撰书初心“推动企业数字化升级，实现数据价值的普惠化，是我们写这本书的初衷。通过将理论与实践紧密结合，让读者能够快速理解和掌握关键概念，实现看了就会，会了就能做的学习效果。同时，我也要对每一位读者表达我的诚挚感激，希望这本书能为你们提供价值和启发。”——黎科峰博士 数势科技创始人兼CEO数势科技此次撰写的《指标体系与指标平台：方法与实践》，旨在推动企业数字化升级，实现数据价值的普惠化。当前市场对企业数字化转型高度关注，尤其对数据管理和利用存在迫切的需求。本书恰逢其时，系统介绍指标体系与平台的方法论与实践，为企业在不确定环境中提供决策支持，优化运营流程，增强市场竞争力。通过丰富案例与前沿技术探讨，为企业数字化转型提供实战指南。无论你是企业的决策者、数据分析师、IT专业人士还是普通员工、大学生，还是对数据智能感兴趣的普通读者，本书都值得你阅读，无论你是想深入了解指标管理，还是希望通过数据智能驱动到业务决策，本书都能满足读者的需求和期望。各章节的知识点有哪些？第1章：从指标驱动的数字化经营新模式开始，带大家进入真实的企业经营环境，让大家快速感受指标管理对企业经营的重要意义。第2章：着重介绍指标体系的设计方法论，看懂指标设计的原则，带着设计思维模拟指标拆解、设计、落地的全过程。第3、4章：深入指标管理平台的设计与技术架构。从多年实践中，我们总结出这套指标平台建设方法，帮助企业构建一套具备“一处定义、全局使用”，且自动化、高性能的指标平台。如果你正考虑建设指标平台，那一定不要错过这两章内容。我们将在本文中拿出3.1章“指标平台定位”进行分享。第5~8章：将深入零售、金融、制造、消费品、连锁加盟等行业，从不同行业的特点出发，向您展开不同的指标平台设计、建设和应用的全景图，结合行业的最佳实践让你切实感受指标平台带给企业的价值，为想要进行数据智能决策的你提供参考。第9、10章：将分别探索两大

引言 经过多年的数据基础设施建设，企业已经完成从“有数”到“用数”的过渡，数据驱动成为常态。进一步，面对激烈的市场竞争和快速变化的客户需求，如何提高“用数”效率，以实时或准实时的数据处理速度进行决策、开展服务以及优化运营，正成为企业获取竞争优势的关键，催生实时数据业务场景快速增长。 面对日益增长的实时数据业务场景，传统的实时数据集成解决方案如点到点实时同步、ESB企业总线、Kafka消息队列等均存在各种局限性，促使新一代实时数据集成解决方案应运而生。 本文将重点阐述实时数据业务场景的定义、增长驱动因素，并通过多种实时数据集成解决方案的对比，阐释新一代实时数据集成解决方案为什么代表着未来发展趋势。 01 实时数据业务场景的定义 实时数据业务场景指企业在经营过程中，对新数据进行实时传输、处理、分析、查询和响应的业务场景，支持实时决策和实时操作。其中实时指的是从数据产生端到消费端跨系统传输或处理过程实现毫秒或秒级延迟。 图1：实时数据业务场景分类示意图 按照消费端的数据处理模式，实时数据业务场景包含TP场景下的实时交互型业务场景和AP场景下的实时运营分析场景。 TP场景下的实时交互型业务场景 实时交互型业务场景指消费端的应用程序需要跨系统实时查询生产端系统信息的场景，如统一订单中心、实时风控、CDP平台等。这些场景是企业的关键任务，对于保障企业正常经营有决定性影响，一旦出现延迟或数据错误将导致严重的经营事故，因此对数据时效性和数据准确性要求极高。 需要强调的是，与传统基于Oracle数据库实现的TP场景不同，实时交互型业务场景往往涉及异构的数据源，需要解决源系统和目标系统之间跨系统的数据一致性，数据传输处理和集成等问题。而传统的OLTP场景虽然也强调实时响应，但在单一Oracle数据库中实现数据集成、完成业务的事务性操作以及保障数据一致性，其技术实现的路径和复杂度与实时交互

