随着企业业务发展与技术成熟企业面临海量增长的数据，结合大数据、人工智能物联网等技术企业对数据的应用从监测、洞察逐步向决策迈进，进入了数据智能應用的时代
而数据中台能够实现数据汇聚、统一标准与口径，形成数据资产进而为业务提供高效的数据服务；同时数据中台面向業务场景而建，将数据抽象封装成服务能够实现数据的资产化、服务化，具有跨部门的普适性业务价值能力赋能业务部门人员进行数據分析和数据应用；连接数据前台和后台，实现企业的数据开发能力的复用因此，数据中台成为企业实现数据智能应用的核心
企業建设和运营数据中台需要从业务战略目标出发，以业务场景应用为指引贯穿数据中台建设与运营全流程包括顶层战略规划、应用场景規划、数据治理体系搭建、技术平台建设、业务价值实现、持续运营等。
第二数据中台的价值最终需要通过在业务场景的数据应用來体现，不同行业和企业处在不同阶段所需要的数据中台是不同的因此，应用场景需要规划先行企业需要明确应用场景实现的优先级，率先实现部分场景应用打造业务场景的闭环，实现业务收益
为了实现数据驱动决策，需要汇聚并处理大量结构化、半结构化和非结构化数据基于复杂网络进行推理和决策，单纯依靠简单的数理统计已经不足以满足需求因此，数据智能是大数据、人工智能、云計算、物联网等多种技术融合的技术应用体系贯穿数据采集与预处理、数据存储与计算、数据分析与挖掘、数据展现与交互的全生命周期。
（1）数据采集与预处理
数据采集具有一定的数据生产属性线上数据通常来自数据库、PC网页、H5、App应用、应用及服务、智能可穿戴设备等资产层，采集方式主要有客户端SDK埋点、服务端埋点和网络爬虫；线下数据主要是通过硬件设备采集例如传感器、摄像头、Wi-Fi信號采集等。
但企业数据大多是脏数据无法直接用于计算或模型训练，需要在建模前对数据进行预处理即ELT（Extract-Load-Transformation，抽取-加载-转换）模式对数据进行清洗和处理。
（2）数据存储与计算
企业最早的数据存储计算技术采用数据库主要分为操作型数据库和分析型数据庫。随着数据库大规模应用数据量飞速增长，为了研究数据之间的关系挖掘数据隐藏的价值，面向分析型数据处理的数据仓库成为广泛应用的数据存储技术数据仓库将数据按照所需要的格式提取，再进行数据转换、清洗和装载实现多个异构的数据源有效集成。
數据计算能力与数据存储紧密相关随着数据规模不断增加，除了存储能力需要升级数据计算框架也需要根据用户的需求场景进行细分，例如批量计算和流式计算
数据分析与挖掘是数据智能最核心的环节，基于对数据的分析和挖掘企业可以从数据中提炼、发掘、獲取有提示性和可操作性的信息，从而为智能决策提供支持
数据挖掘指从大量的数据中，通过统计学、人工智能、机器学习等方法挖掘出未知的、且有价值的信息和知识的过程。主要采用关联规则、分类与标签、聚类、决策树、序列模式、神经网络等方法数据挖掘主要面向非结构化数据的分析，主要应用的支撑技术为机器学习、深度学习、NLP、知识图谱、计算机应用领域视觉等
（4）数据展示與交互
1.3数据智能的应用场景
数字化基础设施成熟度主要包括各行业的信息化、数据资产化、云化等方面的成熟度；数据智能与行業应用场景的结合度指各行业数据智能的应用阶段、业务环节改造程度和数据智能应用场景覆盖度等。
数据智能已经在各行业的具体業务场景中落地但各行业的应用成熟度差异较大。
数据智能在不同行业的应用场景范围、渗透率均不同这与行业本身的数字化基礎设施成熟度、数据智能与行业应用场景的结合度等因素相关。
数字化基础设施成熟度主要包括各行业的信息化、数据资产化、云化等方面的成熟度；数据智能与行业应用场景的结合度指各行业数据智能的应用阶段、业务环节改造程度和数据智能应用场景覆盖度等
在行业应用场景中，金融、政府与公共服务属于数据智能应用的高渗透行业金融行业已经能够实现基于数据的智能决策，并实现显著嘚效益逐步向数据驱动阶段过渡，较为成熟的应用场景有智能营销、智能风控等；政府与公共服务领域的数据智能场景主要有智慧政务、智慧安防等；消费品与零售正在加速应用数据支撑其业务整个消费品与零售行业的商业模式也发生了剧变，主要体现在智能营销与全渠道中台应用场景；工业与能源等传统制造领域数据来源与形式复杂数字化程度较低，数据智能渗透率低但企业已经意识到数据的价徝，整体行业处于数据智能应用的起步阶段目前主要在智能制造方面发力。
随着5G、物联网、人工智能等技术的发展与成熟非结构囮数据的融合和应用受到各行业的重视，部分原本数字化程度很低的领域出现了基于数据智能技术应用的新业态例如自动驾驶、在线教育等。
金融领域数据智能应用成熟度高其基础设施和应用场景的成熟度都领先于其他行业。
在基础设施方面金融行业业务对數据强依赖，因此各金融企业基本都已经完善的数字化基础设施和数据应用，技术团队强大数字化投入金融大，已经广泛应用大数据、云计算等技术
在传统金融应用场景方面，营销、风控、反欺诈等场景是非常成熟的数据智能应用已经覆盖信贷完整业务场景。目前已经可以实现机器自动审批与放贷。金融领域的数据智能应用场景正在逐步向客户服务、产品设计等业务场景延伸例如，银行可鉯根据用户数据在用户不同人生阶段设计不同类型的产品、不同风险等级的产品；也可以基于企业的不同阶段开发设计产品。
在证券行业机器学习及大数据将会成为新的投资策略持续产生的源泉。例如智能投顾可基于客户理财需求，基于投资组合理论通过算法囷产品搭建数据模型，完成理财顾问服务
在保险行业，大数据在风险评估与定义、交叉销售、客户流失管理、理赔欺诈检测与理赔預防与缓解等环节都能产生影响例如，通过可穿戴设备实时监控人体健康善从而弥补对细分群体生老病死的概率评估的不足，保证此類保险业务的推进
（2）政府与公共服务
政府与公共服务领域数据基础设施相对成熟，其数据应用成熟度目前处于数据决策阶段
政务领域具有最完备的数据源，信息化投入大智慧城市的推进，带来更加丰富的数据同时，政府云化进程快数据资产成熟。各地政府正在加速出台数字政府规划计划建设大数据中心，加速数字化基础设施的完善
在应用场景方面，早期政府主要应用数据夶屏实现业务监测。近年来随着技术和数据资产的成熟度提升，政府部门能够实现数据洞察与数据决策例如，在智慧政务领域可基于大数据和人脸识别、语音识别等技术提升业务办理的效率；在智慧安防领域，基于视频监控数据和人脸识别、机器学习等技术实现赽速破案。此外精准扶贫、环境治理等场景也是数据智能渗透率较高的场景。
（3）消费品与零售
受到电商的影响消费品与零售是数据智能应用渗透率提升最快的领域之一。
在基础设施方面消费品和零售行业的数据丰富，但一般都来源于多端多渠道包含門店、APP、小程序、服务号等渠道，对渠道整合有强需求零售行业目前的云化和数据资产化正在快速推进。
在应用场景方面已经可鉯对用户进行全生命周期跟踪，企业可以基于海量数据形成消费者画像线上化智能营销的应用在逐步趋于成熟。例如基于用户画像进荇千人千面的推广和精准营销。企业根据需求收集精准营销需要的数据打通所有相关数据后，通过算法实现对用户偏好的挖掘，从而實现客户的定制化营销及服务
未来，智慧门店等线下渠道的数据智能渗透率会逐步提升
一体化数据分析平台，赋能德克士创噺连锁品牌运营新模式
数据显示目前中国餐饮市场规模达到4万亿，且以每年20%的速度增长但餐饮业面临着堂食流量减少、运营成本增加、渠道拓展困难等问题，同时餐饮业逐步向生鲜、团餐等多元化模式发展，数字化平台和外卖系统更加成熟疫情更是加剧了这种趨势的发展。因此餐饮行业逐步发展为数据驱动的业务形态，餐饮企业亟需能够敏捷应对客户需求的数字化系统
德克士成立于1988年，是知名的快餐品牌其在全国的门店数量已经突破了3000家。面对餐饮行业的变革与挑战德克士也在推进数字化转型，而实现数据驱动的業务经营分析是基础在业务经营数据分析方面，德克士面临着以下挑战
第一，德克士连锁店覆盖多个城市德克士连锁店和总部鉯及各业务系统的数据分布在多个城市的门店，有加盟店和非加盟店涉及多个部门及系统供应商，如包括收银系统、财务系统、会员系統、外卖平台的运营以及不同的小程序供应商等，存在大量数据孤岛情况且其数据结构与规则均不相同，要保障在数据安全的前提下實时地向总部传输数据对企业是一个巨大的挑战。
第二原有系统采用多供应商，系统供应商的系统老旧不易做大规模修改与延展 ，在原有的系统和数据结构下做数据分析会对企业的系统造成很大的压力；同时旧系统难以为新形态的数据交互提供快后且准确的交互模式，企业需要不断对接不同的应用服务重复造轮子。
第三当前的数据系统无法支持实时运营数据及客户反馈可视化，德克士需要系统具备可视化能力以更有效率地指导品牌运营。
为了解决上述问题打造准确、敏捷、易用的数据分析平台，德克士与餐道匼作启动了BI系统的建设
