在企业推进数字化转型的过程中,挖掘数据的价值以赋能业务已经成为普遍共识。如何实现数据驱动业务的场景化落地,成为企业当前亟需解决的关键问题。

　　 数据应用逐步走向平民化,一线业务人员和数据分析人员成为数据应用的重要终端用户;

　　 行业内数据智能应用领先企业开始赋能行业上下游生态,将数据智能应用能力对外输出。

　　 数据中台已成为支撑企业数字化转型和数据智能应用的新基础设施,建设数据中台是推进数据智能应用的有效手段;

　　 数据中台建设是“一把手工程”,涉及企业各业务部门与系统,需要顶层战略规划先行,自上而下推进,并与组织与业务变革协同;

　　 数据中台建设需要以明确的优先应用场景为先导,以实现快速落地和验证业务价值;

　　随着技术发展,各行业的数字化转型都在不断深化,正逐步进入数据智能时代。相比于传统业务模式,在数据智能时代的新业务模式中,数据成为业务系统的核心,企业业务由原先的经验、流程驱动逐步转向数据驱动,企业具备面向全量数据进行数据治理的能力,同时可在数据全生命周期范围内挖掘数据价值,驱动业务决策,整个系统的迭代速度快,商业价值高。

　　同时,随着企业数据量不断拓展,数据中台开始兴起,中台汇聚企业的业务数据,通过自动化、智能化的数据采集与汇聚,将实时与离线数据打通关联,深度挖掘数据价值,将数据资产化,并开放数据服务至各业务场景中,具备汇聚整合、数据提纯加工、数据服务可视化、数据价值变现等核心能力。

　　数据智能在不同行业的应用成熟度有所差异,这由各行业的数据积累、基础设施、应用场景等多方面决定。在金融、品牌营销、政务等行业渗透率较高,大部分企业已经开始建设中台,营销与风控是数据智能的主要应用场景;而在传统工业等数字化基础设施薄弱的行业仍有大量数据洼地,数据智能渗透率低。

　　未来,随着国家大力发展新基建、新技术逐步成熟,传统行业对数据智能的认知增强,各行业数据基础设施逐步完善,数据智能的渗透率将会进一步提升。在金融领域,除了常见的营销、风控以外,还将拓展至市场监管、智能投研等;行业主体也将从银行、保险延伸至证券、基金等;同时,智慧城市与政府公共服务领域将成为数据智能应用的重要行业,包括智慧交通、智慧政务、智慧安防等;在工业领域,供应链管理、智能运维等将成为数据智能率先渗透的场景。

　　爱分析认为,随着企业数字化转型需求的推动和人工智能、5G、物联网等技术的发展,数据智能将会加速渗透传统行业,呈现出以下趋势:

　　 企业大部分数据为非结构化数据,传统基于结构化数据搭建的数据中台难以应对海量非结构化数据应用的需求。未来,企业将针对非结构化数据搭建和优化底层数据架构,同时,融合知识图谱、机器学习等技术,挖掘非结构化数据的价值赋能企业业务。

　　 随着数据智能应用的深入,企业追求快速响应的业务需求以及实时计算、流处理等技术应用的成熟,数据智能在传统行业业务场景中的应用实时性需求将不断提升。

　　 过去,企业数据开发和应用的参与者和服务用户主要是IT部门和企业决策层,随着企业数字化转型加速,企业业务与数据紧密相关,应用场景不断拓展,要求数据应用走向平民化,数据应用将拓展到普通业务人员及数据分析人员,自助式报表分析和自助式AI建模等工具将加速数据应用平民化的趋势。

　　 传统企业主要在内部搭建数据中台,支撑自身业务变革。部分行业中领先企业随着自身数据智能应用走向成熟,开始将数据智能的能力对外输出,赋能产业链上下游,构建产业数字化生态。

　　爱分析基于对金融、消费品与零售、政府与公共服务等行业企业和数据智能厂商的调研,梳理了21个数据智能重点应用场景,涵盖特定行业及通用职能部门。同时根据调研,爱分析遴选出在这些应用场景中具备成熟解决方案和落地能力的代表厂商,如下图所示。

　　随着企业业务的线上化和数字化,核心业务交易场景下的数据并发量和响应实时性要求持续提升,要求交易型数据管理在保证高可靠性、一致性的前提下,能满足高并发、实时响应等性能要求;

　　随着数据处理规模和性能要求的提升,基于传统数据库基础设施进行扩容给企业带来巨大的成本压力,企业需要转向开源技术和分布式架构,降低总体拥有成本,实现弹性扩容。

　　能够提供面向不同业务处理需求的交易型数据库管理系统,帮助企业构建面向联机事务处理(OLTP)的数据存储与计算能力,满足高可靠性和一致性、高并发、实时处理等性能要求,并具备一定成本优势。

　　在数字化转型过程中,企业需要基于数据分析来支持业务决策,需要采用更适用于联机分析处理(OLAP)的分析型数据管理系统支撑数据分析场景,并满足对大量、多源异构数据进行处理分析的存储与计算性能;

