社区

01 研究范围定义 研究范围 根据国家数据局的定义，数据要素是指能直接投入到生产和服务过程中的数据，是用于创造经济或社会价值的新型生产要素。 爱分析认为，从技术架构的角度，数据要素×市场可以分为两大层次：技术支撑层和行业应用层。技术支撑层构成了数据要素产生和流通的基础设施，涵盖了数据供给、数据流通和数据安全三个关键领域。而行业应用层则是数据要素价值实现的前沿阵地，包括工业制造、现代农业、商贸流通在内的十二个高优先级行业。数据要素×市场划分详见下图。 02厂商全景地图 爱分析基于对甲方企业和典型厂商的调研以及桌面研究，遴选出在数据要素×市场中具备成熟解决方案和落地能力的入选厂商。 03市场分析与厂商评估 爱分析对本次数据要素×项目重点研究市场做如下分析。同时，针对参与此次报告的部分代表厂商，爱分析撰写了厂商能力评估。 3.1 智慧轨交 市场定义： 智慧轨交市场是城市轨道交通数字化转型的关键领域，以数据要素为核心驱动力，通过集成先进的信息技术和人工智能，实现轨道交通系统的智能化管理和服务优化。 甲方终端用户： 轨道交通企业的IT、数据管理和业务部门 甲方核心需求： 在智慧轨交领域，甲方的核心需求集中在三个关键领域：数据标准的制定与执行、数据的分级分类、以及应用层面的降本增效。首先，甲方强调建立统一的数据标准，以确保数据的一致性和可靠性，同时要求厂商具备深入理解行业特定数据标准的能力。其次，甲方需对数据进行精确的分级分类，以构建体系化的数据资产并保障数据安全，期望厂商能够提供专业的咨询服务。最后，甲方追求通过精准的业务分析和技术应用，实现项目中的成本效益最大化，特别是在日常工作中降本增效。 甲方需要制定数据标准，以确保数据的一致性和可靠性。甲方的核心需求之一是数据标准的制定与执行，这包括专业领域和内部管理两个方面。甲方需要形成规范性、完整性的数据来源，以确保数据的一致性和可靠性。

2022年以GPT为代表的大模型横空出世，法律服务是备受关注的大模型落地场景，海外创业公司发展势头迅猛，已经有多家创业公司拿到巨额融资或被高价收购。 作为被GPT首轮投资的企业，Harvey在成立不到2年时间估值已达15亿美金，ARR（年度经常性收入）接近3000万美金。Robin AI在2024年初完成2600万美金的融资，成立十年的Casetext被汤森路透以6.5亿美金收购。 借助大模型的能力，海外法律AI公司不论是在融资还是业务上都获得很大进展，国内市场目前也涌现出包括慧多宝智能等优秀创业公司。 不论从技术实现上，还是应用方式上，大模型非常适合应用在法律服务场景。 基于过去两年实践，业界对大模型的能力边界有了相对明确的认知，大模型擅长处理非结构化数据，这为其在法律等咨询类专业服务行业的运用充满了想象空间；但大模型的幻觉问题又让其很难提供专业级行业运用需要的精准度和确定性，此外，并非所有任务都适合通过对话的模式来解决，这些问题将由聚焦于垂直领域运用的法律AI企业来解决。 尽管大模型技术与法律服务场景非常贴合，但真正想研发出一款好用的AI法律产品并不容易。 第一，产品层面，AI类产品不同于以往管理软件，其人机协作模式的建立很大程度依赖于用户高频使用，从而获得数据反馈和产品功能迭代方向，必须在核心功能、工作流逻辑、用户体验等方面做到非常好用，必须要对行业有深度理解和大量工程化实践。 第二，数据层面，除了司法领域的数据相对公开，涉及具体法律实务的知识和数据比较零散，也没有行业的统一标准。想要训练出能够解决法律实务场景的高质量的行业大模型难度很高。汤森路透以6.5亿美金收购Casetext很大原因就是看中后者十年的法律服务领域的知识积累 产品存在门槛对于创业公司倒是一件好事，一方面，通用大模型产品逐步侵蚀掉法律AI应用市场的可能性较低，另一方面，协同办公等大厂产品想进入这个市

