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

Gartner认为，目前国内企业的数智化转型多以数据中台为基座展开，目的在于减少数据分析架构中的技术冗余，弥合企业内不同系统的数据孤岛，并推动可重复使用的数据和分析能力建设。但同时，报告也表示，现阶段国内很多厂商都称自己有建设数据中台的能力，但大多数都仅仅是收集并储存了数据，没能真正做到数据驱动的组合式创新，在此情况下，“不少企业尽管在数据建设上投入了大量的精力和金钱，最终却发现并没有取得效益上的增长。”

纵观国内数据中台市场发展，从2015年阿里巴巴首率先提出这一概念，在历经自身实践后以阿里云为载体对外输出，波司登、飞鹤、伽蓝集团、良品铺子、联合利华、悦诗风吟等企业先后尝试并获得实效；到如今，袋鼠科技、云徙科技、数澜科技、奇点云等垂直型数据中台解决方案厂商经历和阿里云合作交付之后，在部分行业独立运作；再到腾讯、华为、字节等平台型厂商纷纷入局。

国内数据中台市场，初步形成“一大七雄”局面。

“一大”领先，多产品矩阵场景级部署

2018年阿里云数据中台核心产品陆续推出，并于2020年6月完成矩阵全新升级，其中包括智能数据构建与管理平台Dataphin、数据可视化分析平台Quick BI，全域消费者运营平台Quick Audience、全域行为洞察分析平台Quick Tracking。

而随着企业数据安全意识的逐步增强以及金融行业个性化场景需求，阿里云数据中台又先后推出了Data Trust和Quick Decision两款产品。

作为引领国内数据中台建设风潮的老大哥，阿里云数据中台起源于阿里巴巴集团在数据建设及应用层面的自我需求——彼时，阿里巴巴集团的数据量飞速增长，既要满足众多业务部门日常性数据需求，又要解决像618、双11等业务高峰期应对大规模数据的线性可扩展问题，以及应对复杂活动场景下跨业务系统的解耦状况……

正是经历了“遇到问题-提出需求-解决方案-亲身实践-能力产品化”这一整条链路，阿里云数据中台才能真正沉淀全套“方法论+组织+工具”的模式，并在内部沿用至今。

如Quick BI（阿里巴巴集团内部版为“FBI”），凭借10亿条数据查询秒级获取的高性能，以及100%组建面向移动端定制的协同性，目前为阿里巴巴集团内部数十万员工在数据分析场景中所使用。

只是，阿里巴巴集团在数据建设及应用层面遇到的问题并不是偶发情况，诸多企业其实也早已出现端倪。

“随着集团规模的不断增长，原本相对独立的系统分布形式在一定程度上增加了维护成本，且因数据指标不统一、数据处理过程不可见等原因，在一定程度上阻碍了跨业务协同效率的提升，” 伽蓝集团大数据中心总经理 罗予晋表示，“其次，数据ˋ采΄ˋ建΄ˋ管΄ˋ用΄各环节，对员工操作能力都有较高的门槛要求，亟需整套可视化数据处理工具，以提升数据处理效率。”

因此，当阿里云数据中台正式对外输出能力时，便大受欢迎。

伽蓝集团将数据中台建设定义为伽蓝数字化转型的“关键项目”，伽蓝集团董事长郑春颖在早前接受媒体采访时强调，“业务数据化、数据产品化、产品运营化”将是伽蓝数据中台建设的路径。

通过Dataphin、Quick BI、Quick Audience阿里云数据中台产品三件套，伽蓝集团目前已经实现多套数据系统的全面打通，集团员工在获得相应数据权限的基础上，可针对不同前线业务需求开展数据调取和可视化分析，使数据成为伽蓝集团常态化的工作方式。

无独有偶，波司登运用Dataphin打通全国门店与线上商品的流转系统，完成了商品通、库存通、会员通，波司登创始人高德康说道，“目前波司登已经实现全国一盘货，可以统筹调度分布在全国各地的分仓就近直接配货，做到前端门店按需供给，后端通过供应链的小单快反、拉式补货，使工厂按需生产。”据了解，波司登的首铺准确率提高了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。

而除了零售行业，阿里云还将数据中能力向包括金融、旅游、互联网等多行业蔓延，如财通证券、良渚文化遗址公园……

“七雄”并进，行业赛道“长板”式追赶

这边，阿里云数据中台在企业侧的运用如火如荼；而另一边，市场“后来者们”早已虎视眈眈。

目前国内提供数据中台建设服务的厂商大多可以分为两大类，以阿里云、腾讯云、华为云和字节（火山引擎）为首的平台型云厂商，以及袋鼠科技、数澜科技、云徙科技、奇点云为代表的垂直型数据中台解决方案厂商。

其中，腾讯云、华为云、字节（火山引擎）以及袋鼠科技、数澜科技、云徙科技、奇点云等7家厂商，因平台型优势以及切准行业赛道，形成一定竞争壁垒，而发展尤为迅速。

今年7月底，腾讯发布全新智慧医疗数据中台，涵盖从数据集成、数据治理到数据应用的全流程医疗数据服务能力，并进一步开放平台、引入生态，帮助医疗机构和各级管理部门实现对医疗数据全面、专业、自动化的管理。

腾讯云数据中台的优势在于能够成分联动自有生态业务，比如与微信小程序的联动等，也正是基于这一独有的联动能力，不少企业会选择腾讯云作为数据中台建设合作伙伴。

华为云虽然未明确提出数据中台战略，但其提供的智能大数据服务中却也处处透露着“中台”思维。

去年8月，中国工商银行软件开发中心总经理助理刘承岩在华为云TechWave大数据专题日的演讲中不无骄傲地表示，“工行在大数据创新应用方面的探索，就是一段不断使用新技术、提升自身数据驾驭能力的历程。”

据了解，中国工商银行通过引入华为云FusionInsight智能数据湖解决方案中的大数据产品，搭建了自主可控的大数据云平台，解决了大数据全场景生态化应用的存储、算力和算法挑战，真正将数据智能服务由事后快速演进到事前、事中的阶段，而在其后的生态化阶段里，又进一步深化与华为的合作，实现大数据云平台与华为云Stack云基础设施的融合，进一步提升大数据云平台的高可用和弹性灵活扩展等能力，全面支撑起数字平台的生态化建设。

相比其他平台型厂商，华为云在传统To B服务层面更具经验，因此在传统有业务系统经验积累的运营商行业和金融行业比较容易受到青睐。

字节跳动的数据中台建设历程似乎一直处于“镁光灯”之下——从最初简单的A/B测试，到后来的数据分析平台、数据开发治理、ABI、极速OLAP引擎等一系列产品形态的拓展，逐渐形成了如今的数据中台模样。

援引《雷锋网》报道，2020年字节跳动将数据中台通过火山引擎对外开放，恰恰说明了一件事：字节跳动的数据中台已经很好服务于内部。

虽然起步晚，产品能力还处于进一步筹备阶段，但业内人士却已经透露出火山引擎对如今国内数据中台市场冲击的期待，“字节对火山引擎不管是人员还是资金的投入都非常大，且又掌握抖音这一巨大流量池，未来或许会与阿里云数据中台在零售行业赛道上形成强有力竞争。”

此外，袋鼠科技、数澜科技、云徙科技、奇点云等垂直型数据中台解决方案厂商，鉴于在细分行业的项目交付过程中沉淀了一定经验，同时在价格等因素的影响下，也长期维持一批忠实客户，成为当前国内数据中台市场的重要补充。

至此， “一大七雄”格局已初步确立。

只是，企业数智化转型是一道长远命题，不同行业面临的数智难题既有共性亦有个性，这就要求各数据中台厂商需要持续洞察行业场景变化，针对企业需求推陈出新服务，以满足其日益多样的需求。

真正做到，用各有所长的能力，助力数字经济下的企业更好地落实数智转型。

红星美凯龙董事长车建新指出：红星美凯龙希望和阿里云一起，通过家居行业的数字化经验积累，打造一套行业数字化转型体系，并积极推动整个家居行业在新时期加速进行互联网数字化转型。

双11新贵成“输出狂魔”

红星美凯龙用了6年时间，持续深耕数字化用户运营，打造了线上五大场，输出了不少新玩法。

比如,红星美凯龙联合阿里天猫家装新零售团队共同打造同城站，还敢为家居行业之先，打造全民营销平台、社群矩阵、官方自媒体矩阵、自播军团，并且把规模都做到了行业第一。

在9月的一场直播中，车建新携众多高管以及多位家具品牌总裁齐齐亮相。三个半小时的直播，淘宝直播观看超200万次，锁定销售额1.8亿。

今年，红星美凯龙有240个商场开通天猫同城站，打通线上、线下参与双11。双11期间“百城千店”狂欢，红星美凯龙近30个商场参与“8点迎夜”活动，门店客流较日常增长5倍。红星美凯龙上海汶水商场，其11月1日半天时间完成的销售额达平时周末促销的9倍以上。

在外界眼中，红星美凯龙进军线上以来，一直在高举高打、强势输出。事实上，红星美凯龙同时完成了令人吃惊的降本“回血”。

红星美凯龙获客成本连续24个月环比下降，整体获客成本降低92%。红星数据资产实现在淘系领域对全域消费者洞察和精准触达,帮助红星30+天猫同城站有效降低获客成本40%，实现全年线上营收300%的增长。

之所以在输出的同时实现“回血”，是因为红星美凯龙联合阿里云打造数据中台。通过整合大数据能力，实现全域精准投放。

这一系列布局的背后，红星美凯龙正在实践一场“流量制造”的变革。

用户运营数字共同体时代到来

《流量制造》是今年风靡业界的“网红”书。该书的作者是红星美凯龙副总裁，同时也是红星美凯龙成为今年天猫618超级晚和双11猫晚“双冠王”的操盘手——何兴华。

《流量制造》一书揭示了红星美凯龙的数字化实践。

这一切都始于时代的变迁。

以家居行业为代表，何兴华认为整个零售领域、整个营销生态迎来了“流量制造时代”，也可以称作“超级流量场时代”，同时也是“用户运营数字共同体时代”。

家居行业的链路很长,从房产、中介，到家装、家居、装饰、保洁等长尾的环节，整个构成大家居市场。每年预计有8000W人口有整装、局部家装升级、家具产品替换等家居环境改善的诉求，占中国人口的6%-7%左右。规模庞大、特性突出的家居行业,却面临许多困境。

传统电商流量红利见底；线下零售场流量缺乏，且门店流量面临继续下滑的风险；品牌商购买流量的价格越来越贵,获客与转化的效率却依然低下……

被数字时代粉末化内容包围、陷入选择困难症的消费者迫切地希望商家除了为其提供“人找货”的选择权之外，还能够进一步提供“货找人”的定制化服务。一个例证是：近年来消费者越来越愿意为家居设计付费。

时代变了，企业该如何应对呢?

    躬身入局,探索数字化

何兴华认为：线下零售场必须躬身入局，从一个商品销售渠道/平台，升级为超级流量场。通过品类级的用户运营为品牌商源源不断地制造流量，并联合所有品牌商构建起紧密的用户运营共同体，赋能商家实现一站式、全域、全场景、全链路、全周期用户运营,通过不断迭代营销运营策略与模型，持续提升营销效率和盈利能力，完成从流量、到转化、复购、联购、口碑、裂变、ROI和超级用户的倍增。

躬身入局的红星美凯龙对于数字化的探索，一直走在行业的前头。

• 2014-2015年：红星美凯龙开始数字营销的准备，搭建自有电商渠道和数字化改造，包括建设自由电商APP、社交体系、私域矩阵、企业SAP(门店的管理、财务管理、业务流管理等)等，但这一阶段更多是偏工作流上的数字化。
• 2016-2017年：红星美凯龙成立自己的大数据中心，将不同模块的数据做沉淀，尝试DSP 平台搭建。这一阶段更多是有意向将数字化转型放到台面上，打造自有的数据体系，开展“公海精准捕鱼+私域精细养鱼”。通过 6 年的数字化探索和布局之后，红星美凯龙在流量制造与输出能力上已是今非昔比。

红星美凯龙如今每年通过数字化用户运营产生近 20 亿的广告传播价值，且公海精准捕鱼的成本连续20个月环比下降，私域精细养鱼带来25%消费用户的客总价平均提升60%。

过去，红星美凯龙商场做大促是花费巨大精力策划活动后等客上门。现在是通过数据中台驱动下的聚合广告投放平台在全网精准“捕捉”潜在用户、激活老用户以及通过 200 多个天猫同城站、2 万多个社群、20 万商场团达人、9 大官方自媒体矩阵粉丝,精准、高频的通过各种定制化内容,对老用户进行“种草”，从而实现活动的高引流、高转化、高联购、高裂变。

过去，红星美凯龙商场做活动更多依靠商家引流,现在是利用数字化用户运营源源不断制造流量，通过开展超级品类节、超级品牌日、精细狂欢夜直播等等活动，向商家输出流量。红星美凯龙的“公海精准捕鱼”能力，让其成为品牌商与线上超级平台之间的最大精准流量接口，红星美凯龙的“私域精细养鱼”能力，让其成为品牌商的最大垂直流量入口。

过去，针对边角商户，红星美凯龙也是有心无力。如今却能够利用各种线上场景为边角商户打造专场直播、专场团购等等活动，以及通过内容对家装周期里的精准用户持续种草、定向引流。

迈出第一步 数据中台“憋大招”

随着数字化探索进程的加快，“流量制造”共识也在红星美凯龙内部形成，迈出了关键的第一步:建立数据中台。

实现“流量制造”关键是建立数据中台。何兴华表示：数字时代里，每家企业都要有能力做“公海精准捕鱼”，又要有能力做“私域精细养鱼”。实现‘精准’和‘精细’的引擎正是数据中台”。

《流量制造》如此解读数据中台对营销的价值：数据中台不仅让传统营销升级为数字营销，更升级为用户运营,实现对每一个用户的全域、全场景、全链路、全周期运营。

红星联合阿里云打造“领先的行业广告精准营销平台”，推动行业数智化升级。首先从消费者数字化开始，结合红星的消费者运营、内容运营、全域投放、交易转化全链路流程，帮助品牌在数字化经济时代的诸多不确定性中抓牢消费者。

2018年开始，红星美凯龙逐步建设以数据中台为底层核心，向上拓展数据应用的框架体系，结合阿里云数据中台核心产品:Dataphin、Quick BI、Quick Audience等将消费、商品、流量、商场信息等等数据统一治理，实现更精准的营销洞察,降低获客成本。

同时，基于底层统一数据打造流量承接平台，以营销线索为核心,贯穿线索获取、分析、下发、接触、服务、维持等，保持对于营销线索的整体转化效率跟进，及时下发门店导购进行转化，将原本2-3天的线索跟进时长缩短至实时跟进。

据了解，目前红星美凯龙与阿里云合作的数据中台二期将打造数据驱动、面向行业的数据中台和聚合投放平台，包含全渠道营销投放管理、大数据运营分析和策略服务、线上线下数字化触点连接能力。

数据中台不仅让红星美凯龙在输出的同时持续“回血”，更是为将来的“大招”憋足了后劲：双方未来合作的数据中台三期还将切入CMS内容领域。

近期红星美凯龙还获得了“2020GMTIC全球营销技术及零售创新峰会年度大数据奖项”，这背后不乏数据中台的助攻。

数字化探索取得阶段性成果，让红星美凯龙更加坚定地面向行业，思考如何打造“流量制造”时代的用户运营共同体。对于家居企业来说，数据资产普遍都比较贫乏，如何能快速形成一套自己的数据体系，非常积极和重要。

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。”

这一体系以消费者资产作为品牌方经营的运营基石，基于消费者人群的评估、监测、驱动来带动品牌当下及未来商业的增长。关于NEW这一指导新客运营的指标体系可详见底部链接。