更多案例研究与行业报告，请前往爱分析官网 媒体行业企事业单位在数据要素领域得天独厚，日积月累的新闻报道、媒资素材、读者反馈和市场研究，沉淀出属于它们的“数据金矿”。 但是，多数相关单位尚未重视和发挥数据要素价值，导致资源闲置。闲置的数据要素既无法赋能内部业务团队，也无法通过对外输出来实现社会和商业价值。这种对数据只存不用的行为，导致媒体行业的“金矿”逐渐变成为“包袱”。 科技日报社作为媒体行业激发数据要素价值的先行者，已构建完善的数据基座和能力输出体系，在提升业务团队工作效率、对外输出实现创收等方面取得显著成绩，具有标杆意义。 01 数据底座+内外服务，科技日报社描绘数据要素价值实现蓝图 科技日报社（以下简称报社）是中央编委批准设立、由科学技术部代管的副部级事业单位，是承担党和国家科技宣传任务的中央主流媒体。报社作为科技信息传播的重要机构，拥有丰富的数据资源，充分释放数据资源价值，不仅能够提升报社的业务能力和市场竞争力，还能够更好地履行媒体的社会责任，带来更广泛的影响。基于此，报社通过梳理现有系统和数据资源，总结出构建数据底座、对内服务、对外输出三大需求。 需求一 以知识体系为骨架，构建数据底座 报社在科技资讯领域积累大量数据，既有自己生产的，也有积累的外部资料。这些资料交织混杂，检索不便。报社需要以当前的数据资源为基础，以知识体系为框架，来构建数据底座，旨在为后续高效利用数据资源打下坚实基础。 对于数据资源使用者而言，即需要过往数据的支持，也需要了解科技资讯领域的最新进展。报社需要按照新建的知识体系纳入外部资源，不断扩充和更新，保障数据底座的持续可用性。 需求二 以灵活取用为目的，实现对内服务 构建数据底座不是目的，用起来才是目的。数据底座的作用在于收集、管理数据资源，因此报社需要开发用户端，让大家可以灵活取用。编辑和记者们写文章或者报告时，往往需要查询资料，通过用户端可

引言 在数字化的浪潮中，企业界迎来了一个全新的转折点——数智化时代。这不仅是一次技术的飞跃，更是一场深刻的业务与思维的革命。企业IT部门作为这场革命的前沿阵地，正面临着前所未有的挑战与机遇。 数智化转型并非易事，它要求企业不仅要拥抱新技术，更要在战略层面达成共识，以及构建起端到端的AI解决方案。企业IT部门如何确保技术投入转化为实际的业务价值？如何获得来自高层的支持？如何在众多供应商中甄选那些最为可靠的合作伙伴？这些问题，正是本文所要探讨的。 01 从数字化迈向数智化，企业聚焦三大需求 “智能化”成为企业IT部门头等大事 企业正加速迈向数智化的新时代，智能化已成为企业IT部门的核心任务。爱分析的调研结果揭示了一个显著的趋势：过去三年中，头部企业对数据中台、数据平台、数据底座和数据治理等项目给予了高度重视，其中43%的企业已经建成或正在建设相关系统。然而，相比之下，仅有14%的企业完成了或正在建设AI系统。这一现状正在迅速改变。企业在2023年底制定2024年及未来的IT规划时，纷纷提升对AI建设的重视程度和预算投入，56%的头部企业计划启动AI项目，AI建设已成为企业IT部门的首要任务，一些企业甚至将其提升为公司级战略。 图表1：2021-2026头部企业各类IT项目建设提及率 头部企业的IT建设动向，往往预示着整个行业的发展方向。中小企业亦将紧随其后，逐步拥抱AI技术。企业对AI的具体需求日益明确，爱分析的调研结果归纳出三大核心需求：①无大模型，不AI；②达成AI价值的共识；③端到端的AI解决方案。 核心需求1 无大模型，不AI 大模型是指通过在海量数据上依托强大算力资源进行训练后能完成大量不同下游任务的模型。2023年以来，ChatGPT 引爆全球大模型市场。不同于以往的IT技术，大模型吸引的人群更加广泛，不仅吸引 CIO、CTO 等技术管理者的关注，CEO、CM