3.3 业务流程自动化AI Agent 市场定义： 一种基于Agent架构的大模型应用，能理解自然语言描述的任务需求，自主完成环境感知、任务的逻辑拆分、相应工具的智能选择、流程的精确执行、进度的实时监控、以及执行结果的即时反馈等一系列工作，实现更高阶的业务流程自动化，进一步提高企业运营效率和质量。 甲方终端用户： 业务部门、IT部门 甲方核心需求： 企业追求端到端的业务流程自动化AI Agent解决方案，强调技术整合、定制服务、以及合规性。同时，企业偏好以业务价值为导向的驱动模式，将AI Agent作为提升效率和降低成本的工具，而非追求技术本身。 企业需要端到端的业务流程自动化AI Agent解决方案。AI Agent自兴起至今仅一年时间，正处于其发展初期。它并非单一产品，而是一项涉及众多技术、产品和资源的系统工程。由于其"新且复杂"的特性，企业IT部门往往缺乏AI Agent的落地经验，通常需要依赖厂商的引导来实现技术落地。因此，端到端的业务流程自动化AI Agent解决方案成为企业的核心需求。这类解决方案应具备高度的技术整合能力，能够根据企业特定需求定制化服务，同时在部署过程中识别和管理风险，提供持续的技术支持与系统优化，并确保解决方案的合规性与安全性。 企业需要具备业务价值的业务流程自动化AI Agent解决方案。企业在与厂商探讨业务流程自动化AI Agent时，主要基于两种驱动模式进行交流：IT驱动与业务驱动。IT驱动模式下，企业倾向于实施一些探索性的项目，这些项目可能不立即考虑业务价值，而是作为技术验证和能力建设的手段。相对而言，业务驱动模式则更为务实，企业带着具体的业务问题寻求解决方案，这种模式更侧重于解决实际问题并实现业务价值的增长。 从签约和实施的角度来看，IT驱动的项目由于缺乏明确的业务目标和价值衡量，往往面临更大的落地难度。相比之下，业务驱动模式因其清晰

典型客户： 飞鹤、某知名高校、某知名三甲医院、某大型航空公司 代表厂商评估： 神州问学 厂商介绍： 神州数码集团股份有限公司（简称：神州数码）在2023年推出AI原生赋能平台——神州问学，旨在为企业提供模型、算力、数据和应用的连接能力，它既是一站式企业大模型集成平台，也是企业的大模型运营平台。发展至今，神州问学已落地金融、能源、汽车、医疗、消费零售、政务等多个领域。 产品服务介绍： 神州问学是企业级一站式GenAl集成平台，致力于打通模型、数据、应用和算力四大要素，专注于企业大模型落地的全生命周期过程管理，有效应对大型应用落地中的各种挑战。 同时，神州问学提供了多云多语言支持，满足企业多样化的业务需求，帮助企业以快速且低成本的方式构建大模型应用。平台内含八款大模型应用，包括慧阅读、慧解析、慧回答、慧写作、慧绘图、慧翻译、慧朗读和慧互动，这些应用能够助力企业在不同场景下实现智能化升级和业务创新。 厂商评估： 神州问学是涵盖软件与硬件的一站式解决方案，具备算力优化、模型供应、场景增强和应用构建四大优势。神州问学通过专业的算力设计服务，有效降低企业在高端GPU资源上的支出。依托深厚的供应商关系，平台提供全面、新颖且价格优惠的大模型供应。结合企业场景增强技术，确保大模型在To B场景中的实用性和落地能力。此外，神州问学提供多样化的配置方式和丰富的应用场景模板，使企业能够快速搭建并定制化业务应用。 专注算力设计与资源管理，神州问学为企业节约算力支出。在当前高端GPU市场供应紧张、价格持续高位的背景下，企业在部署大型模型时面临着成本控制的挑战。神州问学通过专业的算力设计服务，帮助企业在保证性能的同时，实现成本效益的最大化。该团队专注于为企业提供定制化的算力解决方案，以平衡性能需求与成本支出。 神州问学所提供的算力管理功能，能够实现资源的统一管理和动态分配，这不仅提高了资源使用效率，也为