大小家电这类产品之所以定位为耐消品的原因有二：

其一：该品类换购周期非常长；其二：该品类存在排他性（即同一品类，消费者一般只需要购买一件）。

在这样的大背景之下，大小家电行业的消费者运营环节中的新客获取效率成为影响品牌成长的至关紧要的因素。

笔者所在项目组接触了国内不少大小家电品牌的电商、消费者运营团队，发现以下几个话题热度不低，我们具体展开与各位读者做一个讨论。

1. 新客的定义

狭义的新客，以既定的某种标准来区别单个个体，首次购买才算新客。比如以身份证号为判断标准，初次购买才是新客；即使很多年以后第二次购买，他/她就不再是新客。

部分平台上，会加一个时间限定，比如此次购买距离上一次购买已经超过360天了，那么这次购买就划定为新客的购买行为。

其实，对于一个多品牌多品类的企业，新客的定义可以包括品牌新客，品类新客跟单品新客。即通过跨品牌营销，可以将狭义的老客转化为品牌新客；通过跨品类营销，可以将狭义的老客转化为品类新客；通过单品的升级换代，可以将狭义的老客转化为单品新客。

全域数据中台赋能耐消品新客获取与转化广义上的新客

2. 潜在新客的获取路径

这里潜在新客即指“有机会转化为品牌新客/品类新客/单品新客的人群”，可以通过自然流量获取，也可以通过付费流量获取，也可以是既存的人群。其中有一部分人群的ID（如手机号、设备ID、微博ID）是存在于品牌方的数据中台中的，这部分人群大概有以下几个类别：

品牌广告投放留存的人群线下体验与留资人群注册会员但未成交人群官微/官博粉丝人群IP粉丝人群代言人粉丝人群潜在升级换代人群单品种子人群优选放大后人群同类产品历史成交人群优选放大后人群自有电商渠道有收藏加购行为但未成交人群对于这部分人群的盘点与留存，其实就是整个耐消品新客运营链路中的蓄水环节。该环节留存的AI人群可以持续地为品牌各类重要运营节点，如618、品类日、99、双11等贡献新客。

3. 将潜客使其转化为新客

由于耐用品客单价相对较高，而且具有排他性（通常只买一件），消费者决策时间更长，链路更复杂，因此就非常考验品牌商对潜客池子中的人群（即A人群与I人群）进行转化运营的能力。借助阿里云数据中台产品和零售行业解决方案可以非常高效地进行新客获取与持续运营，这里的“效”即包括效率，也包括效果。 整体方案如下，分为技术解决方案、运营解决方案、营销解决方案。整体的解决方案在多家耐消品品牌中得到了应用并获得了一定的认可。

技术解决方案：利用数据中台中的智能数据开发产品Dataphin实现消费者数据的资产化与标签化，如对于已购消费者的价位段偏好、颜色偏好进行标签制作；对于媒体广告回流数据，加工制作点击次数、曝光次数、偏好营销形式、意向品类等标签。

运营解决方案：结合阿里云数据中台的人群洞察能力，根据消费者的基础属性，如城市等级，人生阶段划分为不同类型的群体，针对性地进行后链路运营转化。 如媒体的二次触达；如推送至电商平台进行成交转化运营；如通过直播、轻店进行转化运营。

营销解决方案：结合人群包的特征以及营销目的，选择合适的营销触达工具，如短信、今日头条、阿里妈妈、微博等。

这次关于“耐消品新客”的话题讨论就到这里，可以看到NEW指标体系指导新客数字化运营评估，阿里云数据中台通过技术与产品能力实现新客数字化运营的落地。当然也可以基于阿里云数据中台的能力搭建一方NEW指标体系，具体的方案我们留到下次再展开。也欢迎各位与我们联系，沟通交流更多消费电子与大小家电行业消费者运营最佳实践！

潜客获取与转化运营效果跟踪看板（示例）

数据中台是企业数智化的必经之路，阿里巴巴认为数据中台是集方法论、工具、组织于一体的，“快”、“准”、“全”、“统”、“通”的智能大数据体系。

目前正通过阿里云对外输出系列解决方案，包括通用数据中台解决方案、零售数据中台解决方案、金融数据中台解决方案、互联网数据中台解决方案、政务数据中台解决方案等细分场景。

其中阿里云数据中台产品矩阵是以Dataphin为基座，以Quick系列为业务场景化切入，包括：

– Dataphin，一站式、智能化的数据构建及管理平台；– Quick BI，随时随地 智能决策；– Quick Audience，全方位洞察、全域营销、智能增长；– Quick A+， 跨多端全域应用体验分析及洞察的一站式数据化运营平台；– Quick Stock， 智能货品运营平台；– Quick Decision，智能决策平台；

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。

没人知道，也没人在意。自从天猫双11的快递挤爆了公司原本设立的小邮局，行政部不得已只能将篮球馆改造成临时快递领取点——每个人脸上都是期待的神色，沿着刷工牌取件的队伍缓缓前进，丝毫不被穿梭而过的人们所影响。

小吴完全是各大品牌定义的那类典型都市青年：有一份稳定的工作，能支撑自己较好地生活在新一线城市，也有足够的“闲”钱去满足自己包括无人机、周末自驾游在内的各项兴趣爱好。

今年天猫双11，除了赶在最后一小时下单的降噪耳机和隔天就收到货的秋冬季男装，就数手里刚拿到的这件“战利品”最为宝贝。

不再谈“性”色变的年轻人“推”着安全套行业数字化升级

小吴在办公室拆了快递，严密细致的外包装褪去，露出里面考究的黑金色礼盒。他拿出一盒递给邻桌的哥们儿，对方笑着捶了他一拳，“嘿，谢了！”

这是今年天猫双11前夕，杜蕾斯刚推出的新产品——001水性聚氨酯安全套。

在安全套也能大大方方摆到台面上“分享”的背后，是“小吴们”消费观念的变化。

过去，鲜有人愿意将安全套话题带出卧室，更别说“表达”和“分享”了。但现在，越来越多的年轻人不再对此避之不及，甚至有了更为强烈地个性化需求。他们开始热衷于通过互联网表达自己的喜爱偏好，以及对现有产品的建议和批评。

以杜蕾斯天猫官方旗舰店为例，畅销期店铺客服每日接待的咨询量在千次级别，而在像天猫双11等爆发性节点，每日接待咨询量更是高达数万次。

除了常规的商品组合、活动优惠之外，消费者对安全套产品的需求关注已经从最基本的避孕和防止疾病拓展至情趣、无感等更为个性的维度。也正是这些消费者个性化需求的反馈和行业整体趋势的发展，推动了杜蕾斯新品001的研发和上市。

同时，随着近年饿了么、同城购等本地生活业务的全面覆盖，消费者亦能享受“及时、便捷”的购买服务，极大提升了购买体验。

《2019-2023年中国安全套行业研究报告》显示，自2002年我国政府解除了对安全套行业的管制以来，我国安全套行业取得了快速发展。仅在2018年，我国就生产了130多亿个避孕套，其中出口30多亿个——按照这个数据计算，意味着我国每年消费的安全套数量在100亿个左右。

而另一份来自时尚杂志《男人装》早前推出的各省安全套使用量排行榜数据显示：江苏省每年使用的安全套高达12.2亿只，位居全国首位；广东省以9.7亿只位居第二位；而湖北省则以7亿只排在第三位。再次证明，安全套市场正在国内获得蓬勃发展。

当然，消费者心理的改变加上消费市场的壮大，也反向推动了安全套行业的变革，使得安全套在品质、营销、渠道等各个维度都不得不更为精细化和多样化。

这便催生出了安全套品牌的数字化转型，让品牌有意识地通过数据去洞察消费者更为细致的个性化需求，并以消费者的需求为出发点，促进产品和服务的升级。

增速放缓，存量线上市场中找寻新机会

今年天猫双11，在“小吴们”的购买加持下，全球安全套行业“老大哥”杜蕾斯实现全网销售额突破1.7亿元，同比增长20%。

然而这个数字，在利洁时曼伦公司（以下简称“利洁时曼伦”）却也并不惊人。作为杜蕾斯、滴露、finish、薇婷等多个国际品牌在中国市场的“操盘手”，利洁时曼伦在天猫双11期间斩获超过5.7亿元的销售额，实现整体业绩增长42%，为消费者输送的快递包裹更是超过400万个。

而这些数字成就的背后，除了有利洁时曼伦总经理吕有名独创的“6W4M”方法论体系指导之外，亦离不开阿里云数据中台的加持。

据吕有名介绍，过去几年，随着移动互联网技术的深度发展及消费者线上购物习惯的养成，包括杜蕾斯在内的众多品牌迎来线上市场开辟的高光时刻，“杜蕾斯前几年的线上市场占比增长较快，从2010年前的不到5%发展到近两年55%左右的占比，预期在未来2-3年内，这个数据不会有太大变化。”

这是因为，一方面行业新入局者逐渐涌现——查看天眼查专业版，以“计生用品”、“避孕套”等作为经营范围筛选，数据显示全国有19万家相关企业；而另一方面，在短期内安全套行业对应的目标消费人群总数不会出现较大波动，这其中也包含了线上消费偏好人群。

那么，面对短期相对稳定的目标市场，如何才能在其中找准自己的消费者并提供合适的服务，就成为了杜蕾斯首要考虑的问题。

利洁时曼伦给出的解法是，充分发挥数据的能力，实现品牌的数字化转型。

2015年，利洁时曼伦开始组建数据营销部门，目前已经发展为一个相对成熟的团队，负责包括杜蕾斯在内多个品牌的数据分析和业务赋能工作。

在帮助品牌通过数据了解消费者、做好消费者洞察分析的基础上，提高营销回报率。

吕有名举例，通过数据，品牌希望知道自己的营销预算投放到哪一类消费者身上才能实现营销价值最大化，“比如，A消费者本来就打算在半小时后购买杜蕾斯产品，而B消费者同一时间却还在多个品牌之间犹豫，那我的营销预算肯定是需要去投放在B消费者身上，但如何去找到B消费者们，我觉得这就是数据能够给我带来的最大价值之一。”

而除了组织架构上的改造，吕有名还将自身在行业浸润几十年的经验梳理成可供业务复用的 “6W4M”营销方法论体系。

作为利洁时曼伦经过摸索总结并已经践行的一套营销策略指导模型，“6W4M”从营销目的Why、营销目标Mission、目标人群Who、主推商品Which、内容创意What、营销时点When、渠道选择Where、预算投入Money、过程监控Monitoring、效果评估Measurement这10个关键维度出发，明确营销策略方向，分解营销目标，不断优化调整，构建“精准营销”策略框架。

牵手阿里云数据中台，让营销理论体系成为“有血有肉”的实践

利洁时曼伦IS部门经理杜斌坦言，利洁时曼伦是一家格外注重自身知识体系构建的公司，但同时，“我们也对能够不断补充我们现有知识体系的新内容，抱有极大的开放态度。”

这一点，在利洁时曼伦和阿里云数据中台合作共创的曼伦数据营销中心（MDMC）上得到了验证。

2020年，利洁时曼伦正式牵手阿里云数据中台，以Dataphin为核心，制定包括全域营销、私域运营、精准媒体投放、智能客服分析在内的四大应用目标。

双11期间，利洁时曼伦通过MDMC，打通杜蕾斯品牌原本相对独立的数据体系，完成数据指标的统一，并有效运用于品牌前端业务场景。

据悉，为了更加了解消费者的需求与反馈，今年天猫双11期间，围绕杜蕾斯天猫旗舰店，利洁时曼伦尝试利用MDMC，将从消费者向客服询单的内容中提炼出核心关键词，并打通后续商品营销数据，进一步优化产品、服务及营销上的不足。

比如针对消费者最为关心的产品、服务、价格、优惠等方面的问题，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业务部门，及时调整有关策略，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。

此外，MDMC还通过阿里云Quick Audience联动系列数据产品，极大丰富了营销链路和触点，实现全域营销；并通过程序化形式实现精准媒体投放，极大减轻了运营、营销岗位的员工压力，提高了营销效率。

而最终销售达成的效果也相当喜人。除杜蕾斯品牌交出全网销售额突破1.7亿元的答卷外，沿用同一套方法论和操作逻辑的滴露，也轻松斩获全网1.8亿元销售额——其天猫官方旗舰店销售额同比增长更是高达156%。

对此，利洁时曼伦数据营销部门经理李列表示，数据中台在双11期间的最大赋能，在于通过数据分析，持续升级产品和服务，更加了解消费者需求，同时帮助杜蕾斯、滴露等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、生意参谋等数据工具，进行全域精准营销。

“另一方面，”李列补充道，“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，从而极大提升了整体工作效率，减轻了大促期间各部门员工的工作压力。”

通过阿里云数据中台，杜蕾斯将利洁时曼伦原有的营销方法论体系落实到各个具体的业务场景，并将相关效果数据再度提炼成为可供复用的方法论和操作，对体系进行反哺和优化。

“这是一次很好的尝试，让我们能够通过数据去发现更多业务上的机会”，吕有名说道，同时他也表示，企业（品牌）如果想要更好地了解用户（消费者），那么阿里云数据中台就是一个不错的选择。

作为阿里巴巴的技术底座，阿里云将阿里巴巴的技术和产品不断对外输出。就像经过每年双11后，阿里巴巴的技术都将得到一次提升一样，在双11这场“大考”中，各行各业的客户也和阿里云一起，不断拓展着创新和效率的边界。

位于汕头的启梦积木是拼装玩具细分领域的龙头企业。今年双11，启梦估计11月11日当天的销售量就会达到日常3个月的水平，为此需要提前备好产能、加大库存。

大促带来的需求猛增对传统玩具厂商的产能提出了很大挑战，即便像启梦这样的龙头企业也一样。但通过接入阿里云工业互联网平台和数据中台，启梦将旗下原本互相独立的三个品牌的工厂数据和工艺数据打通，实现不同工厂的产能共享。针对可能大卖的单品，启梦把复杂和简单的工序相匹配，提高产线的利用率，保障爆款的供应。目前，启梦的整体生产效率提升了6-7%。

启梦积木只是阿里云支撑的工业互联网平台上的受惠者之一。在广东飞龙工业互联网平台上，光是小家电制造企业就有近百家。在此次双11，从生产制造端开始，这些厂家便利用数字化工具，迎接疫情后最大的机会，也是最大的挑战。

在与广东接壤的福建，双11当天，一家特殊的养殖场搞起了直播，展示了数字化赋能农业生产的能力——中国最大的贵妃鸡数字化养殖基地“福欣牧业”负责人雷金荣对着镜头，展示了用阿里云AI养殖技术饲养的原产自英国的贵妃鸡。在基地里，可以通过鸡脚上的脚环实时监测每只鸡的状态，可以通过环境传感器监测养殖环境，还可以通过标准化养殖模板指导饲养。

专家认为，传统的养鸡模式农户分散，没有标准，这套系统通过生产数据汇总分析，实现了贵妃鸡养殖的标准化，推动产业的规模化发展。去年公司营收已有七千多万，老雷对未来信心十足，“要让贵妃鸡走出国门，卖回英国老家去”。

事实上，阿里云此前就已经开始助推农业人工智能化发展。2018年，阿里云推出农业大脑，将AI技术与互联网能力普及到农村，通过技术手段提升农业效率，帮助农户增产增收。

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”。

5年前，波司登开始与阿里云展开合作，打通了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了用场：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抗疫一线。

今年，双11“预售首小时TOP品牌榜”上，波司登在女装品类、男装品类均位列第一，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79%，拉补效率提升60%，数据及时、准确性得到极大提升。

对于品牌商来说，更普遍的挑战在零售环节。

今年双11，三只松鼠拿下天猫零食类目第一。三只松鼠是行业第一个突破百亿的休闲零食品牌，但零食市场近年来头部商家竞争激烈，让三只松鼠始终面临增长压力。坚果类市场占有率9年行业第一的同时，三只松鼠不断拓展产品品类，今年成立了四个新品牌进军方便速食等新类目，其当务之急就是“拉新”。

通过阿里云全域数据中台等技术，三只松鼠把消费者资产统一整合管理，解决新品牌消费者冷启动的第一步。而新品牌也在双11期间取得了良好的销售业绩：“小鹿蓝蓝”销售额超1811万，位居宝宝零食行业第一；“喜小雀”上线68天拿下喜糖喜饼行业第一，双11销售突破100万，客单超8000元。

在双11期间，和诸多零售行业客户一起，阿里云数据中台通过直播精准触达、全域新品/爆品运营、跨端联动拉新、GMV策略模拟调整解决方案、IP联名打造及营销等场景解决营销领域一直面临的难题。通过数据中台深度理解消费者，通过算法不断优化创新场景的拉新精确度，品牌商在减少营销成本的同时，实现成交转化率提升。

