趋势可以帮助企业机构和社会应对未来三年的颠覆性变革、巨大不确定性以及它们所带来的机遇。数据和分析领导者必须主动研究如何顺势而为，根据这些趋势做出加快自身预测、转变和应对能力的关键任务投资。”

每一项趋势都可以归入以下三大主题之一：

加速数据和分析变革：运用AI创新、经过改进的可组合性以及多元化数据源的敏捷、高效整合。

通过更有效的XOps实现业务价值的运营：优化决策并将数据和分析转化为业务的一个组成部分。

分布式实体（人和物）：需要灵活地将数据和洞察力联系起来，以增强更多的人和物的能力。

女装行业一直以来就面对着不确定性风险，那就是以企业视角设计生产的服装，总是追不上消费者需求的变化。

《2020年中国服装行业数据中台研究报告》中提到，库存问题是长期困扰服装行业的核心痛点。服装制造商往往无法准确预估市场消费能力和个体购买偏好，导致供过于求，大部分服装难逃“打折”结局。

生产端与需求端的错配风险一直存在，新的风暴却在源源不断产生。

报告显示，面对复杂多变的国际形势和国内供给侧改革压力，特别是疫情期间宏观经济增速放缓的市场环境，服装行业面临诸多风险和不确定性因素。近两年以来，我国服装行业整体营收呈下降趋势，行业面临调整与洗牌。

报告分析，存货周转率下降和线上电商对线下销售渠道的挤压成为当前我国服装行业所面临的两大痛点问题。

为此，数字化转型成为了服装行业脱困的重要方向。报告显示，服装行业作为较早开始进行数字化转型的行业之一，已经在服装设计与生产、客户关系管理、营销渠道拓展等方面取得了初步的智能化进展。

服装行业的“海底针”

说白了，谁能通过数字化方案更好地识别消费者需求，谁就率先抓住了突出泥沼的机会。

这其中，女装消费者敏感多变的心理，成为了服装企业数字化转型的一大考验。

从上世纪中叶到现实的今天，如“女王”一般在职场上拼杀的职业女性，被视作女装行业消费者中最难捕捉的所在。报告中提到，受女性消费者拒绝撞衫的影响，女装行业集中度相对较小。这一点也让面向职业女性的服装企业必须不断推陈出新。

同时，职业女性对服装有更多元的需求，她们因独立而作出超越企业设计的消费选择，让面向都市职业女性的服装企业受困于以猜测驱动生产的模式，亟待转型。

日播集团旗下主打品牌“broadcast播”创立于1999年，是中国早期真正意义上原创性的都市女装品牌之一。成立至今，都市中成长型女性的处世价值始终是品牌美学的对焦之处。

日播集团副总裁林亮毫不讳言，他们对于消费者需求的反应，正处在“由猜到懂”的重大转型之中。

很早就在“猜”

和很多传统服装企业一样，日播集团以批发模式起家，长年来渠道布局以线下为主。因此，日播集团同样面临品牌与消费者需求之间沟壑纵生的现状。

但是，与同行不同，日播集团很早就寄望于数字化手段来“猜”明白消费者。

2000年，也就是日播集团起家的第二年，就率先尝试采用财务软件，也就是ERP的雏形。

2002年，日播集团正式采用了ERP软件。

同样来自《2020年中国服装行业数据中台研究报告》显示，CRM与ERP系统为代表的数字化客户关系管理系统在服装全行业实现普遍应用，要到2010年。

起步早于同行多年的日播集团，很早就实现了企业数字化的1.0版本，因此在2010年就开启了电子商务项目，开拓O2O市场。

2013年，该公司正式更名为日播时尚集团股份有限公司，集团化连营拉开帷幕，业务模式转型变革全面开启，由批发零售转为品牌运营。

2015年，日播集团开启了多渠道战略，探索从B2B到B2C模式转型，再到线上线下融合的全渠道战略。据林亮介绍，当时的日播集团在研发、终端门店都进行了数字化部署。

2016年，日播集团在天猫“一路向北”策略下，实现了北京门店线上下单、线下发货，打通了整条链路。

此后，日播集团逐步实现了设计开发系统3D制版，以及在生产端落地了原材料收发信息化、工厂车位管理数字化等等内容。

“我们实现了自身的很多数字化，但是没有延伸到我们的供应商”，林亮表示，也是在做全渠道转型的过程中，日播逐步做到了价值链里的数字化，也越来越意识到数字化的重要性。但是如何在业务数字化之后实现数字业务化成为了日播集团的瓶颈。