“过去几年里，当我们做内部审视和自我反思时，我们知道阿里落后了，因为我们忘记了真正的客户是谁。我们的客户是使用APP进行购物的人，而我们没有给他们最好的体验。” 4月3日，在挪威主权财富基金（Norges Bank Investment）发布的最新访谈视频中，阿里巴巴联合创始人、董事局主席蔡崇信透露了他对于阿里巴巴的种种反思，将落后的原因总结为“没有重视体验”。 体验到底是什么？ 体验为什么这么重要？ 企业落地体验这件事有哪些抓手？ 有没有体验驱动增长的实践案例可以作为参考？ 带着大家关心的这些问题，网易云商启动了体验增长的主题研究，经过半年的研究，长达50页的《2024体验增长白皮书》正式发布。 在这本白皮书中，网易云商试图带大家走进体验增长的“神秘之门”，呈现：落地体验驱动增长战略的价值；企业在体验优化过程中的挑战；走向体验增长的方法论和具体路径；AIGC如何赋能体验增长。 体验虚无缥缈？体验做好，收入翻倍 现代消费者对于品牌的需求已不再局限于交易本身，他们期待在与品牌的互动中收获具有意义的体验，建立真实而深刻的联结。察觉到消费者的需求，许多企业在设计产品服务时，着力于“共情力”，让自己成为相似品类中，与消费者的心理距离最近的一个。 体验一词听起来似乎虚无缥缈，其实并不尽然。 用一个近些年流行的词语来让体验形象化，那就是“情绪价值”。 也就是说，在消费者消费的全过程中，企业要思考能够给消费者怎样的心理感受，最好能够让消费者把好的感受分享出来。 那么体验对企业有什么价值呢？白皮书向我们呈现了一组麦肯锡的研究数据，数据显示： 在客户体验领域表现卓越的企业，其收入增长率是那些在这方面落后企业的2倍以上。 此外，白皮书也提炼了落地体验驱动增长战略的4大价值点：提升客户忠诚度与口碑；积极的用户洞察和产品改进；降低客户获取成本；提升客户生命周期价值（CLV）。 优化体验的

数据能力已经成为企业的核心竞争力。政策驱动数据产业发展加速，如2023年国家数据局成立；2024年，《“数据要素×”三年行动计划（2024-2026年）》正式发布；并且 2024年起正式将数据资源视为资产纳入财务报表，推动企业数据驱动价值创造。可以看出，近两年国家数据产业政策逐渐深化，从制度建设向落地应用过渡。 在企业端，面向复杂的市场环境和多变的客户需求，企业对数据的依赖和挖掘愈发深入，敏捷强健的数据能力支撑成为企业实现数据驱动、获得市场竞争优势的前提。爱分析观察到，企业在数据能力构建中有两个明显趋势。第一，企业数据能力的建设以数据消费为核心，以业务价值为牵引，形成数据基础设施与数据应用的正向循环。第二，企业快速更新数据基础设施以迭代数据能力，如湖仓一体成数据平台架构迭代新方向，对话式数据分析成为数据基础设施融合大模型能力的率先落地场景。 5月16日，爱分析正式发布《2024爱分析·数据智能实践报告》，以供企业参考。 01 报告综述 数据能力已经成为企业的核心竞争力。政策驱动数据产业发展加速，如2023年国家数据局成立，负责协调推进数据基础制度建设，统筹数据资源整合共享和开发利用；2024年，《“数据要素×”三年行动计划（2024-2026年）》正式发布，要求数据要素应用广度和深度大幅拓展，聚焦十二个重要领域打造300个示范性强的典型应用场景。同时，2024年起正式将数据资源视为资产纳入财务报表，推动企业数据驱动价值创造。可以看出，近两年国家数据产业政策逐渐深化，从制度建设向落地应用过渡。在企业端，面向复杂的市场环境和多变的客户需求，企业对数据的依赖和挖掘愈发深入，敏捷强健的数据能力支撑成为企业实现数据驱动、获得市场竞争优势的前提。爱分析观察到，企业在数据能力构建中有两个明显趋势。 第一，企业数据能力的建设以数据消费为核心，以业务价值为牵引。 企业以往在构建数据能力时，

2023年，国内生成式AI爆发式发展，引发大模型创业热潮。随着大模型的竞争从技术往商业化应用方面延伸，企业级AI应用也迎来了快速发展。6月26日，微盟与爱分析联合发布了《2024年企业AI应用趋势洞察报告》（以下简称《报告》）。 《报告》指出，随着AI商业化不断推进，企业级应用成为AI商业化的确定性路径。目前AI技术已融入企业的营销和渠道、客户运营、协同办公、研发生产、供应链、中后台支持等业务环节，全链条赋能企业高效经营。而这其中，以营销及渠道、客户运营为代表的前台业务环节是AI在企业落地的焦点，也具备更好的商业化基础和市场空间。 在前台业务领域，2023年5月发布上线的微盟WAI，经过一年多的持续迭代和应用测试，截至目前已拥有相对完善的产品矩阵和丰富的落地服务经验，从而为企业AI应用提供了一个典型样本。目前，微盟WAI支持智能搭建、智能营销、智慧经营等功能，全面助力商家提效，并已在日常服务商家的过程中得到验证。这些经验将成为其他企业AI应用发展的助力。 1、AI加速商业化落地，面向前台业务的企业AI应用更具前景 2023年，大模型厂商频繁推出新品，持续引爆市场、带来技术普惠的同时，落地到应用层面却出现了分化——C端市场迟迟未有重量级应用，而在B端，AI技术已融入各行各业。 根据InfoQ研究中心数据，2030年AGI应用市场规模将达4543.6亿元，其中企业市场规模占比达67%，企业市场将主导AGI应用的发展。企业级应用已成为AI商业化的确定性路径。《报告》指出，AI应用能够针对具体行业需求和业务场景进行优化，沉淀丰富的行业数据和经验，从而提升AI的适应性和效率，因此在企业端应用的表现更优越。 具体到企业经营的各个业务场景来看，目前营销及渠道、客户运营、协同办公、研发生产、供应链，以及人力资源管理、法务合规、财税管理、智能风控等中后台支持业务，都已有大量AI应用提供支