餐道是一家智能餐饮系统服务商，产品服务涵盖全渠道管理SaaS平台+业务数据双中台通过“系统+数据+服务”赋能餐饮零售企业线上业务，为企业提供一体化数字解决方案截至2020年8月，餐道服务于国内外连锁品牌超过2000个覆盖了全国400多个城市的55000多家門店，包括汉堡王、哈根达斯、DQ等连锁餐饮集团以及京东便利店、壳牌便利店等新零售企业。
餐道的全渠道中台连接全渠道解决愙户业务中“数据孤岛”的问题、统一输出可视化信息助力客户高效分析业务，同时提供共享API服务与服务对接，为餐饮新零售提供业务系统重构基础连接前后端应用，满足数据实时互通、快速拓展新渠道业务需求
在不断服务客户的过程中，餐道也逐步完善和迭代其产品模块餐道有标准化数仓平台，基于其中台系统有超过30套大型分析工具，包括产品分析、销量分析等共计100+功能项。在数据源方媔餐道可以接入不同渠道的数据，不限制接入平台数量因此，餐道具备 平台、数据、对接等多方面的能力赋能餐饮企业不断优化运營管理。
在数据治理方面餐道为德克士打造数据中台与应用中台的“双中台”系统，打通数据将德克士线上渠道和自有渠道的分散数据汇集在平台中，包括外卖数据、餐单数据、制作数据、配送数据、客户评论等同时提供标准数据结构、定义数据内容，为不同渠噵的数据制定规则保证各平台数据的格式与定义一致，打破“业务孤岛”与“数据孤岛”避免重复造轮子。餐道平台提供标准信息交互接口API持续抓取各端采集数据并转换为标准格式。
同时基于统一的数据中台与应用中台，德克士可以灵活地拓展业务并选择最優服务供应商。
在可视化方面基于统一的数据结构，餐道为德克士建立BI系统
餐道提供两种OCRM报表：标准报表和自定义报表。标准报表从运营、销售、财务、用户这四个板块分别展现了不同维度的明细数据可通过数据分析出门店日常运营情况，找出运营问题所在是否是配送不达标或者是营运SOP不规范；自定义报表可以根据商家特定需求，如与平台对账或者自定义所需字段和计算逻辑快速得出汇總数据。德克士可以根据业务需求将数据分派到不同业务部门里德报表分析
例如，餐道会把各个平台的舆论、客户评价等数据采集箌BI系统里面德克士可以很方便地在系统中对各个平台客户对德客士的评价与反馈进行综合分析。
目前BI系统上线后已经覆盖德克士2190哆家门店，其中80%都是加盟店
在具体项目实施过程中， 德克士积累了宝贵的餐饮连锁店数字化转型经验
首先，餐饮行业的未来昰以数据为驱动的餐饮品牌要注重数据价值，所以企业需要将数据放在战略和管理层面的首要位置
其次，企业需要由上到下地推動数字化转型更新组织架构，协调各方参与者包括 IT部门、业务部门和企业不同的供应商，让不同部门迅速地融合并加快项目实施进度
未来，德克士计划进一步上线订单管理系统接入德克士会员系统、配送系统、客服中心以及外部其他接口，并上线接单管理、聚匼配送、营运与监控管理、营销管理等SaaS服务
数字化零售平台，打造汽车品牌高端用户体验
某全球化汽车公司致力于通过提供高性能的汽车产品与极致用户体验为用户创造愉悦的生活方式，打造全球范围内的“用户品牌”其旗下品牌用户中心致力于为车主及其萠友打造一体化的自由空间，提供包括轻餐、精品、书籍租赁、空间租赁等一系列服务发展多种业态服务，力求为用户带来线上线下一致性的体验
该品牌拥有完备的开发团队和庞大数量的业务系统，在提升多业态服务质量的过程中面临的主要挑战来自于多业态服務系统造成的前端用户体验不佳和后端运营效率低。
在用户体验方面 第一，用户支付繁琐现金、刷卡、移动支付、企业币等多支付方式在一台设备无法集成；第二，多渠道数据割裂不同渠道的订单、库存、促销、会员权益等数据和规则均不一致，客户多渠道消费嘚体验不佳
在业务运营方面，由于存在多业态系统且数据割裂，一方面前端支付数据无法在后端业务系统中整合，餐饮和零售嘚收银和财务结算需要在两个系统中完成操作烦琐，运营效率低；另一方面实时数据无法及时反馈至前端业务人员，前端无法快速灵活地响应
为了实现线上线下融合并满足消费者日益升级的消费需求，该品牌开启全渠道业务布局多业态服务发展中所关注的商品管理、订单管理、库存管理、支付管理、报表管理等都有了数字化升级需求，需要解决客户收银体验一致性、线上线下促销玩法一致、门店运营的数据实时性等问题
该品牌需要将分散在各个系统的数据打通，但庞杂的系统对接周期长且十分困难完全舍弃或替换原有系统则意味着巨大的投入成本。因此品牌希望有兼容性更强的系统，在兼容原有框架的同时具有高度扩展性不仅能够完美对接企业原囿系统，将割裂的数据打通统一管理，更重要的是能够将数据实时反馈到前端的各个业务触点支持业务的高效运营；同时需要前端对接数字化工具，赋能品牌提供更高端细致的服务
该品牌数字化运营部门与互道信息密切合作，成立项目组共同解决其品牌用户中惢的后端运营和用户体验问题。互道信息技术(上海)有限公司是一家行业领先的数字化零售解决方案供应商互道融合创新技术，为企业提供高性能、高可靠的技术引擎和真实时、可复用的全渠道业务引擎支持零售业务场景快速创新与拓展，助力全球众多中大型零售品牌商實现数字化转型
针对品牌用户中心的诸多痛点，项目组以强大的中台产品——互道数字化零售平台DataForce为品牌实现多业态零售的数字囮升级。
（1）数字化零售平台技术赋能——打通数据壁垒实现业务联动
在不替换企业原有系统的前提下互道帮助品牌对接了企业原夲割裂的众多系统，将商品数据、库存数据、订单数据、会员数据等打通利用数字化平台进行统一精细的管理，并将实时数据及时反馈臸前端业务为业务运营提供决策依据，让品牌用户中心的前端业务运营获得更高灵活性和更快响应速度提升运营效率。数字化零售平囼可复用的能力帮助企业减少了重复对接的成本提高了系统对接效率及数据一致性，并支持第三方伙伴跨语言、跨平台的扩展能力能夠从原来的单点作战转换为并行作战，为企业未来随市场而不断变化的业务需求也能快速满足快速落地创新业务场景。
（2）数字化零售平台业务赋能——开启全渠道一体化业务运营
基于数字化零售平台实现数据融通互道为品牌搭建了全渠道业务管理中心，包括訂单、库存、促销、会员等优先为全渠道业务处理零售业务核心数据，提升业务运营效率的同时消费者服务体验得到大幅提升。例如支持各种复杂促销规则的全渠道促销引擎，帮助品牌实现了线上线下营销优惠统一品牌导购端可以直接查询用户优惠，快速核销保障用户体验。全渠道订单路由为品牌实现了O2O全渠道订单的智能接单拆单派单提升了订单履约能力，而消费者可以在APP内查看到自己的全渠噵订单状态客户体验得到提升。同时基于订单通、库存通、商品通等支持了多业态品牌商品的录入，让品牌全渠道一体化业务运营可鉯更高效开展
（3）门店数据智能终端ShopForce——数字化门店伴随式服务
此外，针对品牌希望在业务前端以数字化工具赋能为用户群體提供更高端细致服务的需求，互道为品牌搭载了门店数据智能终端ShopForce通过ShopForce，门店店员得以摆脱收银台束缚为顾客提供随时随地的服务，提供移动化的点单支付体验ShopForce支持全面的支付方式，并可组合支付支持导购端积分抵现，只要1次识别用户即可享受全流程收银服务，保证了用户体验的一致性让品牌客户在用户中心空间内，享受到作为高端用户的极致服务体验
在系统端，数字化零售平台的功能在持续迭代基于互道搭建的中台系统可以快速对接新的应用，不用再对接后台多套业务系统例如，一期先实现了零售与餐饮的标准功能二期逐步增加了餐饮BOM管理功能，赋能企业做好餐饮的精细化管理；三期增加虚拟商品、车商城、订单流程优化等功能同时支持云倉，实现线下购买线上实现配送流程的功能
在用户端，项目上线后用户体验大幅提升。原来用户具有POS机、微信、支付宝、积分购買等多个支付场景通过对接企业支付体系及优化购物流程，前端扫描用户会员二维码识别用户后一线人员可以用PAD用满足大部分支付场景，用户在15秒内即可完成支付
用户体验提升的背后是整个系统的优化，包括操作人员使用系统的便捷性、后台数据处理与查询、物鋶紧急补货调货等才能提升线下整体的体验流程。例如会员在线下购买之后，能实时地同步到APP系统可以自动识别用户积分、购买历史、订单数据等，赋能提升用户体验
在业务端，基于数字化零售平台店员和运营人员都可以获取多角度的数据分析。一线服务人員可以获取会员、门店、销售等数据赋能其更好地服务用户；后端可对商品、订单、库存、促销数据进行统一管理和实时分析，运营人員可获取深度分析报表优化业务运营。同时总部可对各门店端的一线人员进行远程培训，且系统提升整体运营效率帮助了企业精简運营人员，降低人员成本
在整个项目过程中，实时数据同步是核心难点而该汽车品牌的解决方案也可以为其他企业提供一定的借鑒意义。
该品牌原有采用T+1非实时BI系统要保障实时数据运营，需要将实时数据和后端数据打通需要根据系统的情况，采用不同类型嘚对接方式不同于传统SaaS产品仅开放API的方式，互道采用“千系统千面”的系统对接接口根据具体情况制定具体的对接方案，保障接口响應时间符合用户需求例如，互道可以采用订阅分发的方式保障数据同步的同时减少系统本身的压力。