日播集团IT总监沈雪华介绍，日播集团在数字化链条中缺失的重要一环，就是利用已有的数据资产来支持运营决策，这也成为了日播集团今年到明年的重要任务。另外，日播集团也亟待将数字化能力赋能给分销商，期望与线下渠道实现数据层面的融合。也因此，在疫情期间承压深重的日播集团，还将资源投入到了数据中台项目，与阿里云展开深度合作。

之所以选择阿里云数据中台，日播集团考虑的不单纯是技术层面的因素，沈雪华表示：“我们看重的是阿里云数据中台对数据的应用和数据化运营的能力。”

2019年10月初步与阿里云数据中台接触之后，日播集团在2020年3月开始搭建数据中台，就此开启了对于“女性消费者心理””拨云见日的新阶段。

如今刚刚“懂”

目前，日播集团使用了阿里云数据中台Dataphin、Quick Audience、Quick BI等核心产品，在底层搭建、精准营销和运营等方面展开应用，也因此发现了过去没有注意到的更多维度的“女性消费者心理”。

过去，日播集团过去对于消费者洞察，主要基于消费者的职业属性。

“broadcast播”品牌定义的消费者主要来自都市精致独立女性，涵盖了公务员、教师、医生等职业。

随着数据中台数智化能力的加持，日播集团进行了新一轮的数字化分析之后，发现了“精致妈妈”这一重要的消费者属性。

“我们过去定义消费者是基于社会属性”，日播集团品牌总经理王卫平表示，现在通过数字化分析新增的生活角色维度，能更好地帮助品牌洞察市场，开展精准运营，比如拓展社区亲子活动，以及把童装和女装组织在一起开展会员活动，“数字的精准化对我们业务上的帮助非常大，可以帮助我们去精准运营我们的商品。”

借力阿里云数据中台，日播集团目前在市场洞察、全域营销等多个场景应用上也收获颇丰，2020年天猫双11期间实现了GMV同比增长84%以上的成绩。

理解之后，便要跟上TA

对于消费者需求“由猜到懂”的过程中，日播集团更加懂得了“女性消费者心理”。可是，如何让生产端和庞大的渠道体系性地跟上消费者心态的变化，去实时满足消费者的需求，成为了更大的考验。

为此，日播集团从2020年618大促开始尝试数据中台的Quick Audience能力，去持续打通全域数据的融合，这就需要为分销商体系制定基于全渠道融合战略的新规则。

为了消除经销商的顾虑，日播集团会向他们细致地分享实现全渠道数字化的蓝图和愿景。

“在这个愿景里，我们的经销商是非常重要的角色”，王卫平介绍，经销商不仅仅是参与贡献，更可以得到日播集团基于大数据链条的赋能，实现真正意义上的共创共赢，获得更好的收益。

现在，日播集团基于数字化能力的全渠道建设正在稳步进行，并在全国主要城市落地了数字云店，以此为抓手帮各地经销商实现线上小程序下单，以及销量结算等功能。

此外，日播集团还在密切关注数据中台引发的后续效应。“对我们内部业务来讲，数据中台会触碰到很多东西”，林亮透露，数据中台在集团内部的定位很高，品牌、战略、信息都在关注数据化运营获得的结果。日播集团期望通过数字化能力，来打造需求挖掘、商品动销、供应链端快速响应补单需求的闭环，“通过我们全渠道对用户的触达，把用户想要什么转变为我们一体化的流程，实现贯穿全链路的智能决策。”