导语：大模型爆火之后，很多企业也用大模型做了相关探索和实践，我们发现大模型解决单点问题时效果更好。但同时会产生安全、幻想等相关问题。今天从传统数据分析的痛点，到大模型智能分析的建设方式，并结合相关实践案例，分析AI Agent在智能分析领域的价值与实践。 分享嘉宾｜李飞（博士），数势科技AI负责人 内容已做精简，如需获取专家完整版视频实录和课件，请评论区或私信联系我们，为您发送完整内容。 01 传统数据分析的三大痛点 那么，在与Agent能力结合前，传统的数据分析方式存在哪些问题？首先是管理团队之痛，现有的数据产品无法端到端快速产出深度结论。 在团队管理中，大多企业都有经营驾驶舱，由BI或经营分析团队运维使用。但事实上，当管理团队提出对数据的诉求与本质的洞察，并不单纯只想得到数据的呈现和可视化，更希望得知变化背后的原因，然后采取一系列决策手段。如果通过以往的任务下发链路，需求响应速度往往较长，要先把需求告知分析团队，若数据有缺失，再提给数据团队，当结果返回给管理团队时，往往会带来决策滞后性，影响实时决策。 其次是业务团队之痛，BI产品学习门槛高，数据解读靠人工。 BI 人员是企业内部的宝贵资产。复杂 BI 的学习难度相对较高，业务人员需要非常熟悉什么指标对应哪个数据集、使用什么聚合函数、什么过滤条件等等。而且现在的 BI 产品为了做到足够灵活，功能很复杂，一个产品有几十，甚至上百种功能，若没有经历过完整的培训，就不知道这些功能到底隐藏在哪。BI 产品功能隐藏在水下，使用难度也较高，更多还是通过 BI 产品做数据呈现，对于数据结论的生成，还需要人为地做总结。其实在于最后一公里的问题上，并没有一个很好的解决方式。 另外，数据团队的也有难点痛点，业务需求复杂且跨部门的数据指标口径不统一，很难保证实时响应业务需求变化。 数据团队在面对数仓做很多表的情况下，会遇到某些口

4月11日，Kyligence 2024 数智论坛暨春季发布会成功召开。Kyligence 正式发布全新的企业级 AI 解决方案，基于服务金融、零售、制造、医药等行业领先客户的落地实践，Kyligence 为企业提供准确、可靠、智能的 AI + 指标平台一站式解决方案，以行业领先的技术和稳定可靠的产品助力更多客户在数智化浪潮中掌握先机。来自德勤和 Kyligence 的多位嘉宾分享了 Data + AI 现阶段在企业场景中落地的痛点，并带来 AI + 指标平台在金融、零售、制造、医药等行落地的最新成果，吸引了众多观众的参会与热烈讨论。 准确、可靠的 AI，Kyligence AI 解决方案正式发布 随着大模型的迅速发展，企业逐渐从聚焦技术转向关注应用，迫切需要将 AI 结合业务落地，在市场竞争中抢占先机。Kyligence 联合创始人兼 CTO 李扬提到，2023年 Kyligence 产品全面集成 AI 能力，推出了智能一站式指标平台 Kyligence Zen 和 AI 数智助理 Kyligence Copilot，为企业使用数据带来了革新体验，并已率先在金融、零售、制造、医药等客户的真实场景中落地。 基于技术沉淀、创新产品和实践经验，Kyligence 正式发布了 AI 解决方案，将为企业级客户提供准确、可靠的 Data + AI 落地应用，通过对接企业已有的数据源，智能一站式指标平台将帮助企业实现统一的数据语言和目标管理，以及服务型的数据治理；其配备的 AI 数智助理将进一步降低业务用户使用数据的门槛，助力业务人员进行快速、准确的决策，为业务创新提供数据支持；此外，Kyligence 独具技术优势的企业级 OLAP 平台更将为企业大规模使用数据、推广 AI 应用提供坚实的技术底座。 在本次演讲中，Kyligence CTO 李扬还分享了 Kyligence

