社区

数据分析是挖掘数据价值、支撑经营决策的关键步骤。在企业对数据分析工具高效、易用的追求下，数据分析技术持续迭代，前后历经固定报表、自助式分析、对话式分析三个发展阶段。数据分析技术的迭代的核心逻辑是对业务部门的数据应用赋能，体现在门槛的降低、灵活性的提升和分析能力的拓展。 对话式分析是继传统BI、自助式分析之后的技术创新，代表着企业数据分析技术的新趋势。 对话式数据分析能在意图理解准确、取数灵活、洞察深入三方面满足企业广泛的数据分析需求，充分挖掘企业数据价值、赋能经营决策。 7月22日，爱分析正式发布《2024爱分析·对话式数据分析厂商全景报告》，通过对市场的需求分析和代表厂商的能力解读，为企业厂商选型提供参考。 覆盖市场： 对话式数据分析 下载完整版《2024爱分析·对话式数据分析厂商全景报告》或想了解更多报告信息，欢迎前往爱分析官网或爱分析公众号联系我们，为您提供更多帮助。 01 研究范围定义 研究范围定义 1）对话式分析代表企业数据分析技术新趋势 数据分析是挖掘数据价值、支撑经营决策的关键步骤。在企业对数据分析工具高效、易用的追求下，数据分析技术持续迭代，前后历经三个发展阶段。 图1：企业数据分析技术迭代三阶段 第一阶段，企业数据分析以静态报表为主，传统BI和静态报表基本上都是面向IT部门的，业务部门提出需求之后，由IT根据报表工具开发出固定的报表，然后业务部门查看报表结果。此阶段中，传统BI的使用对象仅面向管理层。 企业数据爆发式增长驱动业务部门用数需求快速增加，IT开发固定报表的方式灵活性低、周期长，难以满足业务广泛的数据需求，推动数据分析进入自助式分析阶段。 第二阶段，金融业率先使用自助式分析。业务部门提出需求之后，数据分析师可以基于敏捷BI的工具帮助业务部门快速获取所需的数据，业务部门的灵活性和自主性大幅增加。自助式分析工具的使用对象由管理层变为数据分析师，

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