2021年中国数据中台行业白皮书.docx

《2021年中国数据中台行业白皮书.docx》由会员分享，可在线阅读，更多相关《2021年中国数据中台行业白皮书.docx（57页珍藏版）》请在三一办公上搜索。

1、Leoeso*l数据中台不是简单的一套软件系统或者标准化产品，更多的是一种强调资源整合、集中配置、能力沉淀、分步执行的运作机制，是一系列数据组件或模块的集合，为企业数据治理效率的提升、业务流程与组织架构的升级、运营与决策的精细化赋能。2020年数据中台市场规模达到68.2亿元。随着企业数字化转型驱动，市场需求将持续增加，数据中台行业增长势头明显，市场规模快速扩张，预计将在2023年达到183.2亿元。当前数据中台行业集中度较低，公有云厂商、数字化解决方案提供商、数据与智能公司及垂直的独立中台开发商纷纷入局。但随着数据中台的技术架构和方法论趋于完善，现阶段建设的难点更多聚焦在如何将成熟的技术方案

2、与行业及企业的实际情况和特征结合，即企业更需要厂商切身的咨询规划服努，以发挥数据中台的效能。数据中台应用的业务领域和场景众多，其中营销领域发展最早，目前应用也最广泛成熟；而在管理会计领域，由于数据价值高且对经营决策意义重大，数据中台深化管理运营的效用明显。从行业来看，当前数据中台在金融和泛零售行业的应用和部署程度高，在政务、工业、医疗等行业仍有较大的发展空间.数据中台发展的驱动因素数据中台概述2数据中台的行业发展现状3数据中台应用的挑战数据中台的未来发展趋势4I5政策推动企业信息化转型各行业陆续颁布核心政策，为信息化转型提供支持和引导顺应信息化时代发展，我国很早便部署了信息化发展规划，自起步以

3、来，多呈现政策先行的节奏，为行业的转型提供了战略参考。近年来，随着5G技术和标准的发展，我国加快、提前部署各类基础设施，本着适度超前的原则，为企业的转型、创新提供土壤。简而言之，我国信息化建设紧密围绕着打造网络强国、建设数字中国、互联网+彳亍动计划等国家战略，充分发挥信息化驱动引领作用，积极推进以物联网、云计算、大数据、人工智能、区块链等为代表的新一代信息技术与行业深度融合。各领域信息化建设紧紧围绕行业任务部署及关键战略统筹，以新技术、新模式为支撑，强调网络安全保障能力的同时，积极规划产业进程，稳步促进信息化转型。2015-2020年中国信息化建设主要政策指导时间核心政策2015-2020年中

4、国重点行业推进信息化建设重点政策统计注释：仅统计5个重点行业政策密集度.2015中国国民经济和社会发展第十三个五年规划纲要国家信息化发展战略纲要十三五国家信息化规划2017十九大报告7ir政府工作报告工业物联网发展行动计划（2018年-2020年）2019十九届四中全会十四五规划方案中小企业数字化赋能专项行动方案2020关于构建更加完善的要素市场化配置体制机制的意见关于推进上云用数赚智行动，培育新经济发展实施方案关于加快推进国有企业数字化转型工作的通知关于深入推进移动物联网全面发展的通知注释：仅统计重要指导性政策.数字经济规模稳步扩张数字经济结构优化升级，对GDP贡献持续增强我国数字经济维持高

5、速增长，在信息通信新技术、新业态的带动下，传统行业焕发出新的活力，质量效益显著提升，2019年数字经济对GDP增长的贡献率达到67.7%,已经成为国民经济增长强大的引擎之一。数字产业例口产业数字化是数字经济发展的核心。数字产业化不断演进升级，与服务业全面融合发展后，正向实体经济范围拓展。产业数字化从单点应用向行业协同发展演进，利用数字技术进行全方位、全链条的降本增效，促进高质量发展，成为数字经济越来越重要的增长动力。两化协同发展，数字经济内部结构持续优化，为市场创造新动能的同时也带来了新的挑战，如何价值化数据并与传统生产要素融合，驱动传统产业向信息化、智能化转型升级，已经成为数字经济发展的关键

6、问题，这既是挑战也是机遇,所以加快推进数据价值化进程是企业发展的本质要求。2015-2019年中国数逑济规模及占GDP比重2015-2019年中国数字经济内部结构来源：工信部，根据公开资料研究及绘制.客户为导向的市场环境企业向精细化运营、信息化经营决策改进近十年数字技术被中国消费者广泛接受，消费者对产品和服务的需求升级带动各类触点场景和产品延伸服务不断变化，迫使各行业在服务市场和消费者时需要充分发挥信息化技术的作用。此外，互联网以消费和服务为主线，与人们的生活场景深度融合，电商、媒体、金融等行业已经走在领先地位，逐渐多样化和个性化。快消品、地产、汽车等贴近消费者的行业也随之跟进，而传统制造行业