3.4 湖仓一体 市场定义： 湖仓一体是基于湖仓一体架构，提供多模异构数据统一存储、管理和计算，支持BI、数据科学、AI/ML、实时分析等数据应用场景，实现数据自由流动和共享、降低数据开发和运维复杂度的解决方案。 甲方终端用户： 企业数据部门、IT部门 甲方核心需求： 云计算、大数据、IoT等技术发展催生企业数据体量爆发式增长，数据类型也异常丰富。企业对半结构化、非结构化数据的存储、加工和应用提出了新要求，无论是数据仓库还是数据湖都难以满足企业需求。在此背景下，湖仓一体数据架构能融合数据仓库和数据湖的优势，成为企业数据架构演进新方向。企业对湖仓一体解决方案的需求具体如下： 实现海量异构数据的统一存储和批流一体的开发范式，降低数据存储、计算和运维成本。企业在历史构建数据平台的过程中，多形成数据仓库和数据湖共存的数据架构，以及“离线计算”和“实时计算”共存的双链路。数据在数据仓库和数据湖之间的存储和调用带来存储冗余；同时数据在离线链路、实时链路中的存储、清洗、转换会同时带来存储和计算冗余。而双链路和数据湖也使得企业的数据架构异常复杂，系统监控、性能优化、故障排除等运维工作量成倍增加。此外，传统的数据仓库和大数据平台架构中存储和计算资源耦合，面对大数据集时，极易出现存储资源冗余而计算资源不足的情况，企业需要花费数小时或更长时间来查询数据，大数据分析性能受限制。 实现多模异构数据的统一管理，提高数据质量。一方面，数据湖本身容易由于缺乏数据质量和数据治理形成数据沼泽，降低数据可用性。另一方面，在常见的数据仓库、数据湖共建的数据架构中，数据在数据仓库和数据湖之间的流转调用需要通过多个引擎实现，操作复杂，可靠性难以保证，极易产生数据一致性问题。 可同时支撑数据分析、数据挖掘、机器学习、RPA等工作负载，适应全域数据融合分析场景。针对全域数据的联合分析，以电商平台为例，电商平台需要对图片

3.2智能营销 市场定义： 智能营销是指具备自主知识产权的，提供自动化用户触达、用户运营、用户管理，支持企业实现用户洞察、精准营销的平台。 甲方终端用户： 大型国央企的业务部门，信息科技部门 甲方核心需求： 企业正面临营销方式的重建。一方面，随着数字技术的快速发展，消费者的数字渠道日益丰富，微信、抖音、小红书、淘宝等各类APP层出不穷，使得企业的获客渠道更加分散。另一方面，为适应市场的快速变化以及提高客户忠诚度，企业也愈发关注精准营销能力。在此背景下，传统以人工为主的营销方式成本太高、效率也太慢，企业亟需智能化、自动化的平台来满足新时代的营销需求，具体表现在以下方面： 解决企业数据孤岛问题。企业用户数据往往分散在CRM、电商、微信公众号、网站、APP等多个渠道中，并且各个渠道的数据定义各不相同造成数据质量参差不齐，使得企业难以充分利用用户数据资产开展用户洞察、优化营销策略或是进行精准营销。企业需要打通多渠道用户信息，建立OneID体系，以统一用户画像，获取用户行为洞察、提高营销效率。 适应不同行业的智能营销需求。不同行业的营销需求侧重点不同，如房地产消费属于高价、低频消费，需求借助周边商业、物业等业态“导流”，因此房企更需要连通商业、物业、地产等多业态的大会员体系，看重公域流量到私域运营的沉淀、生态内的会员积分体系建设。而在零售行业，市场已经进入存量竞争时代，零售企业更看重对私域流量的汇集和运营，以提高用户复购率，因此客户生命周期的管理很关键。 支持多系统集成，实现营销流程自动化。一方面智能营销平台本身就需要接入线上、线下多种渠道。另一方面，在精准营销过程中，企业需要挖掘高价值人群或用户，针对性匹配运营策略，再进行渠道触达，这一过程需要智能营销平台与CRM、ERP、OMS、WMS等多个系统联动，协作实现精准营销。 支持国产适配。智能营销平台应为自主研发，并兼容适配其他国产