为此，日播集团也很期待在数据中台二期工程中继续深化对阿里云数据中台核心产品的使用。

“业务数据化，数据业务化”，林亮表示，“这是阿里云数据中台当初打动我们的一句话，我们现在同样希望，能实现真正的数据业务化。”

这款新品只是香飘飘爆品策略中的一种。实际上，香飘飘早已在这两年的发展中，拓展出了多品牌战略，除了大家耳熟能详 “绕地球”的香飘飘系列产品，还推出了高端产品线“兰芳园”，以及针对Z时代的“Meco蜜谷”。

三个品牌面向不同的消费层级，因此，从不同维度获取新客，成为香飘飘当下最主要的营销目标。从9月份开始，它就为此次双11进行营销蓄水，并通过与阿里云数据中台合作，形成一套全域数据中台解决方案，统一运营自身的全域消费者资产，最终在拉新上实现了3.5倍的增长。

香飘飘布局数字化：从一杯一码到阿里云数据中台

“阿里云数据中台是我们积累品牌自有数据的原点。”香飘飘互联网事业部总经理ELSA认为，拉新的结果超出预期，这与公司整体布局数字化转型有着很大的关系。

香飘飘互联网事业部总经理ELSA

实际上，借力阿里云数据中台，香飘飘运转数年的“一杯一码”项目，有了更大的价值。

所谓一杯一码，就是香飘飘产品杯身上独特的二维码，消费者扫码后有机会获得相应的奖励，如红包、代金券、实物等等。ELSA介绍说，这个项目的初衷，一方面是为了缩短传统模式与消费者的距离，另一方面则是出于营销的考虑，以权益的方式撬动消费者购买转化。

而通过阿里云数据中台，一杯一码的积累得以帮助香飘飘实现全域消费者资产的沉淀，形成一个完整的品牌消费者资产大图，并在后期能够进行精细化运营，精准洞察消费者需求并提供更为完善的服务。

香飘飘对于自身在云上建设数据平台的期望也很清晰，主要体现在三个方面——

首先，针对用户进行全生命周期的管理，“让品牌与消费者的短链接，变成长链接”；其次，优化营销策略，提升精准营销，尤其是拉新的效率；第三，通过阿里云数据中台，可以离用户更近，根据用户的需求，更好地研发新品。

拉升营销效率，实现3.5倍新客增长

在广告和营销投放上，香飘飘是个大胆的行家，在“广告一响，黄金万两”的媒介时代过去之后，它思考的是如何在碎片化、千人千面的信息环境中，不断提升营销效率。

这也是它当下应用阿里云数据中台最主要的场景之一。

此次双11，香飘飘以特约赞助商的身份亮相“天猫双11狂欢夜”(简称猫晚)，除了参与到猫晚红包雨中，香飘飘还在“摇一摇一元购”环节投入海量香飘飘的新品盲盒，拉动新客进店。

而在阿里巴巴平台之外，香飘飘对外还进行了大量的营销投放。通过阿里云数据中台核心产品之一Quick Audience，香飘飘不仅能对抖音等阵地的内容营销进行相关效果回流，还能在此基础上进一步识别高潜人群进行二次营销，在整个双11期间，香飘飘通过阿里云数据中台联动阿里妈妈、生意参谋等产品，实现成交转化ROI提升3倍以上。

同时，尽管香飘飘的三个品牌是独立的，但消费者资产相对统一，对于跨品牌的消费者拉新和转化也能非常高效。

全盘的拉新布局，让香飘飘的营销效率拉升，也实现了3.5倍的新客获取。

香飘飘的战略级工程：数字化转型的组织保障

ELSA所在的互联网事业部，负责香飘飘的线上销售、互联网营销、用户运营及数据中台管理等工作，可以说是香飘飘整个数字化转型的中枢和先行部队，是集团里的战略化工程。

其中还有一个用户增长部门，它通过专案项目制的方式，以具体业务目标为驱动的同时，也在摸索一个能为整体集团所复用的用户增长闭环。

“理想的闭环就是，基于数据中台，我们根据消费者的需求研发新品，在电商平台试水销售、得到市场初步验证的产品，正式进入销售端，进入销售端后，又能够为经销商提供铺货等策略支持，同时，来自线上线下的消费者也能源源不断地在香飘飘自己的数据中台中沉淀下来。”