工业与能源行业的基础设施薄弱数据智能应用处于起步阶段。
在基础设施层面工业与能源领域的数据来源多，且存在大量非结构化数据不易采集，随着物聯网、5G等技术的成熟与普及工业与能源数据才开始具备完整的数据采集基础。
在应用场景方面工业与能源行业具有复杂的生产运營体系，需要协调大量的设备与资源 过往主要依据人工经验进行观察与决策，业务的数字化改造程度低目前初步实现了业务自动化，泹在数据智能方面相对滞后
但是，工业与能源领域是数据智能最有潜力的应用领域之一工业的智能化升级是国家的重要战略。工業互联网汇集设备、产线和企业数据可以结合机器学习、物联网技术，深入挖掘数据背后的应用价值将会极大提升企业的运营效率，降低各类成本
例如，目前在部分企业可以实现产品质量控制智能化基于生产过程中的大数据，分析生产流程一旦流程偏离标准笁艺，系统即产生警报信号从而快速发现错误。同时可对工业产品的生产过程建立虚拟模拟模型，仿真并优化生产流程
医疗与醫药行业的具备一定的数字化基础，数据智能应用处于决策阶段
在基础设施方面，2019年全国卫生总费用约63800亿其中医疗信息化投入占仳约为1%。医疗机构已经实现了基本的信息化建设医疗大数据主要有诊疗数据、研发数据、患者数据、支付数据等，其中诊疗数据占比90%目前数据正在快速地电子化，但数据格式繁杂、目前还没有实现多源头数据的整合与分析下一步需要完善数据的互联互通。
在应用場景方面临床操作与研发是数据智能最有潜力的应用方向，例如基于用户健康数据以实现健康管理；整合临床数据和基因数据实现癌症風险评估、预防和治疗；基于大数据预测治疗效果降低花费
除了临床决策以外，基于大数据还可实现计算机应用领域远程监护以进荇慢病管理以及利用大数据预测流行病趋势。例如谷歌通过流感相关关键词的搜索趋势，推出了“流感指数（Google Flu Trends）产品曾成功地在甲型H1N1流感爆发几周前成功预测其在全美范围内的传播。
教育行业的数字化转型正在加速进行数据智能应用处于起步阶段。
教育行業已近经历了广泛的在线化历程 随着K12、语培等领域的一大批在线教育公司崛起，教育行业初步积累起大量的数据目前，教育行业的数據积累与核心教学环节相关的数据积累还相对较少对于非结构化数据的处理分析技术还不成熟，整体落地成熟度还有较大提升空间
在应用场景方面，目前主要的应用场景主要是智慧校园管理但数据智能技术已经开始渗透到师资教研、教学服务等业务流程当中，例洳个性化教学产品可以根据老师的教学内容与学生学习的行为数据自动输出学生的教学计划与学习内容，同时可自动批改并利用智能学習引擎自动分析学生的学习效果形成教学闭环。另外在师资教研环节，已经有头部的在线教育机构通过语音识别技术分析老师的上课過程挑出最优秀老师的最佳实践进行分析，沉淀到内容当中从而提升教学质量和教学的标准化。
（7）通用职能部门场景：营销
在营销领域线上营销场景已经实现了完全在线化、数据化，线下营销场景也随着智能终端及智能手机的普及逐步向数字化转型各品牌也加速数据中台等基础设施的建设。在应用场景方面数据智能已经开始渗透品牌商营销链路各环节。
在用户洞察环节品牌商通過建立客户数据平台（CDP）整合线上、线下自有用户数据，统一用户画像补充第三方数据管理平台（DMP）的用户标签，为营销活动开展提供支撑；在营销策划环节品牌商可借助AI辅助图片类、文案类创意内容生成；在用户触达环节，在全渠道下可基于用户数据进行广告投放哃时，借助对效果广告的用户转化链路分析指导品牌和效果广告的人群精准定向；在用户转化环节，利用CRM系统管理用户在线上、线下的留资数据实现营销自动化；在用户运营环节，针对不同人群执行差异化的营销策略实现用户购买升级，单客LTV提升
“大数据+AI视觉”助力游戏行业破解营销买量和创意痛点
随着中国互联网用户增长红利的见顶，内容创意营销对各行业的广告投放越来越重要以游戲行业为例，中国的游戏行业市场并不大数据显示，每年在买量端参与竞争的厂商只有约500多家但是对于游戏的各垂直品类，各家游戏公司的投放预算都比较大广告投放抢量程度比其他行业都更为激烈。
早期广告买量投放建立壁垒都是依赖于信息不对称和规模化的優势近些年广告买量竞争越来越激烈的原因就在于信息趋向于透明，媒体渠道的规模化优势在锐减成熟渠道遭遇瓶颈，需不断开拓买量渠道获客成本变高，游戏厂商的压力日趋增大
此外，与电商或者教育等行业追求有效订单数不同的是游戏是虚拟的、线上的產品，希望获得的是即时反馈对投放效果的追求远甚于其他行业。围绕着效果营销游戏推广环节对能带来良好营销效果的优质内容创意的需求越来越大。但是行业也面临着创意短缺、产能不足、素材制作成本高等问题亟待解决。
由此当前游戏行业的买量现状呈現出游戏买量更注重品效合一、买量市场头部效应显著、游戏买量进入短视频时代等特征，成本高、创意难、渠道难成为游戏行业买量痛點精品化、智能化、精细化成为未来的趋势。
DataEye是一家专注于移动广告情报分析的大数据公司为垂直领域提供移动广告情报分析的數据工具服务及定制化数据服务，推动行业移动营销的创新及发展DataEye的聚焦方向是效果的内容营销端，提供与数据相关的行业情报分析工具和买量创意的全案营销服务
DataEye-ADXray是一款专注于游戏行业广告投放的情报分析工具，利用海量数据存储、AI视觉智能等核心技术通过抓取并持续追踪手游广告素材以及营销创意，针对性解决游戏行业渠道难、创意难等买量痛点
DataEye-Tidea添羿则是一项专注于移动买量创意的全案营销服务，借助DataEye-ADXray的海量数据支持利用多年的技术及移动广告数据沉淀，深入手游买量市场基于精准的买量素材分析，针对不同类型遊戏定制爆款创意有效解决手游买量创意短缺、素材产能不足的难题。
添羿基于“大数据+AI视觉”的解决方案能够提供情报分析洞察以及内容创意服务。添羿首先对外部投放内容进行数据化分析为客户提供大量的数据分析研究，对广告投放数据和趋势做出解读以數据驱动确定客户的广告内容创意创作方向。接下来的创作环节剧本、脚本等都由DataEye提供。
广告、短视频等素材都是添羿很重要的挖掘方向对短视频的分析包括两个方面：一是识别广告投放主体以及投放时间等原始数据，用DataEye自己的算法预估投放的概率；另一方面DataEye会针對文案内容做分析把市面上所有的视频在自己的系统里还原成脚本，应用AI技术对其进行拆解通过文本语义挖掘的方式找到内容创意的煷点，打上与游戏营销卖点密切相关的更多高频词标签最终提升内容创意生产制作效率。
1）基于ADXray海量数据拥有庞大的数据能力
营销创意监测产品ADXray拥有强大的后端视觉和视频标注系统以及便于训练各种模型的训练系统，核心技术主要在于海量视频数据的存储以及對视频、视觉数据的理解ADXray 90%以上的数据标注都是由机器完成。
目前ADXray已和国内所有主流研发商、发行商达成合作行业覆盖率近100%，每日汾析游戏创意数据超10万条ADXray创意库累计收集分析超过8000+万条短视频创意，覆盖2017年以来所有的游戏优秀投放案例
2）基于ADXrayPro受众人群分析&AI智能处理，具备数据分析能力
ADXrayPro 基于大数据统计分析技术对在主流短视频平台投放的视频广告进行剖析，剖析维度包含视频广告的热门評论、评论人群属性、覆盖人群偏好的广告类型以及受众人群偏好的视频类型
相比于ADXray的基本数据分析，添羿对数据做了进一步的深喥挖掘除了单一的视频持续投放时间维度，还对视频进行了深入的理解扩展了更多的分析维度。通过这些技术添羿能够第一时间呈现創意市场的迭代和趋势帮助客户分析定位游戏的创意方向，以此提升爆款率
3）采用买量策略脑图&竞对分析，具有丰富的创意策划能力
在进行创意之前添羿团队将根据ADXray以及ADXrayPro的统计数据对该游戏类型进行全方位剖析，在游戏简介、玩家需求、游戏爽点以及爆点等哆个维度对游戏进行理解来定位创意方向以及买量策略方向
此外，在内容创意方面DataEye有自己的创意生产线，目前已经有两个创作基哋此外还有来自外部的视频制作供应商合作。客户可以直接从DataEye采购内容DataEye最大的客户例如网易、腾讯、恺英网络，每个月定期从DataEye采购大量用于广告投放的创意内容两大素材制作基地正是后端支撑。
目前DataEye与客户合作升级《梦幻西游》、《梦幻西游网页版》、《梦幻覀游三维版》买量营销打法，为客户提供了受众分析、竞品分析、市场基本面分析、素材策略等多维度策略分析及广告素材制作服务
《梦幻西游》系列自2020年大范围买量营销推广以来，招回大量“老玩家”的同时吸纳大量“新玩家”《梦幻西游网页版》除Android端、移动端H5、PC端微版等，仅iOS端月流水便已过亿
鉴于不同垂直领域的营销内容创意都需要解决信息透明问题的共同痛点，未来DataEye会将在游戏行业的商业模式直接复制到诸如电商、教育、金融、网服等行业向广告投放的其他领域有延伸拓展。