7、由于行业特征、产品形态、商业模式等原因发展空间相对较大。如今，在接入流量增速放缓,用户流量红利逐渐见顶的背景下，消费互联网的格局和竞争态势日趋稳定和饱和。如何促进企业内的人、物、业务、产品、生态以及企业与用户、企业间的互联互通，加速线上线下融合，推进资源与要素融合是企业发展的下一个方向。中台技术就是可行的解决方案之一，它实现了业务创新的基础保障，提供了技术平台和全网数据运营能力，为数字经济时代用技术解决商业领域问题提供支撑。2016-2020年互联网业务收入增长情况2016-2020年移动互联网接入流量增长情况I互联网业务收入（亿元） 来源：工信部，自主研究及绘制.14952016201720

8、1820192020移动互联网接入流量（亿GB ）来源：工信部，自主研究及绘制.数据孤岛林立的系统架构底层计算和存储架构的多源和异构形成系统烟囱和数据孤岛早期业务发展过程中，企业为了解决一些当下的业务问题，按照垂直的、个性化的业务逻辑部署系统，各种信息系统大多是独立采购与建设的，与流程、底层系统耦合较深，横向和上下游系统之间的交叉关联也较多，导致企业内部形成多个数据孤岛，很难做到信息的完全互联互通。同时在新平台、新业务、新市场的拓展过程中，系统没法直接复用和快速迭代，产生的数据也无法与传统模式下积累的数据互通，进一步加剧了数据孤岛的问题。分散的数据无法很好地应对前端业务变化，难以支撑企业的经营

9、决策，因此亟需一套机制将新老模式融合，整合分散在各个孤岛的数据,形成数据服务能力。传统企业的系统架构痛点ICRMWMSOAERP功能重复建设，数据重复且不一致，烟囱型 系统间的集成和协作成本高.数据和业务被分散在多个系统中，不利于业 务沉淀和发展.基于老旧的技术体系构建的单体应用不能支 撑现阶段互联网的高并发环境.IaaS数据数据数据来派：根据公开资料自主研究及绘制.数据IaaS大量数据被闲置、忽略，不能聚合成为有价值的资产.前台商业场景不断变化，企业无法打破原有的组织壁垒进行高效协作.数据的价值化需求形成数据全生命周期的闭环为企业赋能近年，多数企业的认知已经从跟风转型过渡到数据驱动转型，认识

10、到数据是企业的新型资产。而数据收集、存储和处理成本的大幅下降和计算能力的大幅提高，为数据资产化应用提供了经济环境基础.事实上，多数企业已经拥有了较好的数据基础，然而在现实情况中，并不是所有的企业都能获得显著的收益，其主要原因之一在于没有形成数据全生命周期的闭环，所以价值化数据的比例低，无法作为关键生产要素为企业注入新动能。如今，数据资产化程度低、数据服务提供效率与业务诉求不匹配等让数据用起来的问题成为摆在企业面前的新型数字化转型难题。数据使用能力的演进数据治理数据定义不同，字段命名不规范、口径不统一、算法不一致面向各业务线的烟囱式数据开发，浪费技术资源的同时造成数据重复且不可信 缺乏全局规划，

11、业务方获取数据途径繁杂数据服努来源：根据1开发周期长、效率低、服务响应速度慢重读建设导致任务链冗长、人物繁多、计算资源紧张、数据时效性不强 上线容易下线难，源业务系统或自身变更不能及时反映到数据上业务的快速上线和迭代试错，更加 敏捷的面对市场，提供更多场景的 服务，加速业务响应能力，为业务 部门带来可上手的运行方式.无法获得数据在应用场景中的具体价值和热度价值化数据无法复用数据链路割裂前端新生成的数据可被处理分析， 数据、流程与逻辑经过沉淀，形成 数据资产，为后续服务和决策提供 标准依据，实现数据全生命周期打 通，进而推动业务创新.数据处理能力的演进为多业务场景的实现提供可能需求为技术提供了具

12、象的场景表现，技术同时是各类场景实现的基础。首先，在企业业务多元化、复杂化的形势下，大数据技术与业务场景的融合不断深化，企业不再满足于简单的业务数据统计与分析，而是需要提升数据的可用性，进行数据服务的个性化应用。其次，在运算能力方面，我国在终端和服务领域优势明显，随着5G和工业互联网等新场景的拓展，云计算、边缘运算、移动边缘计算等方案的提出和算力的提升让数据的时效性和分析能力有了更大的突破。例如传统的数仓设计受限于技术体系无法实现实时计算，而分布式大数据技术不仅能构建PB级别的数据中台，还能将实时计算与历史数据结合，实现流批一体开发。最后，人工智能技术与应用场景深度融合，配合机器学习算法，大大

13、提升对异构数据的处理能力，让数据从接入、存储、分析、展现、训练到构建管道都更加自动化，同时提高数据预测能力，充分赋能企业的经营决策。技术推动数据处理能力提升大数据技术数据采集和清洗，统一数据存储、 计算口径，提供报表、数据分析 和可视化的能力.云计算确保数据运算的即时性与高效性， 提供更高的灵活性，更强的可扩展 性，是企业的降本增效的催化剂.人工智能提升对异构数据的处理能力，与应用场景深度融合，实现智能预测、智能决策等数据分析智能化，将环节中的脑力劳动知识和经验沉淀下来.来源：根据公开资料自主研究及绘制.传统组织架构的系统性问题传统组织架构难以适应信息化的发展环境职能型组织架构，项目性组织架构