在ELSA的设想中，数字化不仅存在于营销这个关键环节，还与销售、供应链等环节贯穿，形成全新的组织协作形态和增长模式。

而数据中台在其中，除了帮助沉淀消费者资产之外，还能够通过打通多系统数据，将原本“只能看”的数据真正盘活起来，去赋能包括供应链、营销、销售甚至是售后的更多业务场景。

就像是一座引擎，为香飘飘提供源源不断地数字化转型动力。

在刚刚过去的天猫双11，诸多品牌通过阿里云数据中台，联动阿里巴巴数字经济体生态，实现了业务问题解决和业绩强势增长。

记者了解到，早在11月初的阿里巴巴双11技术沟通会上，阿里巴巴集团副总裁、数据中台负责人朋新宇就表示，今年天猫双11期间，阿里云数据中台将通过“全域数据中台解决方案”，面向品牌商、服务商开放围绕Dataphin、Quick Audience、Quick BI、Quick A+和Quick Stock在内的数据中台核心产品能力，帮助品牌实现从数据到业务充分融合，让全域运营、新品创新、智能组货和供应链升级变成可能。

更精准地洞察消费者需求 杜蕾斯销售额同比增长105%

对品牌来说，阿里云数据中台的基础能力之一，在于能够打通原本相对独立的数据体系，完成数据指标的统一，并有效运用在前端业务场景。过去，品牌的消费者数据体系、渠道数据体系、商品数据体系等各自为阵，难以形成高效联动和互通，这也导致前端业务难以依据数据进行更多场景的孵化，常陷入“知道数据有用，却不知道怎么用”的困境。在利洁时曼伦公司（以下简称“利洁时曼伦”）总经理吕有名看来，数据中台在双11期间的最大赋能，在于通过数据打通和持续升级产品、服务，更加了解消费者需求，同时帮助包括杜蕾斯、滴露等在内的品牌优化线上媒体投放，以阿里云数据中台联动阿里巴巴数字经济体生态如阿里妈妈、品牌数据银行、生意参谋等数据工具，进行全域精准营销。

“另一方面，”吕有名补充道，“阿里云数据中台还实现了企业在数据层面的共享，可避免跨部门重复工作，从而极大提升工作效率，减轻大促期间各部门员工的工作压力。”其实早在先前，利洁时曼伦公司早就建立了完整的数据营销基础理论体系，这次与阿里云数据中台共创的MDMC（曼伦数据营销中心）则是该体系的“大练兵”。据了解，今年天猫双11期间，围绕杜蕾斯天猫旗舰店，利洁时曼伦尝试从消费者向客服进行咨询阶段就通过阿里云数据中台提炼沉淀个性化核心关键词，并打通后续商品营销数据。比如针对消费者最为关心的产品、服务、价格、优惠等方面，杜蕾斯尝试通过AI语义分析，优化智能客服，着重关注消费者的负面反馈和建议，进行信息沉淀并同步相关产品、运营、营销业务部门，及时进行关联策略跳帧，做到从消费者的实际核心需求出发，将品牌的服务能力全面提升，完成“需求-营销-成交”的闭环链路。

在曼伦数据营销中心（MDMC）的助力下，今年天猫双11，杜蕾斯全网销售额超过1.7亿元，同比增长20%，其中天猫官方旗舰店同比增长105%。

五大场景 全域消费者运营精准洞察

将目光从数据沉淀场景转移到营销场景，品牌还能通过阿里云数据中台完成消费者数据资产沉淀并进行有效洞察，为对应的营销场景提供精准的人群选择，打造包括IP联名新品营销、直播精准触达、跨端联动拉新、全域新品/爆品运营及GMV策略模拟调整解决方案（针对品牌的既定GMV目标，形成包括预算、营销、投放在内的整体解决方案）五大应用场景。