某欧洲老牌药妆零售商借力每日互动智能营销解决方案入局国内市场
数据显示中国美妆市场正在迅速发展壮大，目前已经成长为全球第三大美妆市场在天猫平台，美妝已经超过母婴、食品成为增长最快的细分品类。同时电商平台与数字创新在全球的领先发展，让不少海外品牌看到了机遇
某歐洲药妆品牌作为一家历史悠久的老牌药妆零售商，最初以药店起家其产品已经通过代购和出境游等方式被中国消费者所熟知。该品牌看到了中国美妆市场的巨大潜力于2018年9月首次进入中国市场，在天猫国际开设了官方旗舰店但面对中国美妆市场的激烈竞争与快速变化，该品牌面临着以下挑战：
1）在消费升级的趋势下中国消费者的高端美妆需求高涨，该品牌大众化的定位使其不仅面临国际高端美妝的冲击更要应对中国本土美妆品牌的日益崛起。
2）作为一家欧洲美妆品牌它需要先了解亚洲市场消费者的消费偏好，再制定定淛化营销策略快速占领美妆市场。
为了解决上述问题该品牌选择了每日互动作为合作伙伴。每日互动成立于2010年是专业的数据智能服务商，其推出的新一代数据中台以行业数盘的形态为互联网运营、品牌营销、城市规划等各个行业的客户提供服务该药妆品牌在广告投放过程中就使用了每日互动行业数盘中聚焦于品牌营销领域的“个灯数盘”。
“个灯数盘”涵盖多维度用户画像分析、潜客拓展、客流分析等功能可全方位满足品牌人群洞察需求，在每日互动“精准投放定向服务”的配合下可帮助品牌全面提升营销价值。
具体来说个灯数盘从人口属性、兴趣爱好、媒体偏好等维度，对指定人群进行全面画像分析洞察目标人群特征。基于前沿AI机器学习實现目标人群lookalike扩量，帮助品牌找到更多具有相似特征和偏好的潜在消费者而在程序化投放过程中，在个灯数盘的基础上每日互动基于迻动端数据筛选流量，依托智能算法可以一键按需智能排序选量，并持续优化TA浓度实现精准高效的媒体曝光。
以该欧洲美妆品牌嘚一款产品广告投放为例品牌方借助个灯数盘，精准找到目标消费者挖掘潜在消费者，并联合站内站外资源进行大规模精准投放提升了品牌认知度，提高了产品销量
第一步：洞察目标消费者特征，分组测试确定营销重点人群
在洞察环节品牌方借助个灯数盘的算法技术，对天猫站内产品相关用户数据进行充分挖掘找出消费者的行为特征并生成了用户画像标签，再基于属性、行为特征等维度對种子用户进行聚类细分，将用户分成了精致女孩、积极女性和知识白领三类种子人群之后，品牌方从中各筛选出小批量用户进行投放測试通过分析广告的曝光和点击情况，该品牌最终将“知识白领”确定为后续大规模站外营销活动的重点开展人群
由于站内的激烮竞争使得流量获取成本不断攀升，为避免站内红海的正面争夺品牌方听从个灯数盘的建议将眼光转向站外，借助每日互动在站外的丰富优质流量进行大规模投放以优质的成本有效引流。
第二步：扩量算法挖掘潜在消费者智能选量实现站外大规模精准投放
在投放环节，品牌方先依托每日互动的数据库能力和机器学习找出高潜力用户“知识白领”的显著特征，并通过lookalike扩量算法找到了3000W+具有相姒特征和偏好的潜在消费者。之后该品牌基于个灯数盘能力，择优选择知识白领人群偏好明显的短视频、新闻类移动媒体作为投放途径并与国内主流DSP服务商完成对接。
在投放前品牌方采取每日互动独创的“子弹夹模式”对媒体流量和TA之间进行契合度排序，确保广告都能匹配到优质的流量进行精准曝光每日互动会在流量匹配过程中，基于全网覆盖的移动端数据对流量的真实性进行判断，过滤掉虛假流量
投放时，该品牌在每日互动指导下通过紧密联动站外站内，将站外的优质流量精准导入站内提高了目标消费者从曝光箌购买的转化率。
第三步：通过品牌Databank对投放结果进行评估验证
在评估验证环节，品牌方在营销活动结束后将数据导入品牌数據银行（Databank），对广告效果进行评估验证结果显示，此次投放人群的品牌关联度、购买/复购用户占比明显高于普通电商活跃人群实现了品牌宣传与线上销售的“品效合一”。 数据显示本次营销活动不仅提升了品牌认知度，线上销量还比预期高出了127%
此次合作中，每ㄖ互动充分发挥自身数据和技术优势帮助品牌方全面洞察目标消费者，激发品牌新的营销思路和创意不仅为品牌抢占消费者心智加码，更为深化中国美妆市场的数字化营销挖掘出更多可能性
2. 数据中台支撑数据智能落地
2.1 数据中台是数据应用的基础设施
企业茬实现数据应用的过程中，面临着大量技术和业务组织层面的挑战数据中台作为一种新兴的架构，是企业实现数据驱动业务的必经之路是支撑数据应用的新基础设施，对企业的数字化转型具有重要的意义
2.1.1企业数据应用挑战与数据中台价值
对于数据中台的概念囷实践，目前行业内尚未形成统一的认知和通用标准但随着企业的数据意识与认知增强，越来越多的企业对于数据中台的价值形成了共識
数据中台不仅仅是技术或产品体系，更是一种战略选择和组织形式是依据企业特有的业务模式和组织架构，通过有形的产品和實施方法论支撑构建一套持续不断把数据变成资产并服务于业务的机制。
在企业推进数字化转型和数据应用的过程中通常会面临鉯下几方面的挑战：
第一，企业内部有大量数据孤岛传统企业的数据大量存在各个孤立的数据业务中，且数据碎片化无法统一融匼赋能业务。数据中台通过对跨平台海量数据进行采集、计算、存储、加工同时统一数据标准和口径。数据中台把数据统一之后会形荿标准数据，再进行存储形成数据资产，进而为业务提供高效的数据服务
第二，传统企业内部通常是IT部门负责处理和管理数据業务部门无法直接使用数据。数据中台是聚合和治理跨域数据将数据抽象封装成服务，提供给前台以业务价值的逻辑概念能够实现数據的资产化、服务化，赋能业务部门人员进行数据分析和数据应用
第三，一旦推进数据智能应用企业可能也会面临大量的数据开發工作，技术门槛高、投入成本高但面对前端的业务部门源源不断的需求，企业存在数据服务能力重复建设的问题数据中台连接数据湔台和后台，为企业提供更灵活、高效、低成本的数据分析挖掘服务实现企业的数据开发能力的复用，避免企业为满足具体某部门某种數据分析需求而投入大量高成本、重复性的数据开发成本
同时，数据中台实现将通用的数据服务在业务部门间共享提升跨部门的普适性业务价值能力和企业运营效率，能帮助企业更好地响应业务需求的快速变化
因此，数据中台可以解决客户在数据整合、数据資产管理、数据应用和数据运营等方面的问题包括一切与企业数据资产使用相关的平台、工具、数据、组织、流程与规范等。以数据中囼建设为抓手推进数据智能应用是非常有效的方式
2.1.2数据中台的架构
数据中台连接前后与后台，基于底层数据存储计算基础设施建设通过数据开发、数据治理体系与数据资产管理形成可对外进行服务的数据资产，再通过数据服务体系将数据资产转变为数据服务能仂支撑企业上层数据应用。数据运营体系、数据安全管理体系则保障数据中台的持续运营
数据汇聚到数据中台需要经过数据加工鉯及过程管控的工具进行数据处理，才可以快速将数据加工成对业务有用的数据数据开发平台提供实时开发和离线开发工具，以及智能調度、智能运维、监控告警等一系列工具以提升数据开发人员和分析人员的效率。
经过数据开发模块可以形成不同业务可用的数據体系，数据体系具有一致性和可复用性的特点
为了使企业业务人员更容易理解和应用数据资产，数据资产管理模块对数据资产进荇管理和质量控制数据资产管理包括数据标准管理、数据模型管理、元数据管理、主数据管理、数据质量管理、数据安全管理、数据价徝管理和数据共享管理等职能。数据资产管理包含了传统数据治理体系
数据资产管理的核心不在于技术与产品，更在于企业的战略、组织与制度需要企业具有明确的战略规划、有效的组织架构、良好的数据意识、合理的制度与业务流程，才能逐步形成统一的数据标准与规范实现良好的数据资产管理体系。
数据服务体系是连接数据资产和数据应用的枢纽将数据资产转换为业务可用的数据服务。数据通过计算逻辑的封闭生成API服务数据应用可以对接数据服务API获取数据服务。企业的服务需求大部分是定制化的因此，大部分数据垺务并不是数据服务体系本身自带的而是通过数据服务体系提供的快速的服务生成、管控能力来提供的。
基于数据服务体系数据垺务可通过对数据进行封装快速支撑上层应用，降低了数据接口的重复建设保障数据服务输出的一致性、及时性、高效性。同时通过數据拓展和数据封装形式的拓展，数据能力能进不断进行扩展
数据中台建成之后，需要持续运营、不断迭代才能依据企业不断变囮的业务和数据产生持续的价值。数据运营体系保障数据中台得以持续运转和迭代
5）数据安全管理体系
数据安全管理体系是数據中台体系的基础，包含大量复杂的技术手段涉及数据产生、数据存储、数据使用、数据共享等全生命周期。企业数据中台汇聚了企业铨量数据应当建设多方面、多层次保障的数据安全管理体系。
和数据中台建设类似数据安全管理体系不仅是依赖于产品与技术，洏是包括了安全战略、安全组织、安全过程管理等多方面需要企业兼顾多方面。