作为商品交易的最后一环，物流也是双11不可或缺的环节之一。

今年，申通迎来了全站迁入阿里云后的第一个双11，平稳应对每秒数万次的请求峰值。与去年双11当天相比，11月1日至3日，申通的业务量大幅提高，IT成本却降低了30%。基于云原生，原本需要两三年才能推出的“网点管家”和“财务管家”系统在几个月内就上线了。

双11物流订单数的持续增长和消费者“即买即到”的需求，对物流平台的基础设施不断提出更高要求。今年，截至11月11日23时，2020天猫双11全球狂欢季实时物流订单量突破22.5亿单，约等于2010年全年中国快递量的总和。尤其是，今年双11电商平台普遍拉长了预售期，长达十多天的订单高峰期成为物流史上的最大考验。

阿里云和诸多快递行业的客户一起，不断突破技术极限，以更低的成本、更强大的弹性应对不断提高的流量峰值，实现“今天的峰值就是明天的常态”。而统一的云平台和技术资源，也让不同物流公司之间的业务合作更方便，消费者可体验到更流畅的下单、派单、配送流程。

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。

如何从具体的需求或项目转换为可实施的解决方案，如何进行需求分析、架构设计、详细模型设计等，则是模型实施过程中讨论的内容。本节先简单介绍业界常用的模型实施过程，然后重点讲解阿里巴巴OneData模型设计理论及实施过程。

在2020云栖大会“阿里云数据中台”会场上，阿里云数据中台再提生态战略，将重点开放行业数据模型、数据化运营和数字化转型咨询等三大领域市场合作，同时联合生态伙伴共同发布了19个聚焦细分场景的数据模型、产品及解决方案白皮书！！！

从数据中台产品到零售、金融、政务、互联网企业四大行业解决方案再到数据模型，一气呵成！

1．详尽的阿里云数据中台产品矩阵详解

目前阿里云数据产品包括智能数据构建及管理平台Dataphin，满足企业可视化数据分析需求的新一代智能BI服务平台Quick BI，满足跨多端场景下的全域洞察产品Quick A+，以及本地云栖大会亮相的聚焦消费者运营场景Quick Audience2.0和为更好地实现“人货匹配”问题的智能货品运营平台Quick Stock。

形成了以“Dataphin”为基座，承载“Quick系列”的场景化核心产品矩阵，为企业输送数智化核心能力。

• 产品白皮书目录如下：

1、《Dataphin产品白皮书》
2、《Quick BI产品白皮书》
3、《Quick Audience 全域消费者运营平台》
4、《Quick A+ 产品白皮书》
5、《Quick Stock产品白皮书》
6、《Quick Decision 智能决策平台》

点击文末阅读原文，迅速进入白皮书下载目录

2．丰富的行业化解决方案

目前阿里云数据中台解决方案既包括通用数据中台解决方案，也包括“零售”、“金融”、“政务”和“互联网企业”四大行业属性的解决方案。

• 行业解决方案白皮书目录如下：

《烟草行业解决方案白皮书》
《水务行业数据智能化解决方案》
《智能用户运营解决方案》
《金融行业数据资产管理》
《金融行业新一代数据仓库解决方案》
《线上理财数字化运营解决方案》
《服饰行业消费者个性化服务解决方案》
《消电行业数据中台解决方案白皮书》
《美家行业消费者资产化解决方案白皮书》
《快消行业消费者运营解决方案》
《政务数字参谋产品白皮书》

点击文末阅读原文，迅速进入白皮书下载目录

3．生态合作

在数据中台行业模型领域，阿里云数据中台与合作伙伴优势互补，由阿里云数据中台开放平台能力，由合作伙伴输入行业经验，以产品化模式输出行业数据模型，实现同一个行业的多个客户快速复制, 提高交付效率, 降低交付成本。

如阿里云数据中台生态伙伴浩鲸科技，即通过阿里云数据中台核心产品之一——Dataphin所输出的智能数据构建能力，结合自身多年的电信行业实践经验，构建了一套电信行业数据模型，可以帮助该行业快速构建数据中台基座，实现数据驱动运营、创造业务价值。

• 数据模型白皮书目录如下：

阿里云数据中台将开放其平台的数智化能力，由生态伙伴输入行业经验，共同以产品化、模块化或解决方案等形式对外输出服务，共同帮助企业客户更好地构建数据中台。

阿里巴巴数据技术及产品部云上数据中台总监王赛表示，目前生态合作将重点面向伙伴，开放行业数据模型、数据化运营和数字化转型咨询等三大领域市场合作。

迄今为止，阿里云数据中台已与包括埃森哲、毕马威、德勤、浩鲸科技、云徙、袋鼠云、奇点云、点正科技、火奴、趣云、群脉、阳狮等在内的多个领域内权威企业合作。

与生态共建行业赋能的数据中台市场

自今年6月对外发布零售、金融、政务、互联网企业等4大行业数据中台解决方案起，阿里云数据中台正在逐步从提供通用性能力走向赋能垂直行业的深地。

未来持续在行业领域深度赋能是阿里云数据中台发展的关键词。

这意味着，阿里云数据中台在帮助解决行业数智化难题的时候，必须充分提炼垂直行业的特性，深度挖掘行业的核心业务需求。

行业经验恰是生态伙伴的优势，可以与阿里云数据中台的数智化能力优势互补，形成合力。

王赛介绍说，深入各个行业的生态伙伴更懂得行业的问题，更能发现一些数据在场景中解决问题的机会，并提炼出解决方法。还有一些合作伙伴懂得业务运营的方法，数据中台与业务运营结合，会发生非常好的“化学”反应，让运营变得高效，从而创造企业价值。

以当前开放的行业数据模型领域举例，阿里云数据中台将向生态伙伴开放平台、产品的数智化能力。生态伙伴企业输入自身沉淀多年的行业经验，以产品化模式输出行业数据模型，实现同一个行业的多个客户快速复制, 提高交付效率, 降低交付成本。

阿里云数据中台生态伙伴浩鲸科技，即通过阿里云数据中台核心产品之一——Dataphin所输出的智能数据构建能力，结合自身电信行业实践经验，构建了一套电信行业数据模型。该模型可以帮助电信业快速构建数据中台基座，实现数据驱动运营、创造业务价值。

与生态共赢寻找赛道上的新机会

与生态合作，共建赋能垂直行业的数据中台市场，是阿里云数据中台对生态战略计划的诠释。

在共建的另一端，则是和生态共赢。

王赛告诉记者，在当前发布的生态合作计划中，所有的生态伙伴都需要通过统一的培训体系，熟知阿里云数据中台实践的核心方法论，掌握大数据的技术体系应用。

这意味着，一大批传统企业服务商在成为阿里云数据中台生态伙伴后，能够顺势踏上企业上云、大数据上云这一火热赛道。

“阿里云数据中台生态合作伙伴有机会获得大市场下的大机会，获得更大的资本市场认可可。”王赛介绍说，当前阿里云数据中台已与包括埃森哲、毕马威、德勤、浩鲸科技、云徙、袋鼠云、奇点云、点正科技、火奴、趣云、群脉、阳狮等诸多权威企业展开生态合作。

阿里云数据中台同时也给出了生态伙伴应该具备的三个基础标准：对数据智能充满信心和好奇心、相信和愿意与阿里云一起成长和具备一定的技术应用和行业理解力。

未来，阿里云数据中台生态将会是兼具大数据技术应用、行业理解与洞察、运营属性相结合的综合数据中台运营服务商生态。

Quick Audience2.0旨在帮助企业更好地实现以人为中心的消费者全链路运营。

从消费者营销升级为消费者全链路运营

过去，企业通过调研、咨询等形式，发现或挖掘目标用户的需求，再通过营销活动让消费者了解自身产品或服务，并最终实现购买行为。整个过程可以理解为由企业单方面发起，用户在一定程度上是整场营销活动的“被动接受者”，这种方式很大程度无法实现更为精准的供需匹配，最终导致的结果往往是购买转化效果未能达到预期，同时无法沉淀跨端营销活动的效果数据，就无法为企业后期的同类型营销活动提供多维比对分析的数据基础。

升级后，Quick Audience2.0改变了企业与消费者之间的关系。

朋新宇介绍：“通过Quick Audience2.0，单向的广告推送将升级为双向的人群互动，企业也将借助这一产品的数智能力，实现从多点的营销触达升级到消费者深度运营的目的。”

Quick Audience2.0在原有的产品能力基础上，通过集成Dataphin和Quick A+两大产品的部分能力，能够进行数据研发，构建适用于业务场景的多维用户模型，并在广告营销、社群互动、全域会员管理等环节之后回流效果数据加以沉淀、分析，不断自我丰富、充盈企业用户资产。

值得一提的是，Quick Audience1.0还只是聚焦单场的营销分析和投放，以此来达成单次的购买、转化。但升级至Quick Audience2.0后则可以支持企业引入多阵地用户，实现社交层面的跨端互动和用户运营，不断加深用户从对企业（品牌）的认知、兴趣，从而转化成为忠实消费者。

也正是基于多渠道触达、多社交互动、全域会员管理，以及跨端数据回流的“组合拳”打造，目前Quick Audience2.0已升级为集数据资产构建、用户分析、精准营销投放、跨端社交互动和全域会员管理为一体的全域消费者运营平台。

全面助力企业全域深度运营

今年6月，Quick Audience作为阿里云数据中台核心产品之一被正式推出。在随后的天猫618消费季，多家企业切实享受到了Quick Audience带来的效果。

消费季前夕，巴拉巴拉通过Quick Audience联动商家端数据产品，对品牌近两年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，巴拉巴拉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了成交转化率的较大提升。

无独有偶，良品铺子借力Quick Audience，并基于对广州、深圳两座城市的潜客人群的深度理解，实现通过手淘轻店和饿了么为实体店引流，提高消费者粘性，形成线上线下多端拉新、提高商品复购。

此外，九阳通过Quick Audience精准洞察Line Friends IP联名新品目标消费人群，并以此制定不同的营销方案，在减少营销成本的同时实现成交转化率的提升。

未来，Quick Audience2.0还将继续集成，持续升级自身服务体系，为企业输出以人为中心的消费者全链路运营能力。

本次云栖大会，阿里云数据中台同时发布新品智能货品运营平台Quick Stock。至此，阿里云数据中台形成了以“Dataphin”为基座，承载“Quick系列”的场景化核心产品矩阵，为企业输送数智化核心能力。

另外，阿里云数据中台还发布了19个针对场景化需求的解决方案、产品白皮书。朋新宇表示，未来阿里云数据中台还将不断繁衍更多场景化的产品，解决业务实际问题。

Quick Stock旨在以数据为核心，通过更加精准和可配置的销量预测，以及仓储网络优化和调拨算法逻辑，帮助企业构建产销协同能力，实现高效的货品全生命周期运营。

从“货”出发 重构“人—货”关系

十年前，人们的购物行为大多限定在“场-货-人”的既定动线中：我们去一个门店或者商场，挑选中意的货品，最后将其买下。

随着包括互联网、智能设备在内的高新技术的深度发展，人们的购物行为正在发生极大改变：打开淘宝APP，在搜索框输入自己想要货品的关键词，然后在呈现出的列表中选出最合心意的那一个，完成付款。

不论是线上还是线下，“人—货—场”的商业逻辑正在被更广泛地接受。

其中，“人—货”的供需匹配，尤为零售行业所重视。

如何在洞察消费者需求的基础上，生产出消费者喜闻乐见的货品并通过合适的渠道进行触达，成为零售企业核心关注的问题之一。

作为智能货品运营平台，Quick Stock正在给出自己的解法。

Quick Stock 对货品的完整生命周期进行解构，从企业、生产、首铺、试销、补调、清尾6大环节切入，以数据算法为核心，针对性给予决策建议与风险规避。

以服装企业为例。过去，不少企业都会参照世界性时装秀来把握新一季的流行趋势，并以此来制定企业未来一段时间内的企划概念，这种“大锅饭式”的取材形式并不利于企业长线发展及在细分人群中的深钻，甚至往往因为多家企业衍生出的概念相似，而不得不陷入同质竞争的尴尬局面；另一方面，这一形式往往还会因为人为因素的过多干扰，而脱离了消费市场的真正诉求。

借助Quick Stock的算法能力，企业能够对货品进行单品级别和SKU组合级别的策略企划，甚至在选定新品款式和首铺数量的基础上，还能够提供品类结构调整和新品研发建议，从而帮助企业更好地进行预算管理和生产管理。

六大环节难题 逐项解决

朋新宇介绍说，Quick Stock是以货为中心，拥有线上线下全渠道的货品数据覆盖和强大的智能算法能力，能够为所有货品进行全方位多维度的打标，让企业更加清楚地知道货品的全貌。

记者了解到，除了为货品企划提供市场数据提供参考外，Quick Stock还将数据赋能贯穿货品整个生命周期。

在生产环节试销环节，Quick Stock能够通过算法对C端（消费者）和B端（经销商）的动态销量进行预测，为企业及时进行订单和排产优化提供产销协同建议，让企业及工厂能够根据市场需求科学生产货品，提升供给侧和需求侧的协同效率，保障企业生产资源的最大程度利用和优化；而当货品在被生产出来到进入市场之前，Quick Stock还能通过大数据实现对市场及不同渠道的预判，对线上渠道提供选品铺货建议，对线下渠道提供门店信息和货品组合建议。

当货品进入市场之后，Quick Stock将着重监测包括不同渠道、不同SKU成交、折扣等在内的多项动态信息，统筹整合，用直观明了的展现形式提供给企业决策部门，同时做好数据沉淀以便后期即时调用。

比如，服饰企业可以借助Quick Stock对货品的全方位分析洞察和算法优化能力，通过销售终端市场需求预测实现科学性追单，提高快反供应能力——当监测到线下某个门店需要补货时，企业可以通过Quick Stock自动从周围的大仓、门店集中调配，查找最合适的借调地点完成在满足整个区域市场供需基础上的快速货品调配，充分盘活企业的整体货品库存。

目前，这一套贯穿货品全生命周期的数据能力，可以复用在包括服饰、家清、快消、家店等众多覆盖线上线下不同零售渠道的行业。

值得注意的是，Quick Stock针对“尾货”还拥有一项“杀手锏”，通过充分联动Quick Audience和品牌数据银行，洞察不同渠道特性，Quick Stock能够帮助企业实现“货—人”的精准匹配，实现快速“清库存”。

而除了“货—人”匹配方面，Quick Stock还已经完成阿里巴巴数字经济体的全面链接，通过钉钉移动端，企业可以更快捷地随时随地掌控供应链核心指数；通过和网商银行的对接，企业的渠道商可以更便捷地获取金融信贷服务……

未来，Quick Stock还将不断接入更多业务，以“货”为中心持续叠加数据驱动服务，以智能货品运营平台的姿态，共同丰富、拓展阿里云数据中台核心产品矩阵能力，为更广泛的客户群体带去对货品的全生命周期智能管理服务。

本次云栖大会，阿里云数据中台还同时升级全域消费者运营平台Quick Audience2.0。至此，阿里云数据中台已形成了以“Dataphin”为基座，承载“Quick系列”的场景化核心产品矩阵，为企业输送数智化核心能力。

另外，阿里云数据中台还发布了19个针对场景化需求的解决方案、产品白皮书。朋新宇表示，未来阿里云数据中台还将不断繁衍更多场景化的产品，解决业务实际问题。

在专场分论坛上，阿里云数据中台发布生态合作战略，将重点开放行业数据模型、数据化运营和数字化转型咨询等三大领域市场合作，并联合生态伙伴共同发布了近20个聚焦细分场景的数据模型、产品及解决方案白皮书。

围绕业务场景持续繁衍Quick系列产品

此次升级发布的核心产品Quick Audience2.0和Quick Stock均为阿里云数据中台 Quick系列产品。该系列各款产品分别针对不同业务场景，提供数智化能力。

智能货品运营平台Quick Stock解的是货品运营场景下如何更好地实现“人货匹配”的问题。过去，企业在“如何生产和销售市场所需的货品”这个问题上，往往只能单纯依靠人的主观经验，拍脑袋、下决策。