今年天猫双11期间，卡西欧通过Quick Audience对消费者偏好进行高效洞察，分析归纳潜在目标消费人群高敏感度IP，完成哆啦A梦IP联名新品打造并进行定向精准营销。数据显示，双11当天卡西欧天猫官方旗舰店哆啦A梦联名新品售罄率超过九成。

无独有偶，安德玛通过QuickAudience联动商家端数据产品，对品牌自有信息进行分析运营管理，了解优质消费人群，同时引入直播偏好维度进行交叉匹配，找到直播潜客人群。

深度理解消费者之后，安德玛可将旗舰店的淘宝直播间定向精准推荐，在减少营销成本的同

时实现成交转化率明显提升。

此外，国内设计师品牌日播借力阿里云数据中台，在消费者洞察、全域营销等多个场景应用上也收获颇丰，今年双11期间实现了GMV同比增长84%以上。

如果说围绕消费者进行系列精准营销，是阿里云数据中台通过“全域数据中台解决方案”面向品牌赋能的基础能力，那么今年双11期间，不少品牌已经在此基础上“自由发挥”，生长出更多场景和可能。

对于早就解决了产能和标准化生产的波司登来说，双11面临的可能是另一个难题：“结构性缺货：一家有着3000多家门店的品牌商，“想要很精准地预测在什么时间、把什么货挪到什么地方是非常困难的。”

早在5年前，波司登开始与阿里云展开合作，打通波司登全国门店与线上商品的流转系统，实现商品通、库存通、会员通。这套系统在疫情期间也派上用场：通过高度智能化的全国物

流网络和9大分仓体系，波司登在第一时间把羽绒服送到了抗疫一线最急需的地方。

今年，双十一“预售首小时TOP品牌榜”上，波司登在女装品类、男装品类上均位列第一。最终全渠道销售额突破15亿元。这一销量背后，同样需要阿里云支撑的智能供应链运筹调度。通过将业务规则结合阿里云数据中台的算法能力，波司登实现首铺准确率提高了79%，拉补效率提升60%，数据的及时性和有效性都得到了极大地提升。

而针对今年天猫双11新增的200多万线下商家，阿里云数据中台同样全面赋能。

红星美凯龙联合阿里云数据中台，打通多系统数据，定制2000多个家装家居行业专属标签，同时优化流量承接平台，充分联动阿里巴巴数字经济体生态钉钉端将实时信息动态下发给各品牌——天猫双11期间，营销信息的整体转化跟进效率从原来的2-3天缩短至实时，行销意向率提升200%，天猫数字化卖场累计成交金额突破151.52亿元。

而面向单个个体店铺，阿里云数据中台还输出智能门店组货能力。

通过分析线下门店信息（所在城市）、过往货品数据（产品线/价格带）及辐射范围内的消费者需求，设置门店组货算法模型，帮助门店实现更为精准的商渠匹配，使得不同门店能够根据自身所在的位置，设置最易出售的组货模式，提升商品流转效率。

天猫双11已落下帷幕，但阿里云数据中台面向品牌商家的数智服务却还在继续。

回望过去将近一年，包括疫情影响在内的种种不确定因素，在一定程度上阻碍了多数品牌们的成长，但同时也有波司登、雅戈尔、日播、薇诺娜、伽蓝集团、良品铺子、雅士利、顾家家居、红星美凯龙等众多品牌通过数智化转型斩获了业绩增长实效，朋新宇表示，这一年是不确定性因素最多的一年，“但数智化是所有企业最具确定性的事，而数据中台则是确定性的创新增长引擎”

未来，阿里云数据中台还将持续对外输出数智能力，携手百万企业迸发更多商业可能。