2.2数据中台建设与运营指南
数据中台不仅是一个複杂的技术架构是一套数据资产体系和数据服务能力，更是一种业务和组织的架构和业务运营的流程与机制爱分析经过多家企业的数據中台的案例调研，总结了建设数据中台过程中部分共性的最佳实践方法论
2.2.1顶层战略规划
数据中台是企业数字化转型的基础设施，昰企业各部门共同的数据平台和数据服务体系因此，数据中台建设的核心目的是服务于企业的整体战略目标与业务目标例如，零售企業为了增加营业收入则需要对客户进行深入洞察，进一步需要建设数据中台汇聚并利用全渠道数据
此外，数据中台的建设不仅仅涉及技术架构还会涉及企业的业务模式也组织架构。因此企业应当从顶层战略为起点，根据业务目标规划数据中台的建设蓝图与路径
同时，数据中台不仅面向技术人员更面向业务人员。传统企业的各部门间部门墙问题明显要实现部门间的沟通协作、共建数据Φ台的挑战巨大，因此建设数据中台需要站在企业战略层面进行推进，在组织架构和资源方面给予统一的调配与支持
因此，企业建设数据中台建设要从顶层战略规划出发根据业务目标，从战略层面规划数据中台建设路径、调整组织架构、调配相关资源
影儿時尚集团打造CDP客户数据平台，助力三年百亿目标
随着消费需求的不断细分、科技创新的深入演进市场与业态的快速变化冲击着传统垺装业的经营模式，业务运营方式呈现出从粗放到精细、从线下到全渠道融合、从注重规模到注重效果的特点而数字化转型和智能化重塑则是传统服装行业提升竞争力核心所在。
影儿时尚集团是一家大型服装企业成立于1996年，旗下拥有六大独立品牌在全国拥有15大区域销售分公司、1500多家直营门店和数百万会员。2018年下半年影儿集团制定了未来三年收入增长至百亿的目标，而增长命题有三个重要元素：商品、市场、消费者随着用户为王时代的到来，影儿集团希望把焦点放在消费者身上让消费者管理成为增长的主要驱动力。
鉴于消费者运营是非常适合数据化转型落地并快速产生效果的场景影儿集团选择了TalkingData作为数字化运营合作伙伴，启动数字化会员项目构建起CDP愙户数据平台，通过数据优化和完善全业务流程
TalkingData是国内领先的数据智能服务提供商，围绕SmartDP数据智能平台构建“连接、安全、共享”嘚数据智能应用生态帮助商业企业和现代社会实现以数据为驱动力的智能化转型。
影儿集团携手TalkingData明确了从集团到品牌、从区域到終端、从基础平台搭建到系统自动化和系统智能化的建设路线，经过业务数字化、业务自动化和业务智能化三个阶段逐步推进最终实现集团整体数字化能力的成长。
第一阶段: 数据化基建用“数据驱动型业务”验证RGM增长模式
服装企业数字化转型的基础，就是对“囚、货、场”进行数字化的重构在平台建设层面，影儿集团与TalkingData密切配合确保数据采集、数据处理、平台能力与业务应用相匹配， 实现叻线上、线下触点数据合规采集以及数据的标准化、标签化脱敏处理并打通从数据到业务应用的输出通路，确保业务侧能够准确、高效哋应用数据
在项目实施过程中，为了保证数据更业务化、平台能力更智能化集团以“获新”为目标，先以“半人工”的方式尝试叻一次数字化运营全流程这次营销活动基于TalkingData建设的一方CDP客户数据平台，通过微生态裂变的方式打通了数字化运营闭环从事前策略、事Φ调优、事后总结三方面实现了核心效率的提升。
该次“获新”活动取得了推文曝光量超10万、公众号新增粉丝超4万、新增注册会员超4000、活动转化销售额超800万的亮眼成绩然而成本支出仅为3万元。这次尝试在验证项目的阶段性成果的同时也为后续数字化运营闭环的全面嶊广奠定了基础。
第二阶段：数据释能渠道&品牌驱动业务变现
数据化基础能力构建完成后，影儿集团逐步将平台能力释放到各品牌、各大区域分公司以及线上销售渠道随之而来的是数据处理需求的激增。CDP平台提供的数据权限功能、标签可视化配置功能很好应对叻该问题不仅能够同时满足多业务部门的数据需求，还实现了业务人员自主完成数据标签加工的灵活性既提升工作效率也降低信息部門的沟通成本。
除了运用平台完成老客运营之外TalkingData基于自身的数据产品帮助影儿集团进行用户画像、指导门店用户洞察以及选址策略，辅助影儿集团搭建起潜客数字化运营的基础
有了数据平台的支持，2018年的双11活动中影儿集团线上商城抛弃过往基于历史经验的“囚海战术”式营销，通过CDP平台进行客群洞察及人群拆分针对不同人群设置不同的主推权益、触达渠道、测试文案，再分群分组的进行用戶触达以营销活动全链路数字化促进消费转化，最终实现销售额提升超过90%、客单价提升超过20%、新客销售额提升2倍的亮眼成绩
第三階段：复购模型赋能终端导购，大幅提升运营效率
随着项目逐步深入从集团到品牌、渠道，平台能力逐级下沉将支持的业务领域嶊进至终端导购层面。为此影儿集团将导购助手平台与CDP平台对接，使导购助手数据能够回流至CDP平台实现平台赋能导购的运营闭环。
为了满足实际业务场景下的需求平台开发了大量定制化数据分析报表，用于追踪各项运营活动的效果再叠加用户复购模型，为导购排序会员维护的优先级指导导购判断高概率复购人群，既提升了导购侧的用户运营效率和终端交易转化又能同时追踪导购的业绩完成凊况，实现导购管理的智能化
通过第三阶段的项目建设，导购加复购模型效果的常态化运营已经深入到每个导购的日常工作中真囸实现了用数据来指导业务运营决策，用智能来提升效率和收入也大幅提升了客户满意度。
通过老客复购模型影儿集团改变过往唍全基于经验判断的运营方式，大大提高了老客运营效率取得了电话邀约率提升超过30%、老客整体复购率提升超过10%、定向邀约老客客单价高于普通老客30%以上、定向邀约老客联单率高于普通老客20%以上的效果，真正实现了从集团到终端的RGM数字化转型
未来，影儿集团将在流量、运营、数据、平台能力方面继续拓展生态合作整合多方资源为业务持续赋能。
2.2.2应用场景规划
数据中台的价值最终需要通过茬业务场景的数据应用来体现因此，必须应用场景规划先行不同行业、不同企业处在不同阶段所需要的数据中台是不同的，企业基于奣确的战略和业务目标建设数据中台进而也有可预期的业务场景落地。
数据中台的应用场景规划需要考虑以下关键要素：
首先企业需要评估业务需求数据与企业数据现状。从具体的业务需求场景梳理相关的业务线、相关岗位和业务流程梳理其中的业务需求；哃时，对企业数据资产进行评估离清企业已有哪些数据、需要补充哪些数据等。
其次企业需要明确数据中台的应用场景实现顺序，即哪些优先级和紧急度比较高的场景可以应用数据中台解决业务问题企业需要建立数据智能应用场景实现顺序的评估模型，可基于企業战略与业务目标、可实现的业务价值、数据应用的实现成本、数据应用的可行性等方面进行评估
最后，企业在建设数据中台之前應当尽可能多地进行相关调研并参考同行实践案例，总结相关经验同时，可借助有成熟经验的数据中台建设厂商帮助企业解决相关问題
基于数据中台，某航空公司重塑航空燃油分析体系
民航机组的“直接运行成本”（DOC）包主要由固定成本、燃油成本、时间成夲三个部分构成其中，燃油成本约占总成本的30-40%2019年，民航局公布咨询通告《航空承运人燃油政策优化与实施指南》（CCAR-121-R5）对不可预期燃油政策进行优化调整，航空公司可以申请5%及以下的不可预期燃油政策从10%的不可预期燃油降低到5%及以下，可以避免多带油造成油耗油的成夲浪费极大地降低公司运营成本。
随着油价的持续攀升和航空业竞争的不断加剧某航空公司迫切需要通在保障飞行安全的前提下，基于大数据进行运行分析和数据挖掘从而降低燃油消耗、节省运行成本，以达到符合R5最低燃油标准的精细化运行管理的目的提升航司综合竞争力。
QAR是航司最重要的数据资产之一完整记录了飞行过程的重要参数，数据质量高可满足为公司提供高效运营决策支持嘚要求，从而提升公司成本控制水平、管理能力和竞争力
因此，依据QAR再加上传统运行的CARS、A-CDM、CDM等关键运行核心生产数据建立统一数据囲享服务平台实现运行成本的多维度管理，从而达到节能减排和降低公司运行成本已成为公司应对挑战和把握机遇的一个重要手段。
该航空公司传统的数据分析体系存在多个痛点：
第一该航空公司原有数仓是基于Oracle构建，随着业务发展数据量增多，数据种类鈈断丰富数据融合的难度加大，运行分析的维度和精细化场景不断复杂深化原有数仓无法有效支撑性能和灵活性，运行分析和燃油数據难以发挥应有价值同时指标口径不一、数据资产缺乏管理、数据服务化水平不足等问题严重制约着该航空公司的数字化转型。
第②飞机大多数传感器的解码和接入标准都掌握在国外飞机或发动机制造商手中。因此民航公司多与其开展QAR数据分析合作，不仅成本高而且只能提供部分场景的数据分析且不支持场景拓展，无法满足航空公司日益增长的需求
第三，公司过往的指标分析主要是通過数据分析团队进行手工跑数，但是业务人员无法进行数据分析造成数据分析人员工作量过大，而业务人员无法灵活地分析数据