01 研究范围定义 研究范围定义 大模型浪潮席卷全球，AI Agent作为这股浪潮中的新星正在取代Copilot，成为大模型应用的主流形态之一，以其惊人的速度和影响力重塑科技和商业的版图。 AI Agent 是指以大模型为驱动，具有自主理解感知、规划、记忆和使用工具的能力，能自动化执行的智能体。随着大模型能力增强以及RAG等技术的成熟，AI Agent的能力得到了质的飞跃。这些模型赋予了AI Agent更接近人类的思维能力，再联动各类工具和组件，使得AI Agent在处理复杂任务时表现出前所未有的灵活性和效率。从智能助手、个性化推荐系统到自动化客户服务，AI Agent的应用案例层出不穷，它们在各行各业中展现出巨大的潜力和价值。 爱分析认为，AI Agent市场从技术架构角度可以划分为基础层、平台层和应用层。基础层是指支持AI gent的基础环境，包括大模型、算力基础设施和数据基础设施。平台层是基础层和应用层之间的“桥梁”，有利于大模型在各种实际场景以AI Agent的形态快速落地，包括AI Agent开发管理平台、LLMOps工具等。应用层是指各类场景的AI Agent，既有金融、能源、汽车等行业场景的AI Agent，也有业务流程自动化、数据分析、协同办公等通用场景的AI Agent。AI Agent市场划分详见下图。 本报告重点选取AI Agent开发管理平台、协同办公AI Agent、业务流程自动化AI Agent三个市场进行研究。 厂商入选标准： 本次入选报告的厂商需同时符合以下条件： 厂商的产品服务满足各市场分析的厂商能力要求； 近一年厂商具备一定数量以上的企业付费客户（参考第3章各市场分析部分）。 （注：“近一年”指2023年Q3至2024年Q2） 02 厂商全景地图 爱分析基于对甲方企业和典型厂商的调研以及桌面研究，遴选出在AI Agent市场中具备成熟解决

在数字化浪潮的推动下，企业正寻求通过技术创新来重塑业务流程和提升服务质量。飞鹤作为中国乳制品行业的先锋，正积极拥抱这一变革，致力于通过人工智能技术来推动其数字化转型。本案例将深入探讨飞鹤如何通过构建AI能力中台，实现从传统运营模式到智能化服务的转变，以及这一转型如何为飞鹤带来新的价值。 更多行业报告与相关案例研究，欢迎前往爱分析公众号或官网，领取更多前沿研究！ 01 飞鹤开启以AI为核心的数字化转型新篇章 中国飞鹤于1962年创立，是中国最早的奶粉企业之一。根据市场调研数据，飞鹤在2019至2023年间保持了销量的领先地位，这一成就体现了其品牌实力和市场认可度。 2018年起，飞鹤着手实施全面数字化转型，提出了“3+2+2”战略布局，旨在通过智能制造、ERP系统和智能办公等IT项目，结合数据中台和业务中台，来推动新零售和智慧供应链的发展。这一战略布局体现了飞鹤对数字化转型的重视和对未来发展的规划。 在数字化转型的过程中，飞鹤信息化中心对新兴技术保持敏锐的洞察力。2023年，随着大语言模型技术的兴起，飞鹤信息化中心认识到AI技术在提升业务效率和优化交互体验方面的潜力。他们预见到，将AI技术整合到现有业务流程中，无论是内部管理还是外部客户服务，都可能带来显著的效益。 基于对技术趋势的分析，飞鹤信息化中心计划构建AI能力中台，将数字化战略布局由“3+2+2”扩展为“3+3+2”模式。这一扩展意味着飞鹤将AI技术作为新的支柱，与数据中台和业务中台并列，共同支撑集团发展。 02 飞鹤与火山引擎：共创AI赋能的数字化转型之路 飞鹤携手火山引擎，共同打造了一个三步走的AI建设方案，旨在将AI技术深度整合到企业的数字化转型中。这一方案从试点项目开始，逐步扩展至全面的能力建设和最终的全局AI应用实施。 飞鹤AI能力中台架构详见下图，它通过四层结构实现了从基础设施到具体应用场景的全方位覆盖。