导读：为迎合现今数字化经营的市场趋势，指标平台通过实现指标的高效开发，提供了既灵活又高性能的指标服务，逐步演变为企业数据基础设施的核心组成部分。大模型通过其强大的数据处理能力和深度学习机制，为指标分析提供了更加精准、全面的视角，为企业提供更加精准的业务洞察和决策支持。 本次分享围绕大模型加持的指标平台在企业内的建设路径，以及相关实践案例展开。 分享嘉宾｜王劲 数果智能创始人&董事长 内容已做精简，如需获取专家完整版视频实录和课件，请在评论区留言或私信我们，为您发送完整内容。 本次分享的内容主要是从多个角度出发，重点关注智能指标平台的整体架构与企业内实际应用，以及在具体场景中与大家深入探讨潜在问题和解决方案，综合从以下三个方面展开介绍。 首先，从实际应用出发，来谈谈企业内部对指标的爱与恨。 其次，聊聊如何构建并运营指标平台展开。众所周知，指标对企业有着举足轻重的作用，那么我们如何构建一个能使企业高效地应用指标的体系呢？这便是我们要讨论的，如何提升指标平台的效率，以及在这一过程中所遇到的挑战及其解决方法。 最后，将以实际案例中的两个场景与大家分享一些经验，介绍指标在具体业务场景下的应用。 01 对指标的爱与恨 指标体系并不仅仅是公司层面的运营体系，每个业务场景也可能拥有自己的指标体系。只是指标体系的规模各有不同，它们所专注的问题点存在差异。因此，从企业的角度来看，可能存在一个非常庞大的指标体系，然而对于每个具体的业务场景而言，它可能只是一个相对较小的体系，大的体系也是由众多这样的小场景构成的。 指标在企业管理中是至关重要的，它是导航灯塔，能够为我们指引业务的方向；它是地图，能帮助我们做好计划，规划好业务路线；它还是探测器，能够帮助我们预警并发现业务的风险；它也是仪表盘，帮助我们评估业务的效绩，评估这个业务的好坏。因此，在企业的各项经营活动中，我们都无法离开指标。 但

导读：企业的存量客户作为当今时代重中之重，如何让AI大模型大显身手，提升客户营销名单的精准性、营销自动化的效率性、营销资源分配的最适性？ 今天主要围绕三个关键环节以及相关案例展开说明。 分享嘉宾｜林庆治 飞算科技首席数据官 01 营销是一连串的转换过程 零售行业客户转化逻辑分为四块，公域引流、会员经营、私域经营、私域裂变，大部分企业当前尚处在第二阶段——转化成会员，但对于精细化经营跟裂变往往暂时不具备能力。 中间转换过程有几个步骤，第一是明确目标客群，根据商品属性找到目标客群，第二确定获客渠道，再进行内容运营。现在大模型中AIGC做生成式的大模型，可以针对性地做内容截取跟运营工作。最终目标是把公域内的游离客户转换成会员。会员管理进入传统CRM系统做经营，有一套会员管理系统或权益，但在企业一般就进行到这一步。如何做有效转换，包括怎么引导客户购买产品、进行价值提升，甚至在客户流失后，怎么挽留、裂变，很多客户没有这方面经验。 当目标客群引入到私域之后经营有几个重要步骤，首先是要业务分析，了解客户状况如何？购买情况如何？客户是否有兴趣？有没有成为付费会员？有没有继续往下落？这些方面必须做精细分析—找到问题。然后做客户洞察—“为什么不买产品？为什么会流失？”找到上述问题原因后，针对问题找到合适的营销手法—触达客户。在经营得成功、获得口碑之后，自然可以做到非常好的私域裂变。 私域经营、私域裂变对应到银行就是存量客户经营，对应到零售就是私域经营。 营销是一个流程，如何提升营销转化率，有三个重点。 第一个是营销精准性。转化率为什么不好？内容运营为什么没办法转化成注册会员？注册会员为什么没做更好的运营，最后进交叉销售？这是精准性的问题，包括名单精准性、触达有效性、内容有效性。 第二个解决营销效率问题。现在大部分营销都是人工进行，没有闭环。一次营销活动可能要一两个月的时间，营销效率非常

01 研究范围定义 研究范围： 在中央及地方政府的信创政策推动下，我国信创部分领域正在从“试点验证”迈向“规模推广”阶段。随着信创替换的深化，爱分析观察到，在需求侧，企业对信创产品的需求逐渐融合更丰富的业务诉求以及未来数智规划，正从“同类替换”转向“迭代升级”；而在供给侧，信创产品已经跨过“要用”、“能用”，正进入实力比拼的“好用”阶段。企业对信创产品迭代升级的具体需求表现为： 1、软件基础设施 数据库是基础软件的替换重点，企业对数据库的替换需求具体为，在功能和性能上可同等替换IOE数据库外，还要满足企业上云、资源弹性伸缩、混合事务分析、多模数据管理和查询等需求，因此企业对数据库的替换也开始考虑云原生、存算分离、HTAP、超融合等功能特点。 与此同时，在数据架构方面，企业需要解决异构数据源架构下的数据开发及运维难度，湖仓一体架构正成为大数据平台架构替换新方向。 2、应用端 OA是企业最核心的办公软件，也位列全面替换软件的首位。以OA系统的文档管理为例，企业在进行国产替换时，新增知识体系构建、员工办公效率提升以及办公流程自动化等业务场景需求，因此融合AI大模型、知识图谱等技术的文档管理中台成为企业选型偏好。 在客户信息管理方面，企业传统的客户信息管理主要通过Oracle、SAP等系统进行管理，但在本次国产化替换中，在实现客户信息管理功能的基础上，企业会考虑业务的成长性以及未来数智化对业务系统互联互通的需求，因此具有平台化特点的CDP引发关注。 本次报告中，爱分析按照IT架构，自下而上将信创市场划分为：基础硬件、基础软件、技术支撑层、数据层、上层应用软件等五个层级。其中基础硬件包含芯片、服务器、PC、打印机、存储等；基础软件包含操作系统、数据库与中间件；技术支撑层包含低代码/无代码平台、数据科学与机器学习平台、隐私计算、信创云、云原生、安全等；数据层包含数据中台、大数据平台、数