　　面对业务部门分析需求和数据量的增长,企业面临分析型数据管理的成本压力,需要转向开源和分布式架构,实现更灵活的扩容能力和更低的扩容、运维成本。

　　随着企业数据应用的深入,业务部门对数据分析响应速度的要求提升,需要降低数据分析工具使用门槛,让业务人员可用。

　　能够提供面向不同分析场景的分析型数据库管理系统或数据仓库,帮助企业构建面向OLAP的数据存储与计算能力。同时,产品需要具备较高的存储与计算性能,支持灵活的分布式架构部署、弹性扩容和精细化的资源管理,具备面向业务人员提供数据分析服务的能力。

　　企业数据来自于多个业务部门和渠道,且数据标准不同,需要制定可参考、可落地的标准,构建完善的数据治理体系;

　　能够基于企业业务场景和数据治理需求提供咨询服务:进行数据资产识别、梳理、补录等数据梳理工作;搭建企业数据模型,规范数据标准,实现跨业务跨系统数据拉通;提升数据质量,管控数据安全,帮助企业做出基于数据的更高效、更准确的决策;建立数据标签体系、数据画像,开放数据共享,实现数据可持续运营和数据资产增值。

　　企业不再满足于一般的报表与敏捷式仪表盘,数据分析需要能够解释和支撑业务,需要建立与业务深度结合的数据分析与可视化系统;

　　传统企业数据分析主要由数据分析人员进行,工作量大,业务人员也无法灵活地进行业务数据分析;需要建立灵活自助的分析系统,让数据分析人员、IT人员、业务人员均可灵活分析;

　　随着数据量增大,企业对数据分析的实时性和灵活性需求增加,数据分析与可视化成本增加,数据分析和可视化需要逐步走向云端部署。

　　能够为企业搭建数据分析与可视化平台。平台需要具备更强的数据源管理能力和深度分析功能;能够利用自助图表实时展现自定义指标,实现探索式分析与自助分析,满足业务需求;能够融合自然语言理解、知识图谱、嵌入式分析等技术,实现敏捷化、智能化的数据分析与可视化功能。

　　企业对数据的应用逐步走向智能化,产生大量预测性分析场景,对IT部门的AI建模能力提出很高的要求;

　　开发AI模型包含多个阶段,各阶段包含多种路径,各个路径又包含多组可选参数,组合数量过大,因此,AI建模需要大量成本。企业需要AI建模能够实现自动化、智能化、高效化,以提升建模效率,降低人力研发成本,提高人工智能的生产效率;

　　AI建模语言和工具学习门槛高,需要包含业务分析师、数据分析师、数据科学家等角色的专业数据团队,但大多企业往往不具备完善的数据团队,需要可低门槛使用的数据科学和机器学习平台,实现自助式AI建模。

　　能够提供自助式AI建模平台,能够基于自动机器学习(AutoML)技术,帮助企业实现机器学习的特征工程、模型选择、参数调优、模型部署、模型优化等过程的自动化或半自动化,从而降低企业AI模型开发的门槛。

　　传统企业缺乏数据服务能力,业务人员无法直接将数据应用于业务需求,需要进行数据开发和数据资产管理,并将数据资产转化为业务可用的数据服务;

　　数据开发涉及复杂的流程,技术门槛较高,面对多个业务部门的需求,企业存在重复开发和建设问题,造成成本浪费,需要建设企业统一的数据资产管理与服务平台,以实现能力复用与服务共享;

　　能够提供数据中台IT基础设施建设,具备数据集成、数据存储与计算、数据治理、数据开发、数据资产管理、数据服务等数据中台核心技术组件产品和开发实施能力;

　　具备咨询服务能力,能够根据企业所处行业特点、数据基础状况和业务需求,提供数据资源盘点、数据应用规划和数据资产运营体系搭建等咨询服务。

　　部分应用的架构从集中式转向分布式和微服务架构,使得企业中存在多种应用架构并存的局面,这种异构性使得故障的原因变得更为复杂,增加了运维人员的运维难度,企业迫切需要制定统一的运维标准,提升运维过程的自动化水平和效率;

　　随着业务创新对IT部门的响应速度要求越来越高,IT不但需要实现应用交付的敏捷化,更需要实现IT支持和响应流程的敏捷化、服务化;

　　随着企业数字化推进,IT运维不仅针对IT基础设施,还针对多业务系统,企业需要开展智能业务运维体系。

　　能够提供基于AIOps理念的监控运维管理平台,能够采集软硬件基础架构、网络流量、应用性能、业务性能等不同层次的运维数据,通过机器学习的方式来快速洞察人力难以解决的故障问题,预测可能造成故障的风险和隐患,提升IT运维效率,降低运维成本,保证业务的稳定高效运行;

　　在用户洞察方面,随着触达消费者的线上、线下触点不断增多,企业不同渠道的用户数据分散割裂,需要整合线上线下数据,为营销活动开展提供支撑;

　　在用户拉新方面的成本不断攀升,而广告投放等拉新手段的实际效果却难以掌控,企业需要依据效果广告精细化人群投放策略;

　　在用户转化与留存方面,用户流失现象长期存在,企业亟需提升用户互动的策略性和针对性,提升用户转化率和留存。