Quick Stock以“货”为研究视角，拥有线上线下全渠道的货品数据覆盖和强大的智能算法能力，能够为所有货品进行全方位多维度的打标，让企业更加清楚地知道货品的全貌。

这就为企业实现货品全生命周期运营提供了数据基础。在对货品全生命周期进行解构后，Quick Stock从企划、生产、首铺、试销、补调、清尾6大核心环节切入，以数据算法为核心，为企业实现高效的货品全生命周期运营，提供针对性的科学决策建议。

以崭新定位亮相本次云栖大会的Quick Audience2.0，聚焦消费者运营场景。

今年6月，Quick Audience首次推出1.0版本，定位于“智能用户增长”，围绕消费者进行全方位的洞察和营销，最终实现购买。

而在Quick Audience2.0中，针对消费者的运营更深入、更全面。过去，单向的广告推送将升级为双向的人群互动，多点的营销触达将升至消费者深度运营。

企业不仅可以通过Quick Audience2.0完成消费者全域跨端的洞察分析，还能实现多阵地的粉丝社交互动和企业会员的深度运营。

除Quick Audience2.0、Quick Stock外，目前阿里云数据中台Quick系列产品还包括了：满足企业可视化数据分析需求的新一代智能BI服务平台Quick BI、满足跨多端场景下的全域洞察产品Quick A+。

结合最早推出的智能数据构建及管理平台Dataphin，阿里云数据中台已形成了以“Dataphin”为基座，承载“Quick系列”的场景化核心产品矩阵，为企业输送数智化核心能力。

Dataphin作为基础件，帮助企业实现智能数据构建与管理，迈出建设数据中台的第一步，Quick系列产品则满足了各类业务场景化的数据智能服务。

朋新宇告诉记者，未来阿里云数据中台还将不断繁衍更多场景化的产品，解决业务实际问题。

重点开放三大领域生态合作

在专场分论坛上，阿里云数据中台深度介绍了当前生态合作战略：未来将重点围绕行业数据模型、数据化运营和数字化转型咨询等三大领域，与生态伙伴深度共建与集成。

2018年，阿里云数据中台正式对外服务时，就曾提出将与生态共建，共同帮助企业客户实现数智化。

迄今为止，阿里云数据中台已与包括埃森哲、毕马威、德勤、浩鲸科技、云徙、袋鼠云、点正科技、火奴、趣云、群脉、阳狮等多个领域内权威企业合作。

阿里巴巴数据技术及产品部云上数据中台总监王赛表示，生态合作伙伴可以在阿里云数据中台核心产品的基础能力之上，提供行业数据模型、数据化运营方案及数字化转型咨询服务，共同帮助企业客户更好地构建数据中台。

以数据中台行业模型领域为例，阿里云数据中台可以与生态合作伙伴优势互补，由阿里云数据中台开放平台能力，由生态合作伙伴输入行业经验，以产品化模式输出行业数据模型，实现同一个行业的多个客户快速复制, 提高交付效率, 降低交付成本。

阿里云数据中台生态合作伙伴浩鲸科技，即通过阿里云数据中台核心产品之一——Dataphin所输出的智能数据构建能力，结合自身多年的电信行业实践经验，构建了一套电信行业数据模型，可以帮助该行业快速构建数据中台基座，实现数据驱动运营、创造业务价值。

云栖大会期间，阿里云数据中台联合生态合作伙伴共同发布了近20个聚焦细分场景的解决方案、产品及数据模型白皮书。

未来将扎根垂直行业赋能

过去一年，阿里云数据中台除了提供通用的数据中台解决方案，也针对“零售”、“金融”、“政务”和“互联网企业”四大行业的特性，提供了具有行业属性的解决方案。

阿里云数据中台为零售行业提供多维的全方位洞察、全域自动化营销等服务，并通过与阿里巴巴生态联动，帮助更多零售企业实现数智化增长。

今年天猫618消费季，多家零售企业通过借力阿里云数据中台零售行业解决方案收获惊喜：九阳Line Friends联名新品优选放大人群ROI提升322%、雅戈尔收藏加购ROI相较新客提升52.4%、奥普直播人群购买转化率是同期一般拉新人群的11倍……

阿里云数据中台也为政务类企业提供全套政务数字参谋解决方案，实现跨端、跨层级、跨系统等政务数据融通,支持政府决策科学化、社会治理精准化、公共服务高效化。

而针对金融行业，阿里云数据中台则提供了理财业务线上用户增长、整体的数字化运营解决方案,通过联动蚂蚁生态,融合投资者教育的实践方法论,并集成支付宝小程序中,帮助金融机构实现业务增长。

此外，面向互联网企业，阿里云数据中台与友盟+进行深度联动，让互联网企业能拥有阿里云数据中台的能力，在营销增长、风控、智能运营等场景中实现业务增长。

除上述四大行业外，阿里云数据中台也已面向地产、旅游等行业提供数智化能力。

良渚古城遗址公园通过阿里云数据中台实现票务、停车、入园等多个景区基础业务数据系统的构建，打造包括游客服务、景区管理在内的数字化体系，完成了智慧景区应用探索的第一步。

而龙头地产企业凯德集团，也通过阿里云数据中台梳理了现有业务流程及相关业务系统，建设了统一的企业数据公共层，打破了企业过去数据孤岛问题。现在，凯德的数据分析人员取数时间是过去的1/5，业务人员根据每天定点推送的数据报表进行完整数据洞察。

朋新宇表示，未来，阿里云数据中台将继续深化针对垂直行业的赋能，成为企业数智化的必经之路。

9月18日技术分论坛-阿里云数据中台专场

有龙头地产企业的数智化经验
也有全新出炉的数十个解决方案白皮书
还有火热推出的生态策略干货、策略统统打包今日赠票扫码预约，锁定日程

 9月18日 13：00
云上云栖
阿里云数据中台和你不见不散

随着DT时代互联网、智能设备及其他信息技术的发展，数据爆发式增长，如何将这些数据进行有序、有结构地分类组织和存储是我们面临的一个挑战。

如果把数据看作图书馆里的书，我们希望看到它们在书架上分门别类地放置；如果把数据看作城市的建筑，我们希望城市规划布局合理；如果把数据看作电脑文件和文件夹，我们希望按照自己的习惯有很好的文件夹组织方式，而不是糟糕混乱的桌面，经常为找一个文件而不知所措。

数据模型就是数据组织和存储方法，它强调从业务、数据存取和使用角度合理存储数据。Linux的创始人Torvalds有一段关于“什么才是优秀程序员”的话：“烂程序员关心的是代码，好程序员关心的是数据结构和它们之间的关系”，其阐述了数据模型的重要性。有了适合业务和基础数据存储环境的模型，那么大数据就能获得以下好处。

• 性能：良好的数据模型能帮助我们快速查询所需要的数据，减少数据的I/O吞吐。
• 成本：良好的数据模型能极大地减少不必要的数据冗余，也能实现计算结果复用，极大地降低大数据系统中的存储和计算成本。
• 效率：良好的数据模型能极大地改善用户使用数据的体验，提高使用数据的效率。
• 质量：良好的数据模型能改善数据统计口径的不一致性，减少数据计算错误的可能性。

因此，毋庸置疑，大数据系统需要数据模型方法来帮助更好地组织和存储数据，以便在性能、成本、效率和质量之间取得最佳平衡。

1．关系数据库系统和数据仓库

E .F .Codd是关系数据库的鼻祖，他首次提出了数据库系统的关系模型，开创了数据库关系方法和关系数据理论的研究。随着一大批大型关系数据库商业软件（如Oracle、Informix、DB2等）的兴起，现代企业信息系统几乎都使用关系数据库来存储、加工和处理数据。数据仓库系统也不例外，大量的数据仓库系统依托强大的关系数据库能力存储和处理数据，其采用的数据模型方法也是基于关系数据库理论的。

虽然近年来大数据的存储和计算基础设施在分布式方面有了飞速的发展，NoSQL技术也曾流行一时，但是不管是Hadoop、Spark还是阿里巴巴集团的MaxCompute系统，仍然在大规模使用SQL进行数据的加工和处理，仍然在用Table存储数据，仍然在使用关系理论描述数据之间的关系，只是在大数据领域，基于其数据存取的特点在关系数据模型的范式上有了不同的选择而已。关于范式的详细说明和定义，以及其他一些关系数据库的理论是大数据领域建模的基础，有兴趣的读者可以参考相关的经典数据库理论书籍，如《数据库系统概念》。

2．从OLTP和OLAP系统的区别看模型方法论的选择

OLTP系统通常面向的主要数据操作是随机读写，主要采用满足3NF的实体关系模型存储数据，从而在事务处理中解决数据的冗余和一致性问题；而OLAP系统面向的主要数据操作是批量读写，事务处理中的一致性不是OLAP所关注的，其主要关注数据的整合，以及在一次性的复杂大数据查询和处理中的性能，因此它需要采用一些不同的数据建模方法。

3．典型的数据仓库建模方法论

• ER模型

数据仓库之父Bill Inmon提出的建模方法是从全企业的高度设计一个3NF模型，用实体关系（Entity Relationship，ER）模型描述企业业务，在范式理论上符合3NF。数据仓库中的3NF与OLTP系统中的3NF的区别在于，它是站在企业角度面向主题的抽象，而不是针对某个具体业务流程的实体对象关系的抽象。其具有以下几个特点：

1）需要全面了解企业业务和数据；

2）实施周期非常长；

3）对建模人员的能力要求非常高；

采用ER模型建设数据仓库模型的出发点是整合数据，将各个系统中的数据以整个企业角度按主题进行相似性组合和合并，并进行一致性处理，为数据分析决策服务，但是并不能直接用于分析决策。其建模步骤分为三个阶段：

1）高层模型：一个高度抽象的模型，描述主要的主题以及主题间的关系，用于描述企业的业务总体概况。

2）中层模型：在高层模型的基础上，细化主题的数据项。

3）物理模型（也叫底层模型）：在中层模型的基础上，考虑物理存储，同时基于性能和平台特点进行物理属性的设计，也可能做一些表的合并、分区的设计等。

ER模型在实践中最典型的代表是Teradata公司基于金融业务发布的FS-LDM（Financial Services Logical Data Model），它通过对金融业务的高度抽象和总结，将金融业务划分为10大主题，并以设计面向金融仓库模型的核心为基础，企业基于此模型做适当调整和扩展就能快速落地实施。

• 维度模型

维度模型是数据仓库领域的Ralph Kimball大师所倡导的，他的The Data Warehouse Toolkit-The Complete Guide to Dimensional Modeling是数据仓库工程领域最流行的数据仓库建模的经典。

维度建模从分析决策的需求出发构建模型，为分析需求服务，因此它重点关注用户如何更快速地完成需求分析，同时具有较好的大规模复杂查询的响应性能。其典型的代表是星形模型，以及在一些特殊场景下使用的雪花模型。其设计分为以下几个步骤。

选择需要进行分析决策的业务过程。业务过程可以是单个业务事件，比如交易的支付、退款等；也可以是某个事件的状态，比如当前的账户余额等；还可以是一系列相关业务事件组成的业务流程，具体需要看我们分析的是某些事件发生情况，还是当前状态，或是事件流转效率。

1）选择粒度：在事件分析中，我们要预判所有分析需要细分的程度，从而决定选择的粒度。粒度是维度的一个组合。

2）识别维表：选择好粒度之后，就需要基于此粒度设计维表，包括维度属性，用于分析时进行分组和筛选。

3）选择事实：确定分析需要衡量的指标。

• Data Vault模型

Data Vault是Dan Linstedt发起创建的一种模型，它是ER模型的衍生，其设计的出发点也是为了实现数据的整合，但不能直接用于数据分析决策。它强调建立一个可审计的基础数据层，也就是强调数据的历史性、可追溯性和原子性，而不要求对数据进行过度的一致性处理和整合；同时它基于主题概念将企业数据进行结构化组织，并引入了更进一步的范式处理来优化模型，以应对源系统变更的扩展性。Data Vault模型由以下几部分组成。

1）Hub：是企业的核心业务实体，由实体key、数据仓库序列代理键、装载时间、数据来源组成。

2）Link：代表Hub之间的关系。这里与ER模型最大的区别是将关系作为一个独立的单元抽象，可以提升模型的扩展性。它可以直接描述1:1、1:n和n:n的关系，而不需要做任何变更。它由Hub的代理键、装载时间、数据来源组成。

3）Satellite：是Hub的详细描述内容，一个Hub可以有多个Satellite。它由Hub的代理键、装载时间、来源类型、详细的Hub描述信息组成。

Data Vault模型比ER模型更容易设计和产出，它的ETL加工可实现配置化。通过Dan Linstedt的比喻更能理解Data Vault的核心思想：Hub可以想象成人的骨架，那么Link就是连接骨架的韧带，而Satellite就是骨架上面的血肉。看如下实例（来自Data Vault Modeling Guide，作者Hans Hultgren），如图所示。

Data Vault模型实例

• Anchor模型

Anchor对Data Vault模型做了进一步规范化处理，Lars. Rönnbäck的初衷是设计一个高度可扩展的模型，其核心思想是所有的扩展只是添加而不是修改，因此将模型规范到6NF，基本变成了k-v结构化模型。我们看一下Anchor模型的组成。

1）Anchors：类似于Data Vault的Hub，代表业务实体，且只有主键。

2）Attributes：功能类似于Data Vault的Satellite，但是它更加规范化，将其全部k-v结构化，一个表只有一个Anchors的属性描述。

3）Ties：就是Anchors之间的关系，单独用表来描述，类似于Data Vault的Link，可以提升整体模型关系的扩展能力。

4）Knots：代表那些可能会在多个Anchors中公用的属性的提炼，比如性别、状态等这种枚举类型且被公用的属性。

在上述四个基本对象的基础上，又可以细划分为历史的和非历史的，其中历史的会以时间戳加多条记录的方式记录数据的变迁历史。

Anchor模型的创建者以此方式来获取极大的可扩展性，但是也会增加非常多的查询join操作。创建者的观点是，数据仓库中的分析查询只是基于一小部分字段进行的，类似于列存储结构，可以大大减少数据扫描，从而对查询性能影响较小。一些有数据表裁剪（Table Elimination）特性的数据库如MariaDB的出现，还会大量减少join操作。但是实际情况是不是如此，还有待商榷。下面是一个Anchor模型图（来自Anchor Modeling-Agile Information Modeling in Evolving Data Environments，作者Lars. Rönnbäck），如图所示。

Anchor模型图

注：本书中出现的部分专有名词、专业术语、产品名称、软件项目名称、工具名称等，是淘宝（中国）软件有限公司内部项目的惯用词语，如与第三方名称雷同，实属巧合。

• 节选自《大数据之路：阿里巴巴大数据实践》

1
细数数仓30年发展史 

数据库与数仓的老牌产品供应商

数据工程研发的历史是可以追溯到上世纪八十年代的数据库和数据仓库理论，随后一大批的数据管理服务厂商开始崛起，其中 Oracle、Informatica 两家非常有代表性，在行业中身居统治地位。

Oracle

Oracle 的数据库在云计算逐步铺开、去IOE声浪逐步扩大的趋势中开始式微，以及各类新兴的非接口化存储，如ElasticSearch、TSDB、MongoDB 等，OLTP场景下的市场份额争夺激烈，除了老牌的数据库厂商外，一些云计算大厂也开始了数据库产品的研发,如AWS的Aurora、阿里云的PolarDB ，在云计算市场中开始成为企业云架构的基础能力。

同时，在OLAP场景下，也就是Informatica一直处于霸主地位的市场中，在12年大数据逐步进入公众视野后，越来越多的挑战者进入，几大云厂商也不例外，其中以Google、Azure和阿里云的追赶最为猛烈，Google在云计算先机失利的情况下，开始发挥巨大现金储备的优势，开始买买买，投资了 CASK、LOOKER等产品，微软则是利用自身的产品沉淀，收割着办公领域的存量客户；阿里云则是以“数据中台”架构打响了企业数字化转型的重要一枪，国内开始大量出现数据中台服务商，生态开始繁荣起来。