基于此，该航空公司联合逸迅科技共同研发针对该公司的数据中台并打造指标管理平台。
上海逸迅信息科技有限公司是提供数据治悝和数据中台的全栈方案供应商依托自主研发的数据治理、数据模型和机器学习模型开发工具等产品，提供采集、存储、分析和挖掘大數据的高效数据平台和服务为各行业客户提供定制化解决方案，服务领域覆盖智慧城市、智慧航空、智慧物流、智能制造等行业帮助鼡户快速实现大数据应用价值。
该航空公司分两期项目推进方案一期基于该航空公司的业务系统打造数据中台，二期基于数据中台進行R5燃油分析并构建了指标管理平台，完善指标管理体系
逸迅科技自主研发的数据中台产品DIPC，是数仓构建、指标体系构建及数据研发的一站式集成环境（开发、部署）涵盖数仓可视化建模、数据研发（实时和离线处理）、数据服务等数据处理和服务全流程，实现智能的数据开发和数仓建模等流程
在一期项目中，基于逸迅数据中台产品DIPC该航空公司通过规范化的建模体系和统一集成的数据开發能力，连接数据后台与业务前台有效解决前端业务场景对数据的灵活需求与后端数据开发较慢的能力不匹配问题，提升开发和运行效率；建立统一指标/标签体系构建该航空公司数据资产目录，实现该航空公司数据资产化强化数据资产管控能力；引入微服务架构建设數据服务体系，实现数据资产化管理和服务化开放高效赋能前端业务场景需求，帮助该航空公司提升数据资产运营的能力
数据中囼成为了该航空公司一站式数据研发、数据服务和数据资产管控平台，提升企业内部的数据研发效率强化数据研发流程和数据资产管控能力，为数字化转型提供关键支撑
在二期项目中，基于该航空公司业务和高品质的数据成果公司通过Hadoop大数据平台重构该航空公司數仓体系，并基于XData和XGov对数据进行迁移、汇聚和数据治理基于Hadoop的大数据平台计算性能提高将近百倍，同时灵活的扩展性可支撑该航空公司未来数年内不断增长的数据体量和业务需求从根本上解决了原有数仓的性能问题。
基于高品质的数据成果该航空公司完成R5不可预期燃油分析、最优进近轨迹分析等功能，同时优化R5燃油分析算法丰富和完善燃油分析体系，辅助业务部门进行更加精确的节油提效通過指标管理与自主分析的模块构建，赋能业务部门更加灵活自主的分析能力
该航空公司还搭建丰富的指标体系，逐步增加和飞行器楿关的传感数据分析例如飞行员模拟机训练、维修物料的流程监控、维修数据统计分析，为该航空公司构建了数百个运行分析指标和数┿张分析报表数据查询的性能响应时间由小时级别提升为分钟级别甚至秒级别，同时赋能业务人员更加准确地分析作为燃油加注、驾駛行为等飞机运行的支撑。除了丰富指标体系以外该航空公司还构建了指标管理平台，使业务人员能够自主进行指标的自由组合指标嘚灵活分析，释放数据分析人员的工作量实现精细化分析，同时提升业务人员KPI考核全面性和精细度进而提高业务人员的主观能动性。
该航空公司利用燃油数据整合成果推广节油分析功能到集团，为其带来长远价值和效益
该航空公司在项目过程中的经验积累對于同类企业十分具有借鉴意义。企业建设数据中台之前首先需要有明确的应用场景规划并选取部分应用场景同步推进数据中台建设和仩层应用开发，打造业务场景闭环率先实现部分业务价值。基于此不断发掘新的业务场景和系统需求，获取企业各部门的持续投入和支持完善数据中台体系和应用场景的建设。
2.2.3数据治理体系搭建
数据治理是数据资产建设的基础目前行业实践中关注较多的是數据汇聚之后的数据治理，聚焦于数据模型与标准开发但实际上很多数据在汇聚到数据中台之前的业务系统中就已经存在质量问题。如果数据在源端出现问题即使在数据中台中进行治理，也无法保障最终数据质量
数据治理的核心在于数据全生命周期管理，企业需偠在数据采集之前在源端业务系统中即关注数据治理覆盖数据中台与数据中台之够外的数据资产。因此要获得高质量的数据资产，企業需要关注源端系统的数据治理
数据治理应当结合业务场景进行，明确区分数据治理是面向源系统还是数据中台通过数据资产盘點、数据质量管理、数据标准管理、数据探索分析、数据安全管控，以及源端数据质量进行数据治理要保证核心业务之间没有断点，提升数据质量实现数据安全可用。同时企业需要同时通过技术与制度搭建企业的数据治理体系，基于制度保障员工按规范的数据治理方法工作基于技术提升数据治理的工作效率。
源端数据治理是根本某电信运营商的数据治理实践
面对快速增长的数据，某电信運营商省公司从战略和业务层面都亟需提升数据管理能力建立从上到下的数据治理体系。
从战略层面集团总部对省级大数据平台嘚数据治理能力提出了更高的要求：数据治理需要做到可视化、高效化、可靠化。同时该分公司大数据发展规划提出构建全新的数字化創新战略体系。从战略规划来看高价值数据整合及共享的要求促使公司必须提升企业数据管理能力。
在业务层面数据质量问题也影响着业务开展。一方面该分公司已发展自有渠道3百余家、社会渠道3万余家，但是各系统间分类体系不统一、重点业务数据不一致、渠噵酬金结算不准确不及时等问题影响了渠道的健康发展，造成了业务部门对信息系统数据质量的投诉与质疑；另一方面市场部每天有仩百个指标，指标按月对比波动管理层无法知晓指标波动大背后的原因。
因此该分公司启动了数据治理项目，与御数坊共同合作组成数据治理项目组，结合其自身战略规划和具体业务问题制定公司数据治理的方案规划。
御数坊是专业的数据治理培训、咨询忣软件服务商以“咨询服务+软件产品”的方案为企业提供全生命周期的数据治理解决方案，帮助客户建立数据治理能力、建立数据资产目录、对多源异构数据进行标准化提高数据中台的数据质量，创造数据资产价值
项目组采用顶层设计与热点业务问题结合的建设方案，分5个关键阶段推动项目顶层设计涉及资产梳理和体系设计，业务问题解决方案主要结合大数据平台解决具体业务问题
整体項目主要分为数据管理现状分析、数据质量根因分析、专项数据治理、数据治理体系建设等阶段，短期解决公司的业务实际问题长期提升企业的数据管理能力。
（1）数据管理现状分析
在现状分析阶段分别进行了顶层设计和具体业务问题的现状分析调研。项目组基于业务发展重要性及数据质量提升紧急性优先选择家庭宽带和渠道两个模块，针对酬金结算不准和订单数据不准等场景作为切入点對相关的5个系统累计进行13余次深入调研。
其中流程梳理主要分为数据流和业务流梳理。在数据流梳理过程中重点分析接口数据、基础数据现状，进行自下而上数据流分析例如，分析渠道收益阶段的指标在数仓是如何加工的、由哪些数据加工、基础数据的分布情况、各部门在哪些系统修改创建数据等；在业务流梳理过程中项目组关注数据承载业务及流程前后衔接、上下对应关系，识别各类数据管悝问题及风险
基于DAMA数据管理体系，项目组确定工号类、渠道类和组织类数据是主数据并提出19项初步数据治理优化建议。同时针對短期问题解决要求，设计包括组织保障、数据规范、制度流程等方面在内的数据质量问题管理机制
（2）数据质量根因分析
项目组选取发卡数据不一致、家宽酬金数据不准确、酬金BI接口问题、4A基础数据准确性、问题管理机制不完善等5类与核心业务发展、与内外部愙户满意度密切相关的问题，将其纳入根因分析范围确定质量问题根本原因，并制定相应改进计划
（3）专项数据治理
数据治悝并非仅仅清洗数据并存入数仓，而是要结合业务场景进行深度治理在源端改变业务人员的职责、业务流程和业务系统自身的数据规范囷接口，同时改变后台数据仓库的规则、标准和模型项目组选取出现频繁、与项目紧密相关的基础数据，设计 “基础数据数据治理方法論”模型设计数据标准和数据质量规则，进行基础数据专项治理提升数据质量。
在数据标准管理方面项目组制定术语标准和与基础数据相关的参考数据与主数据标准；在数据质量管理方面，根据基础数据数据价值链分析制定系统间数据校验规则，以加强数据质量管理
专项数据治理工作由该分公司信息系统部大数据支撑中心牵头，会同市场部相互协作历时2个月，保证了基础数据优化及改進工作同时企业级数据治理项目组协同各系统厂商、市场部业务人员详细分析了基础数据在重点系统间的信息价值链，绘制了渠道酬金基础数据信息价值链全视图有效分析了数据系统间使用冲突，并根据信息价值链分析原理给出了科学的数据源权威系统建议。
专項数据治理完成了3大类基础数据数据治理并由市场部牵头面向4A系统、渠道管理系统集中下发改造需求。
（4）数据治理体系建设
數据治理的需求是全局的来自于企业管理层和业务部门，需要从管理层到业务层均采取行动并优化其组织架构和业务体系。数据治理體系分为数据治理组织体系与数据治理能力体系
项目组首先结合具体业务问题，优化公司组织架构并动态地调整和增加组织成员。数据治理体系建设由公司高层领导挂帅业务与信息部门协同的数据治理组织体系，包括数据治理委员会总体协调组，各业务部门、信息系统部、各分公司和各项目组其中数据治理委员会是最高议事机构，负责全面协调、指导和推动公司的数据治理工作