在当今快速变化的商业环境中，数据的实时性和准确性是企业制胜的关键。然而，数据孤岛、数据分散、处理时效差等难题却成为制约企业发展的瓶颈。本次分享将围绕实时数据技术在汽车行业的应用与实践经验分享展开。 分享嘉宾｜徐智 一汽集团 数据架构师 了解更多报告与文章资讯，请前往爱分析官网或公众号，为您提供更多服务。 本次分享主要围绕三个方面展开。 第一，关于数据技术的起源以及其与传统IT技术在应用系统构建方面的差异。 第二，应用数据过程中所产生的痛点，以及如何应对这些问题。 第三，总结实际操作中的经验，包括一些客观规律，以及在规律下如何提升数据使用效果。 01 汽车行业数据技术实践 汽车行业具有很长的IT实践历史，传统的IT技术主要用于构建ERP系统、营销、供应链等业务领域，以一汽集团为例，其IT实践经历多个经济周期。 从1953年中国最早的汽车工厂建立至今，一汽集团经历了70多年的发展。在这段历史中，穿越了多个经济周期，因此对于技术的应用可能需要更长的时间跨度来总结。在经济周期的四个阶段，即过热、滞涨、衰退和复苏中，我们可以清晰地看到传统业务系统和我们今天要讨论的数据类、建设类项目之间的关系。 首先是扩张阶段，当经济状况良好时，企业资金充裕，可以开展ERP和财务等项目，以提高整体运营效率。然而，当效率提升进度过半时，大概率会伴随出现数据类项目，最典型的例子就是财务或营销方向的BI。即，ERP建设的成效，体现为建设BI平台，以满足领导层的数据分析和报表需求。 当经济开始下滑，销售额增长放缓，逐渐进入滞胀和衰退期时，企业需要节约成本，此时供应链项目应运而生，数仓类项目也会随之出现。然而，这个阶段的驱动力往往是模仿性的，即依靠其他厂商或自身过去的经验，进一步扩大数仓类、数据分析类、智能数据类项目的规模。 当进入衰退期后半段，就会出现一种避险型的驱动力，即企业意识到经验无效，且行业存在生死风

数据孤岛一直是企业数字化历程的瓶颈，面临信息缺漏、业务流程难以优化、业务创新备受阻碍等几大难题。传统数据平台无法支撑企业数据的按需按时使用，导致多交互场景完全无法支持。本文从实时数据技术与实际案例展开说明，探究为企业关键业务提供实时数据支撑的高效技术。 分享嘉宾｜唐建法 钛铂数据 创始人&CEO 了解更多报告及文章，请查看爱分析官网或公众号，为您提供更多服务。 TapData 成立于 2019 年，是一家做实时数据的平台公司。公司成立的初衷就是为企业使用数据提供方便简易的工具，随时用到最新数据，解决数据孤岛问题。Tap 是指水龙头水管，企业的数据用水管连接起来，变成一个基础架构，可以随时打开水龙头获取数据。 从统计来看，大型企业平均业务系统有 315 套，中型企业平均 52 套。这些系统最开始从财务、ERP、MES 等都是为某一些业务准备，单一完成这些业务没问题。最近十几年，有很多企业在做数字化举措，涉及到洞察，对业务、客户、生产过程的理解，提高效率等等。近几年，AI 赛道火热，大家通过新技术为企业赋能，提高竞争力。实现以上任务都离不开企业核心数据资产，而这些数据资产目前都存在于二三十年前设计的多个单体式架构系统之内，导致获取数据困难，这对新业务创新、洞察带来非常大的挑战。 各类数据平台是目前主流的解决方案，从 20 年前的数据仓库到 10 年前的数据湖，以及最近五、六年出现数据中台，都是比较常见、主流、中央化的方案。能够把企业各个业务系统的数据，采集后放到中央化的分布式存储里面，在上面做数据分析计算，为洞察型业务分析提供支持。 以上主流方案的核心点是把数据从各个源系统中采集过来，进行加工处理，形成模型，定时采集和批量处理。 数据中台为什么不能做到很好的业务支撑？一是组织架构的问题，二是技术工具的不匹配度。数据中台号称支撑业务，但它采用了市面上常规的批量业务或定时采

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，企业数

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