Informatica

在这样的大环境下，Informatica作为老牌的数据管理厂商，目前在Gartner魔力象限中依旧占有非常重要的席位，所以在众多企业选型的时候，都会考虑到使用Informatica的产品，但是国内这个产品一直是名声大市场小，对于Informatica的好奇，也为了给客户能够提供更加全面的参考，我们对Informatica进行比较细致的调研，主要从产品能力、技术支撑以及交付模式，因为商业化的企业服务产品都不便宜，希望一次采购能够带来比较长期的收益，所以产品是否能够持续使用起来也是我们关心的一个要素。

首先看Informatica的产品能力，他们提供的主要输出版本已经逐步使用B/S的模式, 相比之前的Client模式对于用户接入提供了更好的体验；对于数据仓库构建的第一步“数据集成”，Informatica以 PowerCenter 作为数据集成的产品名称，为面向不同场景的数据集成，则提供了多样不同的版本：

• PowerCenter 标准版，用于集成和提交及时、相关、可靠的数据；• PowerCenter 高级版，用于执行复杂的任务关键型数据集成方案；• PowerCenter 大数据版，通过新兴的技术和传统的数据管理基础设施集成大数据；• PowerCenter 数据虚拟版，用于提交最新的、全面的、可以信赖的业务视图；• PowerCenter 实时版，用于实时集成和预配置营运数据；• PowerCenter 云版本，用于无缝地将云中数据和本地系统上的数据进行集成

这么多版本不免让人眼花缭乱。虽然从产品管理的角度来看，是个不错的拆分方法，但是对于用户而言，就没有这么方便了，让人有种不良商家使用锚定价格来收智商税的感觉。PowerCenter的应用架构如下图：

PowerCenter 的应用组件：

1）服务端组件

• Informatica Service：PowerCenter 服务引擎• Integration Service ：数据抽取、转换、装载服务引擎

2）客户端组件

• Administrator Console:用于知识库的建立和维护• Repository Manager:知识库管理，包括安全性管理等• Designer: 设计开发环境，定义源几目标数据结构；设计转换规则，生成ETL映射；• Workflow Manager: 合理地实现复杂的ETL工作流，基于时间、事件的作业调度；• Workflow Monitor: 监控workflow和Session运行情况，生成日志和报告

简单地说就是，开发者通过Designer配置和设计数据的传输、转换和映射关系，通过workflow来首先周期性地调度和管理

2

传统数仓产业

数仓产品选型不仅是功能还有服务

从产品所对应的技术支持能力上看，由于是工具类产品，使用过程中的问题是否有完备的产品使用和客服支持很重要，在官方材料中没有看到过产品的客户服务支持方案，应该与具体的保障要求有关系，不知道是否会像通常的国外软件服务，仅能在工作时间电话，一般离线数据任务都是在凌晨时间运行，一旦出现问题，如何快速响应，也是需要在产品采购时关注的。

3

新时代数字化建设方案

企业数据中台的构建解决方案架构与落地路径

最后就是交付实施了，对于传统数仓交付的团队，对于Informatica应该不算是陌生的，但是在国内这一类的服务商一直没有发展起来，原因就是太依赖产品了，Informatica不是中小企业的预算可以承受的，所以比较难以规模化，尤其是在云计算的冲击下，消费互联网发展逐渐开始趋平，产业互联网开始兴起，或许企业中会有更多的资金投入到数据管理的领域，

但是，中国国内企业的现状而言，估计还是不仅仅采购一个产品这么简单，如果产品版本过于复杂，操作需要极强的专业性，那么也很难规模化；

对于企业而言，不仅仅需要一个有着丰富功能的产品，还有有支撑通过产品去实现商业成功的团队或者技术支持，所以选择一个有着完善生态交付能力的产品或许是更好的选择。

2019年云栖大会上，阿里云数据中台推出产品Dataphin，其中有个介绍对于国内企业还是参考意义的，产品具体的介绍如下：

“阿里云数据中台，基于阿里巴巴近十年的大数据建设经验，沉淀出一整套的数据采集、建设与管理的方法论体系，并产品化为Dataphin产品，形成数据的采、建、管、用 一站式全链路服务能力，在中国乃至世界企业数字化转型中，承载枢纽位置，助力企业实现数据资产化和价值化！”

Dataphin在产品能力在于数据虚拟化上，通过定义一系列的原子的概念，如维度、业务过程、原子指标、业务限定、派生指标，以及模型内的关系，如维度、属性、关联关系等等，从而实现数据生产的自动化，进而实现在开发层是面向业务逻辑的开发、在使用层面是面向主题式模型的引用，进而实现了数据的虚拟化能力。

D

总结

目前，阿里云数据中台产品矩阵正在不断地优化和发展。建议企业在选择的时候，不要盲目，适合自己的才是好的、对的！

如您对商业智能，数智化转型感兴趣，请加微信：wendy199it

随着大数据趋势的迅速增长，数据的重要性与日俱增，企业内看数据、用数据的诉求越来越强烈，其中最常见的就是各种经营报表数据：

老板早晨9点准时需要看到企业核心的经营数据，以便进行企业战略及方向决策
业务负责人不定期进行个性化的项目筹划，需要多维、及时效果数据以优化项目安排
运营需要和高层一致但粒度不同的经营分析数据，并进行活动策略调整
……
举个经营报表的例子：

这个例子并不复杂，但是对于分析师或者业务开发者，实际执行的复杂度和工作量并不小，而且类似的工作每日都在重复……业务发展越快，带来的问题就越来越多：

加工时间长、人工成本高，招再多的分析师也难以满足需求
代码可读性差，数据可维护性差，类似需求需要反复、重复开发
代码开发不规范，加工过程中难以避免的计算存储浪费
得到的数据指标，复用性差导致重复建设，数据越来越不标准规范
这种情况下，对业务的直接影响就是：决策周期长（数据需求满足慢），决策易出错（数据指标口径不一致）。

既要保证数据生产时效性——及时产出数据并满足需求，又要支持数据多样性——企业自下而上不同业务分析场景，最后还要保证数据准确性——任何时间、不同岗位的人都能用同样的数据解读经营情况，怎么才能做到呢？

企业的发展加速，离不开20世纪的文档管理转到21世纪的信息管理。同样的，如果繁复的指标代码编写工作，也可以如计算器一般，界面可视化点选，复杂的代码研发过程由计算器自行处理完成就好了。

而Dataphin的自动化建模功能，就可以很好实现这个能力。

1

选择组合条件

如下图，确定需要统计计算的值，Dataphin里称为“原子指标”——最小的数据值统计单元，比如用户数这样的统计值等，然后组合如下内容：

A. 统计计算值需要应用的分析对象，Dataphin里称为“统计粒度”——维度或维度的组合，比如用户星级、用户状态等

B. 数据统计计算的时间周期，Dataphin里称为“统计周期”——统计数据需要跨越的时间长度，比如最近1天、最近30天、自然周、自然月的等

C. 数据统计的其他个性化限定条件，Dataphin里称为“业务限定”——数据记录的筛选过滤条件，比如生鲜业务类型、PC端、女性等

2

预览指标

选择完毕组合条件后，可以预览组合出来的派生指标：
1）组合的指标，默认名取“原子指标+时间周期+业务限定”组合名，保证命名标准规范。
2）历史已生成的组合，不再生成，保证指标建设统一，无重复

3

一键自动化生成

确认需要提交的指标后，一键【提交】，分钟级指标生成：
1）自动汇聚至以“统计粒度为主题”的汇总逻辑表表下，保证管理标准规范；
2）代码和调度依赖关系，系统自动生成；
3）派生指标基于汇总逻辑表，可快速雪花模型查询使用指标、分析对象的属性信息。

①派生指标自动汇聚至汇总逻辑表

②派生指标所在汇总表节点，代码及调度关系自动生成

③汇总表及派生指标可查询消费

4
复杂需求实现

上面主要是基于简单统计指标实现，实际上，报表需求还有类似 比率型、乘积型等复合统计方式，比如“客单价=销售额/客户数”，这类也可以通过Dataphin的衍生原子指标实现：

1）衍生原子指标是基于原子指标的再组合；

2）基于衍生原子指标新建派生指标时，需要保证拆解到最细粒度的原子指标，有相同的分析维度、时间周期，允许维度的计算路径不同、设置的业务限定不同。

①新建衍生原子指标

②基于衍生原子指标新建派生指标

D
总结

上面步骤可以看到，派生指标的计算生成，离不开原子指标、业务限定、统计粒度的协助，这其中有什么奥秘呢？

其实很简单，用Dataphin高效创建派生指标，掌握这1张图就够了：

1）原子指标为核心，原子指标的来源表为中心

2）统计粒度取自来源表的关联维度，以及关联维度上的关联维度

3）业务限定基于来源表为中心的雪花模型做定义

4）统计周期可任意搭配使用

如您对商业智能，数智化转型感兴趣，请加微信：wendy199it

摘要
本文从几个常见概念入手，介绍模型设计与它们的关系，在列举当前企业模型设计的建设方法，并重点介绍“维度建模”。

1

与几个概念的关系操作型业务系统

对于这个概念大家都不陌生。企业业务赖以运转的交易系统就属于操作型业务系统。因此它是为了保障业务正常运转，能够更快的处理事务。

但是因为它是针对某一特定的意图（例如满足交易业务），它不需要承诺与其他业务系统共享公共数据。因此就出现了适合于企业中交叉应用的ERP、主数据系统。当然对于有建设业务中台的企业来说，基于微服务架构的各个服务中心，能更好的提供可复用统一的公共数据。

不管是面向业务的业务系统、经过数据统一后的主数据系统或者基于微服务架构的服务中心的数据，都是作为数据中台的数据输入源头。我们通过批量同步、归档日志采集等方式，能将数据采集进数据中台，作为ODS层原始数据的一部分。

ETL

英文Extract-Transform-Load的缩写，用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程。在ODS层的原始数据，需要通过加工处理后，才能进入到构建好的数据模型中。

在模型设计时，需要考虑ETL加工流程，根据逻辑判断，做模型的合理设计。同样对于下游使用数据模型的ETL元数据，也是作为模型设计的输入，可基于下游应用方式做模型的横向和纵向的拆分设计，这就是“元数据驱动模型设计”的理论来源。

因此，无法理解数据开发的模型设计师是不合格的。

数据应用

数据中台提供多种数据应用的形式，包括数据报表、智能数据产品等。将统一汇总加工后的数据或者明细原子数据提供给数据应用，为业务提供数据支撑。

更加合理的数据模型设计，能够给更宽泛的应用提供数据支撑，也能够让业务方更准确无疑义的使用好数据。

2

几种企业常见的建设现状烟囱式

也许大家都不愿意承认，但是绝大部分的企业当前是没有统一、标准、公共、全局的模型设计的，而仅仅是把数据同步上来，然后基于业务需求做烟囱式的数据开发。这种方式也许从短期来看是效率最高的，但是从长期看，不仅仅造成计算存储资源的极大浪费、没有统一可用的数据、大量的重复性的工作。企业的数据就像一团乱麻，根本无法管理。

三范式+数据集市

一些传统大型企业，由于历史原因，原子数仓中以三范式的模型设计方式构建，在各个应用的数据集市中以维度建模方式构建。通过这种方式，在原子数据设计过程中，需要投入较大的资源。

对于业务来说，三范式模型太复杂，用户难以理解和检索。并且对于业务频繁变化的企业，模型的维护成本极高。

企业级维度模型

基于企业全局的角度去构建业务总线矩阵，在此基础上完成维度模型的设计，是当前众多企业选择的方向。从众多互联网企业的数据中台实践经验来看，这也是一个绝佳的各因素平衡后的选择。

后面，我们将从各个角度来思考如何基于维度模型构建企业级数据中台。

3

维度建模初探优势

在数据中台建设经验中，企业级维度模型设计从理解性、扩展性、高性能上都是更适应当前的技术和业务环境的。

首先由于计算和存储成本逐步下降，模型更重要的变成了易于理解，当易用性放在模型设计的重要位置时，维度模型可理解的优势就显现出来了，维度建模一直就是以业务的视角来描述数据。

另外，当新的业务出现时，新的模型不会对已有模型形成冲击，可以无影响的产出新的模型数据。

维度建模会设计部分数据的冗余，通过冗余换来数据检索的高性能。对于数据量极具膨胀的今天，高性能给用户带来了高价值。

事实表

所谓的事实表，就是企业的业务过程事件的度量信息。例如对于支付这个业务过程来说，需要度量支付的商品数、金额等度量。因此，企业的业务过程数据以事实表的形式在模型中呈现出来。

事实表每行都对应了一个度量事件，每行数据是一个特定级别的细节数据。事实表中每个度量都必须是相同的粒度级别。

事实表中的度量的可加性也至关重要，因为业务方往往需要将事实表的数据基于某些维度进行汇总，在度量上需要能够做汇总累加。

事实表还是稀疏的，它仅仅会将发生的业务过程数据放入其中。

维度表

维度表是事实表不可或缺的组成成分，它描述了事实表业务过程度量的环境。用于描述“谁、什么、哪里、何时、如何、为什么”有关的事件。

维度属性是作为查询约束、分组、标识的主要来源，因此它的好坏直接决定了数据的可分析性的差异。维度属性需要是可理解的，因此需要尽量避免“0,1”之类的代码，将代码翻译成更易理解的字符避免业务的误解。

同样，会有一些数值型的可作为维度属性。例如：也许有人会问商品标价适合在事实表还是维度表中？

当用于计算度量时，它应该存在于事实表中；但是当它用于做约束、分组、标识分析时，则需要存在于维度表中。在维度表中，我们往往会把连续的数据换成离散的数值存储，例如：将标价变为价格区间段。这是要根据对业务的理解做进一步设计的。

雪花模型与星型模型

所谓的雪花模型，是当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。

而星型模型则是所有维表都直接连接到事实表上，整个图解就像星星一样，故将该模型称为星型模型。

雪花模型是对星型模型的扩展。

星型模型是一种非正规化的结构，多维数据集的每一个维度都直接与事实表相连，不存在渐变维度，所以数据有一定冗余。因为有冗余，所以很多统计不需要做外部的关联查询，因此一般情况下效率比雪花模型高。

但是从可理解性上看，雪花模型是更容易让业务理解的。因为业务可以从模型上看出维度与维度之间的关系。

因此如何平衡查询效率和业务理解？我们在后面的文章中再细细道来。

总线矩阵

总线矩阵，维护的是企业的各个业务过程与一致性维度的关系。是以企业的高度实现的顶层设计。它的存在对于数据中台项目至关重要。

如果数据中台的模型设计就是一本书，那么总线矩阵就是这本书的目录，能从整体上对每个模型有统一的定义。

从项目协调上看，总线矩阵在大型项目中起到举足轻重的地位，整个项目组都能基于这个目录清晰的明白自己在做什么，别人已经做了什么，极大程度上的避免了信息沟通不畅导致的重复定义。

从项目管理上看，也可以基于总线矩阵对模型设计和开发进行有效的优先级排期。

最后，总线矩阵是共同业务人员和技术人员的桥梁，通过总线矩阵在项目沟通中达成一致的语言。

D

结语
通过这篇文章，初浅的对数据中台模型设计发表了一些观点。

在后面的章节中，我们将继续围绕模型设计的技术细节、结合行业的模型设计案例，和数据同仁们做进一步的分享和交流 。

如您想加入199IT商业智能群，请加微信wendy199it

欢迎关注公众号：数智化转型俱乐部

7月30日，在杭州召开的数据中台高峰论坛上，阿里云宣布正式推出金融级数据中台，助力金融机构构建全方位数据资产化的整体方案，从数据和组织变革的层面加速数字化转型升级。

据介绍，阿里云金融数据中台是集方法论、工具、组织于一体的智能大数据体系，能够帮助银行、保险、证券等金融机构把数据智能等能力嵌入到业务流程之中，赋能组织和员工，进而实现金融业务增长和创新，让数据以资产化的方式为业务的增长而赋能，从而加速整体数智化转型进程。

在具体实践中，阿里云金融数据中台通过联动蚂蚁集团的生态，帮助金融机构实现业务增长；通过丰富的工具和产品，实现金融机构数据仓库、大数据平台的迁移与融合，在搭建底层数据处理技术能力的同时叠加数据应用和数据研发以及数据智能的能力，让数据处理技术和数据应用技术融为一体；通过专属的安全和加密技术，保障金融机构内部合规、安全地在授权范围内使用数据。