导读：存量客户是金融机构的最重要的资源，而AI大模型技术与应用的高速发展，能为银行业务提升方面发挥哪些作用呢？ 本次分享围绕存量时代的客户经营趋势、银行存量客户经营策略以及AI如何赋能银行存量客户经营等方面展开。 分享嘉宾｜史晓辉 某国有银行数字化运营专家、 公众号“西欧欧”主理人 存量客户是金融机构的最重要的资源，而AI大模型技术与应用的高速发展，能为银行业务提升方面发挥哪些作用呢？ 本次分享围绕存量时代的客户经营趋势、银行存量客户经营策略以及AI如何赋能银行存量客户经营等方面展开。 01 存量时代客户经营的特征及趋势 客户经营的底层逻辑简单来说就是连接客户与产品，在下图中，最上方是业务经营目标，左侧是客户，里面涉及客户生命周期、关键行为、客户分层以及经营策略等；右侧则是产品，涉及产品的设计、营销、竞品分析和产品迭代等方面；下方是数据、权益、客户、AI等底座以及机制、人才等基础能力，而中间则是客户经营的重点，涉及渠道、经营和场景。客户经营的逻辑其实就是将不同的客户与不同的产品，通过最短路径、在最低的成本下实现精准连接，概括一下，就是做好客户与产品之间的连线题。 随着流量红利的逐步消退，大部分行业都面临新客增长缓慢、市场竞争激烈、客户流失加快等问题，尤其是客户量级过亿的银行，线上获客的天花板大多已经显现，所以此时对于存量客户的价值挖掘就显得格外重要。 存量时代客户经营的特征和趋势大概分为5个方面： 精细化：客户的需求越来越高，需要我们从个性化、定制化方面切入，通过千人千面的方式对其进行精准转化； 场景化：客户如今的在线时间基本都被一些相对垂直的场景所瓜分，此时就需要我们在场景中对客户进行无缝的触达，这样才能保证转化率； 私域化：这个在存量客户经营的逻辑中极为重要，大家都知道二八定律，对于那些贡献8成营收的两成高价值客户而言，通过企微等私域渠道为其进行一对一的服务很

01 研究范围定义 研究范围： 在中央及地方政府的信创政策推动下，我国信创部分领域正在从“试点验证”迈向“规模推广”阶段。随着信创替换的深化，爱分析观察到，在需求侧，企业对信创产品的需求逐渐融合更丰富的业务诉求以及未来数智规划，正从“同类替换”转向“迭代升级”；而在供给侧，信创产品已经跨过“要用”、“能用”，正进入实力比拼的“好用”阶段。企业对信创产品迭代升级的具体需求表现为： 1、软件基础设施 数据库是基础软件的替换重点，企业对数据库的替换需求具体为，在功能和性能上可同等替换IOE数据库外，还要满足企业上云、资源弹性伸缩、混合事务分析、多模数据管理和查询等需求，因此企业对数据库的替换也开始考虑云原生、存算分离、HTAP、超融合等功能特点。 与此同时，在数据架构方面，企业需要解决异构数据源架构下的数据开发及运维难度，湖仓一体架构正成为大数据平台架构替换新方向。 2、应用端 OA是企业最核心的办公软件，也位列全面替换软件的首位。以OA系统的文档管理为例，企业在进行国产替换时，新增知识体系构建、员工办公效率提升以及办公流程自动化等业务场景需求，因此融合AI大模型、知识图谱等技术的文档管理中台成为企业选型偏好。 在客户信息管理方面，企业传统的客户信息管理主要通过Oracle、SAP等系统进行管理，但在本次国产化替换中，在实现客户信息管理功能的基础上，企业会考虑业务的成长性以及未来数智化对业务系统互联互通的需求，因此具有平台化特点的CDP引发关注。 本次报告中，爱分析按照IT架构，自下而上将信创市场划分为：基础硬件、基础软件、技术支撑层、数据层、上层应用软件等五个层级。其中基础硬件包含芯片、服务器、PC、打印机、存储等；基础软件包含操作系统、数据库与中间件；技术支撑层包含低代码/无代码平台、数据科学与机器学习平台、隐私计算、信创云、云原生、安全等；数据层包含数据中台、大数据平台、数