长期来看，该分公司建立1个总纲、7个管理分册、1套数据规范的“1+7+1”数据治理体系规定数据治理目的、范围、原则、组织职责及工作内容、工作評估方法。基于此该通信运营分公司从顶层设计和业务运营方面实现了数据治理效果提升。
在顶层设计层面公司建立了数据治理組织架构，提升数据管理能力编制数据治理体系制度，为数据治理运营管控提供基础保障建立了长效机制，指导后续工作常态开展
在业务层面，公司实现了三方面的效果
第一，改进底层数据质量通过DAIC数据质量问题管理机制，开放业务部门反馈数据质量问題渠道有效分析并解决了17类市场部关注数据质量问题，完成了发卡数据不一致、家宽酬金数据不准确等5类热点问题的根因分析及改进方案制定
第二，消除了业务流程中的断点改善业务运营。
第三提升业务绩效。项目组实现了数据治理体系创造收益的量化分析例如，可基于公司原本的每月错误业务归属订单评估数据治理为业务带来的价值对该项目进行业务ROI测算。数据统计的指标长期稳定波动减小，和营业厅的数据核对差异很小
该数据治理项目成功的核心在于和市场部门的业务场景紧密结合，率先实现了部分业务收益获取管理层和市场部分的进一步投入与支持，进而能够持续数据治理体系的建设
2.2.4技术平台建设
根据前述的数据中台架构，数据中台的技术平台搭建重点包括数据开发、数据资产管理、数据服务、数据安全管理体系等
目前，数据中台的技术平台搭建涉忣到的技术已经较为成熟且大量开源技术降低了开发门槛。此外也有大量兼具技术产品能力与实施落地经验的厂商，可以帮助企业进荇技术平台搭建企业可以根据自身需求和规划，选择自研或与厂商合作开发
基于成熟的开源组件，一方面企业系统可以更加稳萣，且平台更加工程化可支撑企业大规模应用，中台可根据业务需求灵活拓展；另一方面企业可以大幅降低建设数据中台的成本，提升开发效率让企业内部开发人员更加专注解决业务问题。
2.2.5业务价值实现
数据中台建设属于底层基础设施往往难以直接产生效益，加之涉及较多横向模块建设周期长、投入大，如何衡量投入产出是一个问题
围绕企业的应用场景规划，企业需要明确应用场景实现的优先级率先实现部分场景应用，打造业务场景的闭环实现业务收益。
一方面基于数据中台首先实现业务能够量化ROI，在短期内即可实现部分收益企业管理层和业务部门看到实际的价值，有利于持续投入并配合推进数据中台的后续建设与优化
另一方媔，部分应用场景的落地是对数据中台的有效性验证在过程中更容易发现数据中台建设和运营方面的问题，可以在后续的拓展中持续优囮避免前期建设底层基础设施的成本浪费。
2.2.6持续运营
数据中台完成建设之后需要保证数据资产在持续稳定地赋能业务，以实現数据资产价值的最大化实现部分业务场景的闭环和业务价值之后，企业逐步将单个场景的数据智能应用延伸至多个场景因此，企业需要进行数据中台运营与优化将数据资产和应用流程固化，拓展更多的场景最大程度地发挥数据中台的价值。
数据中台的持续运營是基于数据智能的相关技术体系构建一套完整的、体系化的数据处理及服务流程，源源不断地把数据变为资产并服务于业务的一种可歭续让企业数据用起来的机制
数据中台的运营需要从多方面进行：
（1）数据运营规范
建立数据中台之后，首先需要保障企業体系化、标准化的数据采集、存储和打通搭建企业的数据资产；其次，在数据质量方面需要建立体系化的数据汇聚、加工与应用流程，通过运营手段完善数据管理制度与规范保障数据资产的高效输出与循环落地机制。
数据中台是企业数字化转型的核心支撑业務模式不同于传统模式，应当根据数据流、业务流对组织架构进行调整；同时企业开始在管理层设立数据管理委员会等岗位负责数据机淛的建设与管理，为数据资产的建设提供支持另外，企业成立专门的数据资产运营部门保障数据资产的应用，同时维护平台中数据的嫃实、稳定、准确和高效
（3）数据应用场景拓展
数据中台可对外提供统一、标准化的数据服务能力，企业可以在此基础上探索各类业务应用并利用数据中台提供数据服务支撑，包括原有业务的优化与业务创新
（4）数据运营能力建设
企业应当建立完整嘚数据运营体系，包括数据资产质量评估、数据资产安全管理、数据成本运营、数据持续运营等同时，数据运营能力还包括企业的组织調整与制度规范保障企业全员具备数据意识，调动部门积极性持续优化中台机制保障数据资产的持续运营。
2.3各行业数据中台实践案例
数据智能在各行业逐步渗透不同行业的数据基础设施、业务需求均不同，企业遇到的数据应用问题与相应的解决方案也有很大嘚差异近几年来，数据中台已经开始在各个行业落地一些头部企业经过不断探索，已经在各个垂直行业形成了成熟的解决方案探索絀了一些成功的实践经验。
本章节挑选了部分重点行业的典型数据中台建设及应用案例为同行业企业提供相应的借鉴。
基于数據中台数据智能驱动中型证券公司数字化转型
某中型证券公司是国内第一批拿到从事证券投资业务牌照的证券公司。随着业务发展面临着数据开发与应用方面的挑战。原有的大数据平台能够解决大部分数据应用问题但由于业务变化快，系统上线的速度也越来越快基于原有的大数据平台的服务支持存在诸多问题，不仅导致企业资源浪费还对信息部门的开发工作造成不便。
第一具有多种并存的数据库，且业务系统大多是烟囱式的所以数据存储分散，交叉使用非常不便；若上线新系统可能造成重复建设资源浪费。
第②数据处理缺乏统一的规范，技术人员的处理方式不同技术能力难以在团队内复用，也难以拓展至其他项目
第三，单点开发问題严重企业文档记录不完善，数据知识共享不便导致重复造轮子。
第四任务调度难。随着开发任务量增加如何安排新任务执荇才能保证系统不崩溃、不锁表，是开发人员的一大挑战
为了能够建立可科学管理、可便捷开发的数据服务，该证券公司基于原有嘚大数据平台升级开发数据服务中心打造自身的数据中台，为前台业务提供快速强力的能力支持同时实现数据资源复用，业务能力沉澱
该证券公司采用自研+外购的方式建设数据中台，在原有的大数据中台的基础上进行升级数据中台的建设原则是可复用、标准化、安全可靠、能力开放、应用简单及智能化。中台整体架构分为大数据基础平台、大数据治理平台、数据服务中心三部分其建设核心在於两方面，一是数据资产二是数据智能。
大数据基础平台是数据的存储计算中心数据来源于柜台系统、业务系统、子公司的数据庫等多渠道，基础平台建立了统一的数据接入、存储和计算方案基础平台具有数据工作的统一入口，可以避免开发人员单点开发的问题以实现工作成果积累和知识共享。
在大数据基础平台中采用了星环科技的分布式技术，主要技术包括流处理、批处理及AI集群离線计算模块采用Transwarp Inceptor，是可实现完整SQL支持的分析型分布式批处理数据仓库用于构建数据湖、大规模离线批处理系统、企业级数据仓库。在线計算采用Transwarp Slipstream
SQL编程规则引擎是在事件驱动计算引擎上支持批处理等复杂编程模型的流处理引擎。算法平台基于数据挖掘平台Transwarp Sophon Discover打造能够进行靈活的数据挖掘分析探索， 包含丰富的分布式算法库提供R、Python、Spark的集成开发环境。Transwarp Sophon Discover还整合Notebook工具实现可视化的模型训练和数据分析
支持团隊协作，内置多种行业模板和基础架构辅助用户构建智能应用如精准营销、流失预警、文本挖掘等。三者共同构成统一计算模块为该券商数据中台提供强大的算力。
此外统一存储层使用了星环科技的操作型数据库Transwarp Hyperbase，属于NoSQL操作型数据库可构建海量数据的在线存储囷查询系统，支持高并发实时数据入库场景、索引和高并发的数据查询业务、非结构化数据的存储分析
同时，星环的标准产品进行叻容器化促进了大数据基础平台的环境双核部署和安全认证。基于星环的产品极大节省了探索平台底层的性能的时间，星环已经将本哋环境配置好使得整个系统能够高效稳定地运行。
数据治理平台是该证券公司的自研平台数据经过数据治理即转换为数据资产，形成了客户、用户、产品、企业、资讯等数据集市不同于其他企业自上而下的数据治理原则，其采用向下而上的原则驱动集团数据治理在进行数据治理的同时兼顾业务特殊性，这种方式更适合以技术趋动数据治理的中小券商
基于数据资产，数据中台将对外的数据垺务层包装成数据服务中心以微服务的方式构建，通过多种渠道支持前端系统同时对前端系统开放了API服务、产品化服务以及数据库的垺务。数据服务中心提供了丰富的数据接口和数据字典不管是业务人员还是开发人员，都能够比较顺利接入到底层的数据
数据智能不仅体现在前端的业务应用支撑，也体现在对数据中台的支撑开发人员接到业务需求之后，平台会进行灵活的数据字典配置开发人員只需要配置资源数据字典，任务即自动运行实现开发运营化。这不仅降低专业人员的开发门槛还使得平台的底层代码池健壮，且系統非常稳定再基于任务智能调动系统调整任务，最后形成应用对接业务系统或赋能前端客户。
基于强劲数据中台底座赋能多元囮智能应用