“金融数据中台打破了金融机构的部门墙、数据墙，让数据真正变成全局性资产，并让所有员工都能在工作中基于数据智能进行分析，预测以及决策。”阿里云新金融事业部总经理刘伟光表示，金融数据中台将触动金融机构自顶向下的组织变革，它将扮演“航空母舰”的角色，为业务和科技的融合创新提供强大的动力和支撑。

据了解，以往银行、保险等金融机构的科技部门为支撑各业务部门运营，构建了数据仓库、数据集市、大数据平台等技术体系，在当时的技术条件和业务发展情况下，对金融业务发展提供了有力的支撑，但是在面临金融互联网时代到来和开放金融的巨变环境下，这些系统建设的短板也逐渐显露，出现数据割裂、难复用，使用难等问题，不能在今天发挥对业务更大的价值，无法让数据向水和电一样唾手可得以及在安全环境下的自由流动。

鉴于此，2015 年阿里巴巴在国内率先提出数据中台概念，历经内部复杂场景的实践后，阿里巴巴于2018 年正式通过阿里云全面对外开放数据中台能力，加速企业实现数智化转型，迄今已在金融、零售、政务、互联网等行业成功落地。

如您对商业智能，数智化转型感兴趣，请加微信：wendy199it

数据中台自14年至今，已然成为了2B、2G业务最热门的话题，政府机构、企事业单位、互联网公司等进行着数字化、数据化、智能化转型。市场普遍认为，阿里巴巴将自身数据中台建设能力对外赋能是拉起本轮数据中台浪潮的根本所在。

本文将带你全面了解阿里巴巴做数据中台的历史。

1

缘起

在2014年以前，阿里巴巴有很多条业务线，都有自己的ETL团队，每个ETL团队建设和维护自己的数据体系。当时许多人认为，这种自下而上的自给自足能够最高效地满足业务需求。也因此，各个ETL团队之间缺乏相互信任，也缺乏最大化互通的可能性。

即便在2020年的很多公司，这种现象也普通存在。不同部门、不同业务、不同系统之间都有自己单独的ETL处理体系，每个ETL体系只关注与自己垂直业务相关的需求，并从底向上完整支撑业务体系。这种情况的出现，大多是由于业务发展迅速，为了快速低成本的满足业务数据需求，单独拉出数据支撑团队造成的。

对于当时的阿里巴巴而言，这种分散数据处理体系带来了很多问题。以日志采集数据为例，就同时存在若干份数据：淘宝数据基础层、广告数据基础层、搜索数据基础层各有一份日志数据，不仅直接耗费了非常多的存储资源，更重要的是扼杀了数据中间层和数据应用层等复用的可能性。

图2014年以前阿里巴巴分业务自建数据体系的抽象图

下图展示的是2014年以前，阿里巴巴各个数据团队建设的数据任务关系图。每个圆形代表着一条业务线的数据任务集合，任意两个圆形之间的连线代表着两者的关系。由此可见：数据处理流向是混乱的、无方向性的；数据管理是无序的，基本处于失控状态；除了浪费研发资源和存储资源，也必然满足不了业务需求。

图阿里巴巴数据公共层建设之初计算环境1上的数据任务关系图

业务猛烈发展与数据支撑能力不匹配产生了巨大的矛盾，也促使阿里巴巴内部开始进行数据公共层的建设，数据公共层旨在可持续地建设阿里巴巴智能大数据体系。

2

发展

从零散的数据到统一的数据

从2014年起，阿里巴巴启动数据公共层建设项目，以OneData体系特别是方法论为指导。

数据公共层建设初期是为了消除因”烟囱式”开发给业务带来的困扰和技术上的浪费。而OneData体系是保障和推进项目建设的关键。OneData体系一方面致力于数据标准的统一，另一方面追求让数据变为资产而非成本。OneData体系除了方法论，还包含工具型产品、规范等，具体体现为：数据规范定义、数据模型定义、模型智能化设计、规范ETL开发、落实数据规范和模型定义的研发工具、对于整个体系的自动化调优和监控。

通过建设统一的ODS数据基础层，建设基于业务应用或需求来源端的抽象数据逻辑层来丰富数据中间层，允许数据应用层的百花齐放来打造阿里巴巴数据公共层。从而将零散的数据变为统一的数据。

从数据孤岛到数据融通

在业务突飞猛进发展过程中，不同的事业部、业务条线会为了快速实现需求，数据单独定义、存储、使用，从客观性来讲，每个发展壮大的企事业单位都避免不了数据孤岛的产生。数据孤岛不仅包含物理孤岛（独立存储、维护、使用），而且包含逻辑孤岛（定义不一致、计算逻辑不一致）。

阿里巴巴创新性的创建OneID体系，将所有业务范围（电商、金融、广告、物流、文化、教育、娱乐、设备、社交等）中的人、货、场、物、钱等实体打通，解决体系内逻辑性数据孤岛问题。在阿里云的强力支撑下，集团内所有隔离数据进行统一的存储和管理，解决体系内物理孤岛问题。

从数据孤岛到数据融通，使得数据拥有创造价值的可能性。

从授人以鱼到授人以渔

从以定制化开发的方式将数据交付到业务人员，到基于数据规范但需要配置，再到全链路数据打通，直到主题式服务，阿里巴巴一次次努力追求的正式从授人以鱼到授人以渔。

2012年前后，服务于1688有超过300多个API，梳理后发现这些API之间无法整合，因为每个API只服务于一个业务应用而不能被共享，API应用的数据应用层数据表也不能被共享。

从2012年至2016年，阿里巴巴通过OneService体系将API数据服务从物理表SQL模式升级至面向主体查询逻辑模型的SQL模型，大大提升了系统的可用性，也使得数据中台面向业务人员使用变成了现实，达到了授人以渔的目标。

3
从数据成本到数据价值

对于大部分企业来说，业务系统创造的数据不仅需要占据大部分的存储空间，而且还需要技术人员持续维护，是一笔不小的成本开支。

阿里巴巴致力于将数据从成本中心变为资产中心，在业务数据化与数据业务化两大方向，数据赋能业务、驱动创新四大业务场景上取得了丰硕的成功。

数据中台赋能业务、驱动创新的四大典型场景包含：全局数据监控、数据化运营、数据植入业务、数据业务化。

全局数据监控，如战略决策的智能方案：最大限度降低数据分析的难度，最大程度提高数据分析效果，同时不动声色中传递品牌价值，以高效优质地辅助战略决策和数据化运营。

图双十一数据大屏&银泰互动大屏

数据化运营，如用户管理的智能方案：基于全链路全渠道的数据构建、数据连接与萃取管理体系，对用户进行全生命周期的精细化管理（如智能CRM）。

2017年热播的一部电视剧，该电视剧在优酷土豆独家播放十天，播放量就突破了60亿次，属于”现象级IP”。但这样的”现象级IP”并不是偶然产生的，除资本投入因素外，数据化运营在其中发挥了巨大的作用。

事前通过舆情分析锁定IP，及时独立采购IP；事中实时监控流量变化、播放情况，及时调整流量入口，有针对性的推送用户；事后，及时总结和复盘，进行用户沉淀，挖掘相似内容，形成闭环。

数据植入业务：智能图像鉴别，智能客服。

通过数据模型算法，将图像鉴别从手工变为自动化，节省95%以上工作量。

图数据智能植入业务系统

数据业务化，如零售管理的智能方案：规避传统零售的松散式管理，将库存、定价、补货、销售等统一协同，整体提升线上线下零售体验和效果（如生意参谋）。

4

集大成

到今天为止，阿里云数据中台体系（Dataphin、QuickBI、QuickAudience）经历了阿里几乎所有业务的考验，包含新零售、金融、物流、营销、旅游、健康、大文娱、社交领域。在此过程中，云上数据中台除了形成自己的内核能力外，更向上”赋能业务前台”、向下与”统一计算后台”连接并与之融为一体，形成云上数据中台业务模式。

同时，阿里巴巴从2018开始，将自身的数据中台能力向外输出赋能，对社会创造更多价值。

如您对商业智能，数智化转型感兴趣，请加微信：wendy199it

几个月前，还没多少国人了解美国炸鸡品牌Popeyes，但现在，Popeyes却成为上海滩最火爆的网红店：5月在上海市淮海中路开出首家门店当天，早上7点半，第一条队伍就已排出了半条街。

面对良好的开局，Popeyes却丝毫不敢放慢脚步。

Popeyes 中国区CEO Raphael Coelho在接受媒体采访时表示，外来品牌在中国市场迅速站稳脚跟并实现盈利的关键在于快速达到规模，“从第1家店快速扩展到400家店，没有达到这一规模是很难生存下来的；而成功的品牌在跨过这个槛以后，会迅速进入盈利期。”

在Raphael Coelho看来，想要实现这一目标，离不开数字化运营， “数字化是生意标配，是在行业生存的基本技能。”

正是基于对数字化的高度重视，Popeyes早早地就为自己挑选好了最为合适的数据建设解决方案——阿里云数据中台。

Raphael Coelho认为：阿里云在零售行业中的实践，已经证明了他们能够在短时间内为企业搭建起完整、可靠的数字化能力。

不止精准营销，数据还能指导门店选址

目前，Popeyes拥有会员、供应链、支付三大数据体系。其中供应链、支付数据体系已经实现基础打通，可以满足现阶段财务场景的数据分析和使用，但会员数据体系建设却还只是出具规模。

过去两个月，Popeyes在上海陆续开出三家门店，其注册会员数突破20万，“但目前主要还只是把会员信息沉淀下来并进行一些基础分析，”Popeyes CIO 张天介绍，“我们希望能够借助数据中台的能力，实现更为智能的消费者资产管理和运营，更好地为顾客提供服务。”

现阶段Popeyes的会员数据大多积累在自身CRM系统当中，分析维度还较为常规，离数据驱动的运营和有效洞察还有一段距离。正因如此，尽管在短时间内Popeyes在上海连开三店，且把新的市场增长机会瞄准毗邻上海的杭州，可在消费者精准洞察与营销方面，Popeyes却还一直处于准备阶段。

张天透露，Popeyes会员数据体系的建设会着重依靠数据中台来做。在他看来，企业的基础数据建设和处理，就应该交给成熟的产品化解决方案来进行，而不是投入大量人力成本去重新创造前进的“轮子”，“像数据中台核心产品之一Dataphin，能够减少企业在数据处理和管理方面的工作量，让企业的精力能更多地放在对业务及消费者的分析上面，从而让企业更快更好地实现数据驱动下的运营和营销“。

据了解，Dataphin能够将会员信息集中管理并形成符合前端业务场景使用逻辑的标签体系，并通Quick BI实现可视化展现——值得一提的是，Quick BI目前正在深化在钉钉端的集成应用，未来可以支持企业在移动端的数据处理操作；此外，已经规范且符合前端业务使用场景的消费者资产，还能通过数据中台另一核心产品Quick Audience进行全域洞察和营销，并将相关效果数据回流反哺。

通过这一完整的数据流通闭环，Popeyes能够实现面向会员人群的数字化精准营销。

但在张天看来，数据中台在会员数据体系搭建方面能带来的价值，远不止于此。

“与其他行业不同，餐饮是个更加注重门店选址的行业。”张天介绍，目前Popeyes在上海的三家门店已经能够覆盖休闲、办公、社区等多个消费场景，且在9月前还将陆续在上海和杭州开出新的门店。

如何根据会员信息及消费大数据进行有效门店选址，是包括Popeyes在内等餐饮企业的一大重要课题。

张天举例，核心商圈的门店凭借周边客流能够吸引大量消费者，但这类人群一般都是“一次性消费”；设立在办公楼间的门店，能够吸引周边办公人群的消费，且消费高峰期较为稳定，一般集中在午餐和晚餐时间段；而围绕住宅社区打造的门店，能够吸引到的消费者则相对更为稳定，除了午餐晚餐之外，夜宵时间段也会是一大消费高峰期。

以前这些信息大多靠经验所得，但在使用数据中台之后，包括各门店成交信息、会员信息都将以数据的形式加以沉淀打通，并在后期同城店铺选址时作为重要参考依据， “有了这些直观的数据，企业就能知道在这座城市里，自己已经覆盖了哪些消费场景和人群，以及现阶段的场景、人群短板在哪里，这些都将是它的新机会。”

数据中台在店铺选址层面的运用，其实就是帮助企业去找到消费者， “这样我才可以做到，消费者在哪，我的门店就跟进到哪。”张天补充。

从迟疑观望到积极推进，Popeyes要借势开出1500家新店

早在Popeyes之前，国内知名餐饮品牌海底捞就依托阿里云数据中台的数智赋能，在9个月内使得APP会员数量增长近50%，同时拓展极致服务边界。

而将目光跨越行业界限，阿里云数据中台还帮助蓝光地产充分打通全国60多个城市400多项业务数据和100多万业主信息，帮助运营部门一年节省90多万元运营费用。

除此之外，福建移动、良渚古城遗址、良品铺子等数十家企业都积极搭建数据中台，并获得实效。

回到Popeyes，张天在两年前第一次听说数据中台的时候，并没想到自己会在后来成为一名践行者。

他解释，这是因为那时候数据中台这个新概念刚刚兴起，大多数人并不清楚这是什么，“包括我自己，当时对数据中台也存有一种怀疑，这种怀疑不是说觉得这个新概念不好，而在于对其能否真正落地心存疑虑”，在张天的理解中，数据中台的架构需要对企业的核心业务能力进行沉淀和抽象化，这就导致它的实施和投入要比通常的一个业务应用项目工作量大得多，“这些企业是不是真的在做数据中台，还是只是把一个业务项目微服务化了，对于这一点我心存疑虑。”

但随着对Popeyes数字化进程的战略规划逐步推进及对数据中台的理解加深，张天发现，“公司决策层都认为数据中台的方法论是最合理且有战略远见的”，只是认知转变之后，又有了新的难题，“那会儿但凡是个公司都在说自己能提供中台解决方案，市场上的声音非常多，容易让人混淆。”

但好在Popeyes有自己的一套数据中台标准。

对Popeyes来说，相对大型的企业来提数据中台概念会更加有信服力，因为大型企业的数据系统及场景更为多样复杂，会更加懂数据中台的重要性和必要性；另外更重要的一方面是数据中台的提出者必须将全套方法论及解决方案在自身内部进行实践，只有自己真正使用过了才最有发言权——而阿里云数据中台，恰好满足了Popeyes的两大标准。

但彼时，却还是有不同声音传来：Popeyes未来一段时间内在数据层面可能遇到的问题，其实可以另寻单点工具进行解决——为什么要花几倍甚至几十倍的成本去搭建数据中台，这会不会有点“大材小用”？

但张天却有自己的看法：从长远来看，数据中台一定是最高效的解决方案。他说， “虽然现在建设中台，看似成本比较高，但是一旦建设完成，在未来就不需要一而再再三地对数据进行整合，所以长线来看，能够避免很多重复建设，降低运维复杂性，从而最大限度实现成本的优化。”

也正是有所经历，张天现在对数据中台才更有发言权。

他认为，数据中台能够为企业带来的价值，除了是一项解决方案之外，更重要的其实是整套核心方法论，即数据在线且打通。

虽然不同企业由于体量不同，所遇到的数据问题也不尽相同，但是它们都能够在数据中台的方法论里去找寻到适合自己的解决方案，“在阿里云数据中台的方法论框架下，企业可以像搭积木一样去挑选对应的产品，搭建出满足自身需求的数据中台。”

而在阿里云数据中台高级专家列文看来，数据中台的搭建也一定是为了满足企业的自身实际诉求，在这个基础上，数据中台所能带来的价值将不再局限于单纯的数据治理，而是对企业的整个数字化全链路的赋能，“这个过程贯穿供应链改造、新品研发、多系统数据打通治理、前端业务数字化营销等等，帮助企业构建强力高效的数智化闭环。”

也正是看到了数据中台所能带来的业务爆发潜力，目前Popeyes已经在积极布局上海以外的发展。

据了解，今年9月Popeyes会在杭州开出3家门店，10年内还将在全国开设1500家门店，“我们也将继续运用数据中台深钻消费者资产运营，去了解我们的消费者到底喜欢什么，不同城市之间的消费者会有什么差异，以此来不断提升我们的服务。”张天说。