03 工业数据智能平台应用实践分析 3.1 工业数据的治理、应用正面临一系列挑战 在数据集成打通层面：分散在信息管理系统、机器设备中的非结构化数据伴随着工业企业业务场景丰富而剧增。与此同时，由于工业软件的接口协议不一致、烟囱式开发等原因，工业基础数据存在属性规范不一致、数据指标不统一等数据质量问题。以上难题对数据平台的存储能力、集成能力提出了更高的要求，要求数据平台能够有效处理海量数据，打破企业数据孤岛。 在数据治理使用层面：首先，平台需要以更快的响应速度满足工业数据的实时性需求，这为平台的存储和读写带来了压力。其次，现阶段对于工业数据价值挖掘的深度和广度仍然不够，未来仍需进一步提炼数据价值，赋能和开发业务场景，提升产品服务能力。最后，在数据平台出现以前，由于缺乏统一的数据共享和管控体系，各业务系统之间、部门之间的数据无法有效共享，数据复用能力弱。 在数据合规利用层面：相较于金融、汽车、电子政务、健康医疗等领域，工业数据在安全与合规利用方面尚处于起步阶段，工业数据法律法规体系建设有待进一步深化和完善。一方面，工业数据在研发设计、生产控制、售后运维等环节均有涉及，一旦发生数据安全事件都有可能引发生产经营活动的停滞。另一方面，对于一些关系到国计民生的行业，数据安全尤为重要，例如电力行业、能源行业等。 3.2 工业数据智能平台解决方案 以湖仓一体、流批一体、区块链等技术为依托，工业数据智能平台解决方案能有效应对数据质量不高，数据存储、计算成本高等难题，为企业提供统一的数据资产管理底座，为制造业企业数据治理提供安全保障。 1）构建数据治理能力内核 数据资产目录有助于企业厘清、盘活数据资产：数据资产目录通过对海量的工业异构数据进行明确的分类、定义、分层架构表达，使得企业可以快速完成数据标签的建立，对数据的血缘关系进行全链路的查询。 数据标准有助于企业获得高质量清洁数据：数据标准的建

01 报告综述 中国制造业体量庞大，增长迅速。根据国家统计局数据，2022年我国制造业增加值达33.5亿元，继续保持世界第一制造大国的地位。根据工信部的数据，我国制造业占全球比重也从22.5%上升到近30%。 与此同时，中国制造业面临智能化水平不足、核心技术受制于人、部分工艺流程的人工依赖度较高、产业附加值不足等问题。伴随着我国人口结构和产业结构的转型，制造业的成本将进一步攀升，未来发展面临挑战。 在此背景下，智能制造成为制造业转型升级的核心命题。智能制造是基于新一代信息技术，贯穿设计、生产、管理、服务等制造活动各个环节，具有信息深度自感知、智慧优化自决策、精准控制自执行等功能的先进制造过程、系统与模式的总称，它以智能工厂为载体，以关键制造环节智能化为核心，以端到端数据流为基础、以网络互联为支撑，能够缩短产品研制周期、降低资源能源消耗、提高生产效率、提升产品质量。 当前，制造业企业的数字化转型实践已经进入深水区，呈现出以下趋势：从业务运营的降本增效走向商业模式变革，从单点场景的验证突破转向平台化能力建设，从成熟技术的应用延伸到新兴技术的探索。 以设备制造行业为代表，设备后市场服务引领服务型制造商业模式变革。伴随着政策指引和制造业观念转变，制造业开始向服务化转型，由原来的以产品为中心转为以价值为中心，通过提供附加值服务来增强产品竞争力。一方面，《中国制造2025》《关于进一步促进服务型制造发展的指导意见》等政策文件中明确指出，要利用工业互联网等新一代信息技术促进生产型制造向服务型制造的转变，推动商业模式和业态的创新。另一方面，越来越多的企业认识到，伴随着市场由短缺经济向过剩经济的转变，产品同质化愈加严重，消费者选择空间也更大，服务化经营和差异化战略将成为制造业实现突围的制胜策略。 数据智能平台建设成为智能制造的核心基建。数据已成为继土地、劳动力、资本、技术之后的第五生产要素