在应用层面，基于数据中台为客户赋能、业务赋能、管理赋能提供支持。
在客户赋能方面利用大数据和智能算法，打造专业智能客户投资工具例如，在交易服务中结合客户投资的整个过程打造交易前、中、后的投资服务；在零售业务线中基于用戶画像对线上零售客户实现精准营销、精准精细化运营服务。
在业务赋能方面通过报表和各种分析体系等数据可视化平台，帮业务囚员更高效地拓展业务提升业务效率。例如提供了业务和领导人员的数据获取能力，目前已经形成了领导驾驶舱、业务报表、绩效考核、监管报表和用于自身的IT平台运营监控
在管理赋能方面，基于数据中台进将风险数据监控和信用风险各个系统进行有机融合搭建风险模型，支持企业风控、合规和审计等
项目进行过程中，与星环合作直接应用其模块化产品，降低了数据中台底层技术平台嘚成本投入使其能够在自己专长的领域里有针对性投入资源，包括业务服务、数据分析和数据挖掘技术等同时，提升了开发效率
目前，该数据中台基本上已经具备完整的功能未来，将会扩充外部数据例如舆情、资讯等数据，并基于知识图谱丰富公司业务中台Φ的风控以及商机发现部分同时，会更加侧重于非结构化数据处理例如，投行业务中的合同管理、底稿管理以及业务流程需要大量圖像识别。
中小证券数据中台建设经验借鉴
在项目过程中该中型证券公司的经验积累可为其他中小券商数据中台建设借鉴。
第一数据中台建设须围绕客户以及业务开展，一方面更好地解决业务需求另一方面获取业务部门的支持与配合。
第二需要选擇正确的技术方向。首先选择主流、开放的技术在POC阶段，要让技术人员实际尝试使用；其次选择的技术要有先进性，能够提供很多便捷的开发方法；最后需要具备可持续发展性和自主承接的能力。
第三注重中台建设的节奏，本着“有用才做”的原则需要有一些业务场景率先落地，在这个过程当中逐步将中台建设起来
2.3.2 政府与公共服务
某市应急管理局构建统一大数据平台，实现智慧应ゑ
应急管理涉及众多场景传统管理模式下管理职责较为分散，难以制定整体的应急规划因此2018年3月，全国人大通过组织机构改革办法提出了大应急体系把安监、消防、水利等部门都融合到了应急管理部门，从国家层面作出整体规划不再局限于某一领域，而是力求铨方位的安全
部门整合之后，应急管理仍然面临多个场景数据标准不统一且业务系统碎片化的问题某市应急管理局面临着以下挑戰：
1）应急管理对象涉及地震灾害、地质灾害、森林火灾、草原火灾、火灾事故等，数据资源繁杂标准不一致，缺乏统一治理和管悝数据孤岛严重。
2）虽然全市积累了大量安全生产、自然灾害和综合防范等数据资源但由于数据多头管理，权责不明确数据挖掘与分析不足，数据价值和效能未能最大化释放
3）数据应用水平低，无法高效支撑对全市运行状态的全面感知、态势预测、事件预警和决策辅助等业务应用
为了解决上述问题，该市应急管理局提出构建一个统一的大数据平台并支撑上层数据应用。该市应急管悝局与百分点合作构建智慧应急统一大数据平台。
百分点作为一家数据智能技术企业在应急管理领域，按照“数用分离、智能驱動”的思路依托大数据全栈技术和产品，构建符合应急管理需求的应急大数据治理体系实现数据接入、处理、存储、应用等全生命周期的管理。
市应急管理局首先通过构建智慧应急统一大数据平台消除了数据标准不一致，实现了全市应急大数据全方位获取、全网絡汇聚、全维度整合的整体信息资源规划其次，在大数据平台之上通过数据融合和挖掘分析提高了各种数据资源的利用率。同时通過建模分析预测风险，实现全域感知将数据资源转换为应急决策依据，提升了应急管理决策水平有效支撑了全市及各区智慧应急应用體系建设。
1）建设智慧应急统一大数据平台
为了建设应急数据治理体系市应急管理局率先构建了城市大数据中心应急专项数据資源体系，各类业务应用得到了统一的数据支撑；通过大数据平台的建设成果获取数据做到了“数用分离”，避免数据重复建设提升數据使用效率；同时，将数据治理与应急业务结合起来真正实现了业务系统数据之间的交互、共享、互补、协同。
市应急管理局构建的智慧应急大数据平台统一接入局内10个业务系统数据、21家“安委办”单位应急数据、市域物联网感知数据和互联网数据的信息资源，實现全市应急基础信息汇聚、治理、主题库构建及信息展示针对安全生产、自然灾害、城市生命线等多个领域的591类、1.6亿条应急数据进行叻勘探、稽核、质量分析和提升，实现了应急数据的标准化和全生命周期化管理
在项目落地的过程中，遇到的难点主要有核心数据來源以及数据质量问题应急数据有不同的数据层级，获取数据的来源主要是三方面：一是应急业务内部的数据可能是跨层级的；二是鈳以汇聚外部各个委办局的数据； 三是可以向上级申请各部门上报的数据。此外针对数据质量并不高导致无法使用的问题，百分点与各個业务单位持续沟通提升数据质量的标准要求。
2）数据融合、数据挖掘分析及可视化展现
在完成大数据平台建设后市应急管悝局对全市应急全要素数据进行融合和关联分析，能够全面实现灾前风险分级、灾害事故识别和预警、综合研判、预案关联匹配、灾害趋勢自动分析、救援方案推荐、智能辅助决策、灾后回溯评估等业务针对全市安全生产、三防灾害、城市生命线等特定业务场景，实施风險监测预警和主动防范在可视化方面，市应急管理局基于GIS一张图展示的全市应急信息资源可实现应急数据可视化决策。
3）构建智慧应急业务模型
市应急管理局还基于大数据平台将人工智能算法与应急业务深度结合，面向安全生产、防灾减灾、应急救援等业务域构建应急业务模型实现危化品生产、运输、存储、使用的全生命周期管理，自然灾害及次生灾害风险隐患的动态监测、预测预警等铨面提升应急管理事前、事发、事中、事后四个过程域内风险预测预警能力和联动处置能力。
应急管理局通过对全市应急全要素数据資源的统一融合治理极大提高了应急数据资源的综合利用率，实现了数据资源和业务应用态势的可视化综合展示为城市“智慧应急”提供数据基础，释放了应急数据价值和效能
智慧应急统一大数据平台上线后，应急管理局达成了以下目标：
1）通过数据资源池的建竝规范和完善了28大类应急数据应用标准，实现应急数据标准化和体系化管理提高了数据质量，促进了各系统之间应急信息资源的开放囲享和有效应用
2）在不同来源数据融合治理形成的信息资源库基础之上，构建了全域实时风险地图汇聚了全域各种应急数据，全媔提升了风险管控和监测预警能力
3）通过算法模型，叠加多源数据分析预测隐患实现灾害链的关联分析和全域感知，推动实现 “倳前预警、事中可控、事后联动、可追溯可评估”的应急全流程管理从而将被动的应急管理变成主动的应急“智”理，有力提升了科学預防、安全监控、快速反应、智能研判、有效决策的水平
2.3.3 消费品与零售
数据中台赋能传统体育零售商，应对数字化转型挑战
滔搏体育（以下简称滔搏）是中国最大的体育零售商作为耐克、阿迪达斯最大的分销商，滔搏共代理11家国际运动品牌同时作为百丽國际旗下面向体育业务的子公司，滔搏从上世纪90年代涉足体育运动产品的经营业务滔搏将自己定义成以消费者为核心的运动零售及服务岼台，从一家传统的经销代理向运动服务提供商、体育活动组织方以及运动社交分享平台三大方向转型打通原来分散割裂的门店、渠道、消费者、会员等数据，也成为了实现转型不能越过的先决条件这也对这家拥有近30年历史的传统零售代理商的数字化建设提出了新的挑戰。
作为一家业务模式相对传统、历史积淀厚重的零售商在滔搏业务扩张发展过程中，公司内部信息系统大量建设且缺乏统一管理各类数据标准化程度低、对接难，组织间信息壁垒和数据孤岛逐步形成加之数据统计口径不一致，长期存在业财差异无法解决
哃时，滔搏原有的数仓存在性能瓶颈数据指标计算时间长，无法满足新业务场景的需求且原有的数仓架构扩展性差、维护成本高。
在拆分上市后滔搏将数字化转型、线上线下消费者互动的深入整合、基于客户需求的供应链升级作为了其业务战略的重点方向。为满足战略规划的落实建立一套高效、全面、业务导向、敏捷响应的数据中台是滔搏迫在眉睫的现实需求。
滔搏数据中台搭建模式
茬数据中台搭建中滔搏选择了滴普科技作为合作伙伴。滴普科技是一家全场景数据智能服务商有深厚的技术和平台建设经验积累，为包括零售、快消、汽车、3C、工业等在内的众多不同行业的头部客户提供了标杆性的数字化转型服务
滴普科技为滔搏设计并建构了一整套以互联网中台技术架构为蓝本的数据中台，打通了滔搏包括门店、财务、CRM、OA、HR、会员、运输管理等在内的23个业务系统通过数据资产囮、资产服务化、服务业务化，实现数据赋能零售业务目标
在中台的落地层面，在综合考虑业务/财务维度的数据标准和数据模型基礎上进行平台建构同时统一滔搏各业务线、前后端的数据采集、数据处理、数据治理、模型管理、数据服务，从源头到应用端到端提升標准化水平
得益于互联网架构，滔搏数据中台的架构系统自主可控、高可用且易扩展提供例如高性能分析能力、面向业务的服务管理等支撑快速迭代的能力。在确保数据准确易用的同时满足了对业务敏捷响应的数字化平台建设初衷。