摘要

当前，整个社会都处在产业升级和数字化转型的大浪潮中，如何在新的商业环境下，运用设计的方式，发挥设计的驱动力，助力整个数据产业的创新升级，是数据设计师们最核心的课题下图是我们在阿里云上可以看到的当前“阿里云数据中台”核心矩阵中的数据产品。这些数据产品分别通过输出阿里巴巴的数据智能能力，面向云上企业、用户，破解数据采集、建设、管理及应用等课题。

在对这些体系化矩阵类数据产品的设计构思中，来自阿里的数据设计师的都会遇到哪些设计难题，又如何解题呢？

1
体验架构构建：数据管理

阿里巴巴通过数据服务上云，目标是帮助政府、企业等用户合理便捷地管理数据，让数据为企业创造商业价值。

这类产品拥有海量的功能模块，错综复杂的交互流程，以及普通用户无法理解的强数据技术背景，用户体验正是其最佳的定义方式。

从商业竞争研究、业务链路梳理、场景化体验架构构建，再到产品的落地与售卖传播，设计师在这一环扮演着“商业规划师”的角色。

这里提到的“体验架构=体验流程+信息架构”，如何去构建产品的体验架构呢？

体验链路构建：根据产品战略、行业竞争力优势及业务目标，全链路的定义产品分模块及体验关键触点。

信息框架设定：运用场景化及结构化解构思维，根据多角色需求，抽离用户多角色使用场景、提炼使用行为链路，设计师要真正站在用户的视角看问题，运用同理心，层层递进的剥丝抽茧，逐层架构产品信息框架。

信息过载解构：出现产品级、页面级、功能级信息冗余时，为了减少对用户造成误导的情况，可以从场景层、信息层、逻辑层进行解构。

（Dataphin 体验架构构建案例）

2
可视化呈现：数据演绎

传统的数据表呈现方式无法跟上数据时代的脚步。

我们期望让数据开口说话，用最直观简洁的可视化语言展现商业背后的故事。从构建业务目标，设计故事版，抽离符号，典型用户分析，用户需求收集，到最后的可视化设计呈现，设计师为用户规划了洞察业务、经营决策的分析动线和场景化体验。

Dataphin中，为满足企业主看企业数据、技术看业务关联及数据资产情况。“数据资产全景”以可视化的方式进行呈现，根据用户关注点及场景，设计师定义了从“全局>流程>结构”三种视图，从全局到细节，满足用户多维监控探索的需求。

3
从数据智能到商业智能：数据增值

1.工具化设计

BI工具可以满足用户从数据处理，数据查看，数据分析到数据洞察的全链路分析需求，并用最直观的可视化方式进行商业的探索。

设计中，可视化图表的丰富、易搭建，工具的易操作，产品的多维分析能力都非常重要。设计师需要从可视化分析、工具化体验等不同维度进行方法体系深耕，用专业性说话，让产品具有丰富的工具配置能力、深度的工具洞察能力，才能帮助产品更稳定成熟的迭代，建立行业竞争力。

（Quick BI 可视化组件模型及工具框架搭建）

2.智能化设计

如果说BI工具的工具化能力是产品的基础能力，智能化能力则是产品加在行业竞争力上的砝码。Gartner 2019发布的魔力象限报告中指出，通过人工智能、机器学习等技术实现的增强分析已是BI产品发展的最重要、也是最显著的趋势之一。

如何用体验赋能数据智能，如何以全链路的视角打造闭环的用户体验？

行业竞争研究：了解行业产品布局，挖掘竞争力优势。

可行性挖掘：与技术共建，多思维碰撞，了解知识图谱，自然语言理解，意图识别等最前沿的人工智能算法技术，全流程思考，不断挖掘设计可行性，设计赋能业务。

专业规则定义：辅助定义用户分析意图，可视化匹配规则、NLP交互规则，多轮对话逻辑，兜底问答逻辑等，做专业性定义。

设计师运用自己的专业能力，赋能打造低使用成本、轻松问、精准答的数据智能小助理，驱动产品从数据智能到商业智能的进程。

4
度量标准：软性评估
从2018年初始至今，云上产品矩阵生态初步形成，当前整个云上产品矩阵处在成长期-初创期及成熟期之间。该阶段产品小步快跑，快速迭代，不停歇的补齐有竞争力的产品功能。我们尚无法拿到成熟的使用数据指标，那如何度量产品是否健康的进行着商业化呢？

生命周期评估：产品上线后，记录功能的生命周期，不容易被更新或被替代，代表生命周期长，反之短。生命周期短会造成大把的研发投入被荒废，设计结果不尽人意。- 评估可用性

用户反馈评估：新功能上线后，收集用户已有功能建议及无法满足的需求，记录反哺产品需求，辅助产品迭代。-辅助迭

续签率评估：随着用户对产品的熟识，商业化营收续签率增长，说明用户对产品接受度较高，对产品产生正向影响。- 评估商业化健康度

我们暂时把这几种度量方法定义为软性评估，更适用于B端成长期的产品，帮助产品节省研发成本的同时进行稳定迭代。

小结在大数据时代，数据服务的产品化上云步伐不停继续，前路任重而道远。作为数据设计师们，需要不断突破设计师的限制，从多角度思考，运用设计的专业能力在产品中发挥更多的主观能动性，打造强有力的行业竞争力，同时定义可传承可复制的数据产品设计模式，长远赋能整个数据行业。

如您想加入199IT商业智能群，请加微信wendy199it

摘要：

Quick BI和Power BI分别是阿里云和微软云上的官方BI产品，两款产品都是比较好的自助式商业智能软件，都具备云BI的优势，既能够像SaaS运行在阿里云或者Azure云上，又能快速部署到本地的服务器中运行。但是，两款产品还是有非常大的区别的；比如Power BI微软主打的是组合策略，需要Power BI Desktop、Power Query、Excel等多个产品的各自使用；Quick BI崇尚“高效数据分析与展现”，是基于网页版能实现数据建模、可视化报表以及类Excel分析、数据门户分享等一站式数据分析链路。那么两款产品比较起来到底哪个更好用？下面我们对这两款商业智能软件做个对比评测。

一、Quick BI对比Power BI：数据源连接

从数据引擎的对接能力来看，两者差不多，比如Power BI支持连接文件、Azure、联机服务、SQL Server、MySQL、Oracle等多种关系数据库；Quick BI 支持连接文件、阿里云多种数据库、SQL Server等多种数据库。

不同点在于一是两个产品集中在于对各自的云数据库的支持，二是Quick BI在支持常见数据库的基础上，还支持跨数据源查询，以及对常见数据库支持上传本地文件。

Quick BI如下所示：

Power BI如下所示：

二、Quick BI对比Power BI：数据处理和建模

Quick BI支持自助式建模，和SQL建模两种方式，通过网页版连接到数据库，映射成逻辑表，可以直接对大数据量的数据表做数据集管理和处理，并支持对特定数据库的加速；Quick BI图示如下：

Power BI网页版无数据建模功能，需要安装Power BI Desktop版连接本地数据库，在本机上对数据表的行列进行灵活的处理和相关的数据集操作，但其中对于数据量会有限制和要求，而且Desktop版仅支持Windows系统，不支持Mac电脑；Power BI desktop版实例如下：

三、Quick BI对比Power BI：可视化展现和报表制作

Quick BI网页版支持可视化数据报表搭建和电子表格的两种数据分析分析方式，其中可视化报表支持40+种图表组件的展示，以及复杂的查询控件的设置来方便预览者动态查询数据，电子表格除包含本地Excel的基础功能以外，优势在于能直接联系加工好的数据集，并支持数据动态更新。Quick BI图示如下：

Power BI网页版支持可视化数据报表的搭建，并提供多种图表的配置和展现；同时本地支持Excel支持复杂的报表分析和制作，示例如下:

四、Quick BI对比Power BI：用户分享及数据

Power BI本地服务器用户能共享报表，但不能编辑仪表板，并缺少在Power BI SaaS上的机器学习功能。 用户还报告了不同数据支持方面的不一致之处。微软没有灵活性的提供对Azure以外的云服务器同样好的性能支持。

Quick BI 为网页版，网页版可以编辑和通过URL分享给企业小伙伴，开发者并一键发布即访问者可实时观测到报表的变化，同时Quick BI的本地服务器版(豪华版）支持的功能为云上SaaS版的功能集合；同时从Quick BI的权限架构体系中可以看出Quick BI更适合中国国情，是面向企业IT部门、业务人员，提供企业级管控下的业务人员自助式数据分析，从而实现上游IT部分做好数据管控，下游业务部分充分利用加工好的底层数据来自助式分析，支撑前台业务的快速发展。

五、Quick BI对比Power BI：移动端

Quick BI以HTML5形式集成钉钉微应用中，还支持对接企业的账号系统，嵌入到自有的APP系统中。Quick BI用移动端打造了以访问者为中心的报表搜索、查看、收藏、分享等一站式移动端服务；提供企业级的数据报表目录以方便用户快速找到相应的报表，支持快捷查看报表、权限审批流等，并支持通过应用内消息、钉钉、微信等渠道将报表分享给其他同事。

Power BI移动端为安装独立的APP，其中可视化图表是PC端做的简单适配，但和PC端相比，和其它系统无法进行互动和分享联系；

总体看来，两款产品各有优势，Quick BI在数据处理和建模、移动端及用户数据分享方面更胜一筹，大家可以根据自己的需要选择使用哪款产品哦～

阿里巴巴数据中台团队，致力于输出阿里云数据智能的最佳实践，助力每个企业建设自己的数据中台，进而共同实现新时代下的智能商业！

阿里巴巴数据中台解决方案，核心产品：

• Dataphin，以阿里巴巴大数据核心方法论OneData为内核驱动，提供一站式数据构建与管理能力；

• Quick BI，集阿里巴巴数据分析经验沉淀，提供一站式数据分析与展现能力；

• Quick Audience，集阿里巴巴消费者洞察及营销经验，提供一站式人群圈选、洞察及营销投放能力，连接阿里巴巴商业，实现用户增长。

查看更多：https://yq.aliyun.com/articles/745039?utm_content=g_1000104749

摘要
今年618，借助阿里云零售数据中台，上百家零售品牌实现了逆势增长。昨天（7月22日）俱乐部开启了618回顾直播活动，细致介绍了阿里云零售数据中台如何帮助品牌实现消费者极速增长。今明两日，我们将推送两场课程的直播课件。今日推荐——课程1《阿里云零售数据中台创新场景介绍》
今年6月，阿里云数据中台正式对外发布了零售、金融、政务、互联网企业等行业数据中台。其中，零售行业数据中台主要提供多维的全方位洞察、全域自动化营销等服务,并通过与阿里巴巴生态联动,帮助更多零售企业实现数智化增长。

1

场景1：赋能IP运营站内爆发

什么是IP:定义升级

传统IP：IP，英文为“intellectual property”，其原意为“知识产权”， 是一 种 无形财产或者精神财富，是创造性的智力劳动所创造的劳动成果。IP有两大类，一类是著作权(即版权)，一类是工业产权。

升级IP：随着新文创、网红、品牌 IP 等不断兴起，为更聚焦相关产业和数据服务 的标准化，我们升级了 IP 的概念:IP 是文化积累到一定量级后输出的精华，不断推出创新的作品，构建了 完整 的世界观、价值观，吸引了成千上万的粉丝，进而产生了巨大的商 业价值和文化价值。

阿里经济体IP：在阿里经济体内，用户通过UC资讯，阿里读书、优酷、大麦、淘票票、 虾米，以及淘宝、天猫、盒马等平台，可以完成影/视/综/音乐/戏剧/读 书及衍生品消费。

IP运营数字化解决方案

【案例】某家电品牌：精准引流引爆IP货品

2

场景2：跨端运营，联动轻店/支付宝/饿了么

品牌营销已升维进入多端连接新时代，亟需多端联动以“人”为本，助 力品牌直连用户

营销1.0—以[店]为链接

营销2.0——以[跨端触点]直连用户 会员X 线上售券 X 支付 X 外卖 X 门店

【案例】某服饰品牌：通过轻店拉新入会

【案例】某食品品牌：实现跨端拉新和提频

3

场景3：全域人群赋能直播间转化

门店营销已升维进入以“人”直连时代，直播营销实现从看“热闹”到“粉丝-兴趣-购买”转变。

【案例】某服饰品牌：见证聚合力量

直播视频，扫码下方二维码，申请入群收看

如您想加入199IT数智化群或对199IT有任何建议，请加微信：wendy199it

摘要
7月22日，俱乐部开启了618回顾直播活动，细致介绍了阿里云零售数据中台如何帮助品牌实现消费者极速增长。今日推荐——课程2《全域GROW解决方案 赋能企业运营落地 》今年6月，阿里云数据中台正式对外发布了零售、金融、政务、互联网企业等行业数据中台。其中，零售行业数据中台主要提供多维的全方位洞察、全域自动化营销等服务,并通过与阿里巴巴生态联动,帮助更多零售企业实现数智化增长。在今年的618中，阿里云零售数据中台通过帮助企业建设一方数据中台，联动阿里生态，为百家品牌实现了全域赋能。昨天我们推送了618直播课程课《阿里云零售数据中台创新场景介绍》欢迎点击回看今天我们来深度介绍一个通过全域GROW解决方案帮助品牌实现品类增长的干货。

01

GROW品类增长方法论介绍

品牌营销已从流量至上，转变为以人群运营为核心的数字化增长阶段:

过去: GMV = 流量 * 转化率 * 客单价

现在: 以人群运营为核心，驱动数字化增长

02

全域GROW解决方案-场景案例-G

跨品类渗透

基于品牌一方人群+淘系数据， 寻找高相关品类，精准挖解决跨品类消费活跃人群

特色货品供给提升

一方IP人群上传算法放大，精准引流引爆IP货品

价格分层渗透

基于一方人群及价格带偏好/折扣敏感偏好，实现人群 分层运营，提升有效行动转化率

多渠道联动渗透

基于品牌一方用户及其行为，打通多端潜在受众资源池， 并 通过全域媒体矩阵进行全域触达和引流。

营销活动渗透

一方沉淀营销人群持续运营，提升品牌营销效率。

平台能力加速渗透

联动一方人群，探索平台直播趋势场景，精准渗透， 全面放大平台能力价值

03

全域GROW解决方案-场景案例-R

类目老客召回

品牌线下流失会员上翻，线上精准触达， 增强品牌黏着度

老客消费场景拓展

基于一方老客，通过挖掘细分场景需求以及培养新的消 费习惯，促进购买。

04

全域GROW解决方案-场景案例-O

商品溢价挖掘

基于品牌一方粉丝人群，挖掘偏好趋势，构建专属商品 孵化方案，提升品牌价值

未来:联动品牌一方数据资产，共建全域GROW由“人”及“品”场 景落地，加速品牌生意新增量

直播视频，扫码下方二维码，申请入群收看

如您想加入199IT数智化群或对199IT有任何建议，请加微信：wendy199it

上百零售品牌实现极速增长

“新冠”疫情的特殊背景之下，今年的天猫618依然保持着强劲的业绩增长。

九阳Line Friends联名新品优选放大人群ROI提升322%；

雅戈尔收藏加购ROI相较新客提升52.4%；

奥普直播人群购买转化率是同期一般拉新人群的11倍

……

上百家零售品牌实现了逆势增长，背后都离不开——阿里云数据中台零售行业解决方案的助力

阿里专家亲自解读

明天（7月22日）下午15点，来着阿里云数据中台的专家们讲重点解读“增长”背后的秘笈，一起探索全域消费者运营机会，打造消费者增长闭环

分享课题1——零售数据中台助力大促：GROW方法论赋能企业运营落地

介绍：零售全域数据中台结合品牌数据和淘内联动，把GROW方法论和多维度的业务场景相结合 ，通过有效的数字化工具不断挖掘可持续的增长突破口。
主讲人：程朝颖（阿里巴巴云上数据中台   高级解决方案架构师）

分享课题2——618大促新玩法：全域消费者运营链路升级
介绍：结合各企业自身特点，通过零售数据中台拓展直播、IP联动、LBS跨端消费者运营等多个运营场景，进行全域营销实现消费者增长！
主讲人：黄河（阿里巴巴数据数据平台产品    产品运营专家）

议程长图

参与方式

提前使用钉钉扫码图中二维码，申请入群，坐等明日直播

摘要：“数据是品牌未来的核心资产”。

从雾里看花到亲身体验，短短两个月，阿里云数据中台零售行业解决方案就让九阳“真香”了。

消费者活跃度下降、线上线下数据割裂、业务增长面临瓶颈等问题，是不少零售企业目前面临的新挑战，九阳也不例外。

以豆浆机起家的九阳创立于1994年，在过去20多年里积累了大量用户数据，只是这些原始数据既分散又碎片化，对于促进品牌的业务增量具有一定的局限性。

在刚过去不久的天猫618，首次在大型活动中尝鲜阿里云数据中台零售行业解决方案的九阳，打了一场漂亮的仗。天猫618开场当天，九阳免洗豆浆机成交同比暴增230%，6月16日0点40分，天猫销售额突破2300万，同比超过去年全天，截至当晚23:30，成交额已经超过去年三天总和。

值得一提的是，九阳Line Friends联名新品优选放大人群ROI提升了322%，养生壶品类ROI达到了6.85。“哪怕K150豆浆机这类高单价的产品，在对比行业基准纯拉新人群包ROI为1的情况下，它的ROI也达到了2.58。”九阳数字运营部总经理陈波表示，这背后离不开阿里云数据中台零售行业解决方案的助力。

除了九阳，还有近百家零售企业在天猫618尝到了数智化的甜头，比如雅戈尔收藏加购ROI相较新客提升52.4%、奥普直播人群购买转化率是同期一般拉新人群的11倍。

如何更有效地挖掘数据价值并加以使用，已经逐渐成为零售企业竞争的一大核心，数据中台的搭建也成了CEO和董事长们最重视的项目之一。

找到精准人群

 有了数据的支撑，如何抓住年轻消费人群也变得有迹可循。

九阳近几年一直在新品研发方面下功夫，贴合年轻人的喜好，打造出Line Friends联名款，早餐机、网红果汁杯等产品。其中不乏大爆款的产生，比如去年天猫双11，九阳和Line Friends联名暖杯垫这一单品，销售了近10万单。

早前，九阳也曾在IP联名上走过弯路。“最早做的小黄人IP，产品不是很热门的品类，相对价格也比较高，IP购买人群中，尝鲜人群会占据很大一部分，所以不能设置太高的门槛。”陈波认为，随着现在年轻人审美和需求的改变，IP联名产品除了为用户提供功能性之外，还额外增加了情感认同感，同时也帮小家电跳出了产品设计同质化的圈子，“我们还是十分看好这个方向的。”

吸取了原先的教训，去年7月，带着与Line Friends联名的新品，九阳再次杀向消费市场。这一次，市场的反应截然不同。在九阳人群结构中，IP产品中18-25岁的人群比九阳常规产品中占比多了16%，这意味着IP帮助九阳在获取年轻用户方面起到了明显的作用。

在迈出第一小步后，九阳又遇到了第二个问题：如何进一步把这些IP新品推向更多消费者，实现更大的增量。

为此，在今年天猫618前，九阳通过阿里云数据中台零售行业解决方案核心产品之一Quick Audience，对品牌近两年自有信息进行分析运营管理，同时根据类目活跃度、消费行为特征等筛选逻辑，描绘出更为精准的消费人群，从而使整个营销链路、数据闭环能够更加完整。

而在深度理解消费者之后，九阳根据不同的人群制定了不同的营销方案，比如针对“A人群”（认知人群）高频触达，“I人群”（兴趣人群）中对于折扣敏感型、高价值人群，推出不同的营销策略，让其转化为“P人群”（购买人群），从而在减少营销成本的同时实现成交转化率的提升。

“通过阿里云数据中台零售行业解决方案洞察到的消费人群，比我们原先自己洞察的人群投放回报率更高。”陈波列举了一串数据，Line Friends联名新品优选放大人群ROI提升了322%，养生壶这一品类ROI达到了6.85。即使高单价的K150豆浆机，在对比行业基准纯拉新人群包ROI为1的情况下，它的ROI也达到了2.58。

品牌未来的核心资产

在九阳之前，其实有不少品牌在数据中台建设这条路上行走已久，同时基于不同零售品牌的不同特点，数据也在赋能着更多不同场景。

知名乳制品企业飞鹤去年便在阿里云的帮助下，建设数据中台。跟九阳相似，多年的品牌积累之下，飞鹤并不缺数据，但是由于分散且不完整，数据很难达到驱动业务增长的效果。

在阿里云的帮助下，飞鹤以数据中台为核心重塑了CRM系统，建立了新的以数据赋能为基础的营销平台。

通过对信息的整理、分析、加工，来不断反哺前端业务。比如，精准的消费群体画像能够有效支撑品牌营销策略，而人群及其区域的权益偏好则可以为品牌制订区域促销提供有效参考。

无独有偶，另一乳制品企业雅士利利用阿里云数据中台，结合自身业务特性，挖掘出5个业务场景：导购场景、门店场景、积分场景、营销活动场景、会员场景。

数据中台的存在，帮雅士利更高效地打破原有界限，实现渠道之间、线上与线下的数据共通；更好地让其理解数据、运营数据，从而实现消费者人群化运营、营销精准化投放。

2019年天猫双11，雅士利通过数据中台实现短期快速提效，营销提效同比去年增长92%。

此外，今年疫情期间，红蜻蜓4000多家门店无法营业，但通过全员线上服务营销，7天内新设立了500多个粉丝群，实现日均销售额突破百万。逆势增长背后，核心业务上云，利用阿里云数据中台、业务中台等平台能力进行数智化改造是它的重要推动力。

“我们可以看到，像九阳这样，利用阿里云数据中台零售行业解决方案去激活老客、拉取新客，做营销提效只是第一步，数据中台完成之后还将不断迭代，全链路的数字化可以从消费者贯穿到新品研发，甚至再到供应链改造。”阿里云数据中台高级专家列文表示，这是阿里云数据中台能够为品牌数智化转型带来的核心服务之一。

一把手工程

数智化是未来，即使众多品牌都有了这个共识，但为何真正走在前面的仍是少数？

列文分析，数据中台不是一个工具或者一套运营方法，企业想要真正搭建自己的数据中台，其实是一个中长期的过程，更重要的是，这还将倒逼着企业组织能力进行升级：“这是一个没有CEO或者董事会级别推动，几乎做不成的项目。”

对此，陈波也深有感触。早在四五年前，九阳就成立了数据项目组，那时项目组里只有几名数据人员做着日常的数据维护，直到数据中台这两年在云栖大会及新零售场景中被反复提及，九阳总裁杨宁宁更是下定了决心，只是对于这一场大“变革”，她一直在寻找合适的时机。

真正让九阳把建设数据中台提上日程，还是去年杨宁宁在与阿里巴巴集团副总裁肖利华（肖博）的一次深入探讨之后。“未来变革的抓手是数据化。”陈波说这是总裁最常挂在嘴边的一句话。去年开始，九阳启动对运用数据中台的需求研究调研，今年正式迈入了数据中台的上线开发工作。

这次阿里云数据中台零售行业解决方案在天猫618的小试牛刀，收获颇丰，促使九阳对于数据中台的建设步伐变得愈发坚定。随着数智化探索不断深入，如今GMV变得似乎没这么重要了。

“我们的关注度已经从单看GMV转移到了消费者资产的积累。”陈波解释，以前品牌做活动、做促销，转化完了就结束了，没有具象纬度去分析人群，更别提数据追踪再次触达转化，“现在品牌各个阶段的消费人群变得更为清晰，用户的精细化运营也变得越来越重要。”

方法论则是阿里为九阳提供的另一大价值，在陈波看来，阿里有数据治理、数据运营的经验，这些数据思维方式让九阳可以更便捷有效地去将数据资产运用到新的业务上。

不过，这也为企业带来了另一道难题：需要对每个员工数据化工具的使用能力提出更高要求。

也正是看到了企业的这些痛点， 2018年下半年，阿里巴巴平台数据产品团队内测了数据分析师认证项目，并面向市场逐步开放，从而帮助企业和个人更好地认识数据、了解数据。据阿里巴巴平台数据产品资深专家逸客介绍，截止到7月2日，该项目已经培养超过3万名数据认证人才，其中，更是为946个品牌培养1737名内部数据分析师。

“九阳有10个数据分析师已经通过了认证。”陈波透露，随着数据在企业发展中扮演着愈来愈重要的作用，九阳不仅成立了专门的数据部门，团队成员也拓展到了近40人，“我们正朝着把数据分析运营能力成为九阳全员的基础能力方向努力。”

如果您对阿里云零售行业数据中台感兴趣，请加微信：wendy199it

（图：阿里巴巴集团副总裁、数据技术及产品部负责人朋新宇 来源：199IT）

数据中台扎实有效

2015年，阿里巴巴在国内首次提出数据中台概念，它是集方法论、工具、组织于一体的“快”、“准”、“全”、“统”、“通”的智能大数据体系。

历经内部复杂场景的实践后，阿里巴巴在2018年正式通过阿里云全面对外输出数据中台能力，帮助企业实现数智化转型。

朋新宇在现场分享了来自餐饮、快消、服饰、商业地产、旅游业等行业的头部企业案例。

蓝光地产利用数据中台服务孵化出了更多销售创新场景，仅“老带新”的一个单一场景就为该企业实现了单日36亿元成交额。

雅士利则通过阿里云数据中台挖掘了5个业务场景，短期快速提效，去年双11期间实现了同期增长92%。

而今年“新冠”疫情的特殊考验，更是让越来越多企业感受到数字经济趋势下数智化的重要性。

疫情期间，红蜻蜓4000多家门店无法营业，但通过全员线上服务营销，7天内新设立了500多个粉丝群，日均销售额突破百万。

无独有偶，雅戈尔3000余家线下门店在疫情期间悉数歇业。但随着全员all in线上营销，一季度整体业绩已经恢复到同期的80% 。

根据亿欧智库针对过去一年内沪深两地上市公司公告的集中研究，已有超过500家企业将数据中台的实施进展纳入了上市公告中。

产品矩阵从“2”变“4”

据朋新宇介绍，阿里云数据中台核心产品矩阵从之前的两大核心产品——Dataphin、Quick BI，拓展到了Dataphin、Quick BI、Quick Audience和Quick A+四大核心产品。

聚焦智能数据构建及管理领域的Dataphin，完成了数据服务开放和自助式开发升级，并针对中小企业，提供了轻量化版本。

作为国内唯一成功进入国际知名机构Gartner魔力象限的BI产品而受到广泛关注的Quick BI，本次升级重点聚焦在与钉钉的协同合作上。升级后，用户可以实现“随时随地，智能决策”。

新亮相的Quick Audience定位于智能用户增长，帮助实现“全方位洞察、多渠道触达”的增长闭环。Quick A+则是跨多端的全域应用洞察平台，能够帮助企业对用户进行综合分析，了解用户的使用习惯并进行相应的预测和决策。

四大行业解决方案齐飞  

除了丰富产品能力之外，阿里云数据中台本次峰会上，朋新宇还重磅发布四大行业数据中台解决方案：零售数据中台、金融数据中台、政务数据中台以及互联网企业数据中台，将进一步把数据中台引入全速重构业务数智化的深地。

据介绍，针对零售行业，阿里云数据中台可以提供多维的全方位洞察、全域自动化营销等服务，并通过与阿里巴巴生态联动，帮助更多零售企业实现数智化增长；

针对金融行业，提供理财业务线上用户增长、整体的数字化运营解决方案，通过联动蚂蚁生态，融合投资者教育的实践方法论，并集成支付宝小程序中，帮助金融机构实现业务增长；

针对政务行业，提供全套政务数字参谋解决方案，实现跨端、跨层级、跨系统等政务数据融通，支持政府决策科学化、社会治理精准化、公共服务高效化；

针对互联网企业，阿里云数据中台将与友盟+进行深度联动，让互联网企业能拥有阿里云数据中台的能力，在营销增长、风控、智能运营等场景中实现业务增长。

这四大数据中台行业解决方案是阿里云数据中台行业边界的一次重要拓展，标志着阿里云数据中台已经实现了从通用领域走向精细化垂直领域。

朋新宇表示，全新升级后的阿里云数据中台将成为企业数智化的新基建，未来将帮助超过100万企业，实现数智化加速升级。

（图：阿里巴巴集团副总裁、数据技术及产品部负责人朋新宇 来源：199IT）

数据中台扎实有效

2015年，阿里巴巴在国内首次提出数据中台概念，它是集方法论、工具、组织于一体的“快”、“准”、“全”、“统”、“通”的智能大数据体系。

历经内部复杂场景的实践后，阿里巴巴在2018年正式通过阿里云全面对外输出数据中台能力，帮助企业实现数智化转型。

朋新宇在现场分享了来自餐饮、快消、服饰、商业地产、旅游业等行业的头部企业案例。

蓝光地产利用数据中台服务孵化出了更多销售创新场景，仅“老带新”的一个单一场景就为该企业实现了单日36亿元成交额。

雅士利则通过阿里云数据中台挖掘了5个业务场景，短期快速提效，去年双11期间实现了同期增长92%。

而今年“新冠”疫情的特殊考验，更是让越来越多企业感受到数字经济趋势下数智化的重要性。

疫情期间，红蜻蜓4000多家门店无法营业，但通过全员线上服务营销，7天内新设立了500多个粉丝群，日均销售额突破百万。

无独有偶，雅戈尔3000余家线下门店在疫情期间悉数歇业。但随着全员all in线上营销，一季度整体业绩已经恢复到同期的80% 。

根据亿欧智库针对过去一年内沪深两地上市公司公告的集中研究，已有超过500家企业将数据中台的实施进展纳入了上市公告中。

产品矩阵从“2”变“4”

据朋新宇介绍，阿里云数据中台核心产品矩阵从之前的两大核心产品——Dataphin、Quick BI，拓展到了Dataphin、Quick BI、Quick Audience和Quick A+四大核心产品。

聚焦智能数据构建及管理领域的Dataphin，完成了数据服务开放和自助式开发升级，并针对中小企业，提供了轻量化版本。

作为国内唯一成功进入国际知名机构Gartner魔力象限的BI产品而受到广泛关注的Quick BI，本次升级重点聚焦在与钉钉的协同合作上。升级后，用户可以实现“随时随地，智能决策”。

新亮相的Quick Audience定位于智能用户增长，帮助实现“全方位洞察、多渠道触达”的增长闭环。Quick A+则是跨多端的全域应用洞察平台，能够帮助企业对用户进行综合分析，了解用户的使用习惯并进行相应的预测和决策。

四大行业解决方案齐飞  

除了丰富产品能力之外，阿里云数据中台本次峰会上，朋新宇还重磅发布四大行业数据中台解决方案：零售数据中台、金融数据中台、政务数据中台以及互联网企业数据中台，将进一步把数据中台引入全速重构业务数智化的深地。

据介绍，针对零售行业，阿里云数据中台可以提供多维的全方位洞察、全域自动化营销等服务，并通过与阿里巴巴生态联动，帮助更多零售企业实现数智化增长；

针对金融行业，提供理财业务线上用户增长、整体的数字化运营解决方案，通过联动蚂蚁生态，融合投资者教育的实践方法论，并集成支付宝小程序中，帮助金融机构实现业务增长；

针对政务行业，提供全套政务数字参谋解决方案，实现跨端、跨层级、跨系统等政务数据融通，支持政府决策科学化、社会治理精准化、公共服务高效化；

针对互联网企业，阿里云数据中台将与友盟+进行深度联动，让互联网企业能拥有阿里云数据中台的能力，在营销增长、风控、智能运营等场景中实现业务增长。

这四大数据中台行业解决方案是阿里云数据中台行业边界的一次重要拓展，标志着阿里云数据中台已经实现了从通用领域走向精细化垂直领域。

朋新宇表示，全新升级后的阿里云数据中台将成为企业数智化的新基建，未来将帮助超过100万企业，实现数智化加速升级。