14、和矩阵型组织架构是现代企业通用的组织架构，他们在支撑企业运营的同时也造成了一些系统性的问题。例如职能型的组织架构虽然使企业的部门专业化程度高，部门内部直线沟通、交流顺畅，但是也造成了:没有一个直接对接项目的负责人或团体，项目责任不明确。不以客户为导向。各部门由于只重视本部门的业务，而不重视项目整体和客户的利益，最终造成1+1 项目/客户利益来源：根据公开资料自主研究及绘制.数据中台的发展驱动因素数据中台概述数据中台的行业发展现状数据中台应用的挑战数据中台的未来发展趋势234I5是技术的概念，更是企业管理的概念数据中台居于前台和后台之间，是企业级的数据共享、能力复用平台，是数字化转型的基础和中枢

15、系统。将企业全域海量、多源、异构的数据整合资产化，为业务前台提供数据资源和能力的支撑，以实现数据驱动的精细化运营。数据中台不是简单的一套软件系统或者一个标准化产品，更多的是一种强调资源整合、集中配置、能力沉淀、分步执行的运作机制，是一系列数据组件或模块的集合，指向企业的业务场景。企业基于自身的信息化建设基础和业务特点对数据中台的能力进行定义，基于能力定义选择和利用数据组件搭建中台。各类数据技术是构建数据中台的基础，能够高效对数据进行统一收集、处理、储存、计算、分析和可视化呈现，使数据最终与业务链条结合，真正转化为企业核心资产。而从广义上，数据中台更是一种企业组织管理模赤口理念，集公司战略决心、

16、组织架构、技术架构于一体，企业从战略上构建统一的协同基座即中台化组织，以协调和支持各业务部门，用技术拓展商业边界，为新业务、新部门提供成长空间。数据产品的发展阶段mu数据库存储持久化，简单的关联瓢三l献不适用数据的多维度分析.数据仓库位于多个数据库上的存储库.实现数据生命周期管观易懂的直询结果，支持据处理能力较弱，在数据和业务预测方面应用有限.数据平台基于分布式的实时或者离的算框架,建立计算集群以运行各种计算任务，三善的大数据分析基次开发接口等能力.支持三三三三异构数据的整合管控.数据中台数据迈向EB级别.具有全域级、可复用的数据资产中心与数据能力中心，在底层通过技术手段统T据标准和口径，能够

17、对接Sf0OS析需求和交易需求直接对i三版三据中来源：根据公开资料及专家访谈自主研究及绘制.呈现统一基础层、公共中间层、多元应用层的分层架构模式数据中台首先采集与引入全业务、多终端、多形态的数据，经过数据计算与处理，通过数据指标结构化、规范化的方式实现指标口径的统一，存储到各类数据库、数据仓库或数据湖中，以实现数据资产化管理。向上提供各类数据服务，面向业务构建统一的数据服务接口与数据杳询逻辑，提供数据的分析与展示，形成以业务核心对象为中心的连接和标签体系，深度萃取数据价值。数据中台的架构资产价值化数据分析与决策&业务智能应用数据资产化业务数据化来源：根据公开料自主研各司其职，相辅相成相比数据中

18、台抽象数据能力的共性形成通用数据服务能力，业务中台则是抽象企业各业务流程的共性形成通用业务服务能力，更多偏向于业务流程的管控。将企业的业务规则、流程、逻辑与业务进行隔离，整合封装成微服务、组件等前台友好的可复用共享的能力；将一切业务数据化，实现后台资源到前台敏捷复用能力的转化，提升面向终端用户的前台的速度和效率，提高整体业务的灵活性和响应速度。企业一般根据自身的实际情况需要进行数据中台和业务中台的规划和部署，当企业同时拥有数据中台和业务中台时，两套中台起到相辅相成、相互支撑的作用。业务中台中沉淀的业务数据进入到数据中台进行体系化的加工，再以三务化的方式支撑业务中台上的应用，形成循环不息的数据闭

19、环。但业务中台只是数据中台的数据源之一，而数据中台的数据服务也并非必须经过业务中台才能作用于业务。数据中台VS业务中台业务前台将业务数据化沉淀的 数据通过大数据、机 器学习等方式进行价 值提炼，形成企业数4 据资产，提供决策支 持，赋能前端业务。数据中台小数据业务化业务数据化数据赋能技术支撑将企业经营管理涉及 的业务场景流程标准 化、数据化，为数据 中台提供完整的数据 源，实现数据和中台 建设的可复用性.基础技术/计算平台来源：根据公开资料自主研究及绘制.需要经历长期、分阶段的逐级建设过程数据中台的建设不是一蹴而就的，其建设路径及难度跟企业数字化变革驱动力、行业背景直接相关，与企业原有机制的融

20、合是一个长期的过程，其建设成本在百万元以上，建设周期更是以年为单位计算。整个数据中台的建设没有一个通用的企业级模型套用，一般需要从顶层设计出发，自上而下贯彻。根据企业自身的业务目标逐级建设，优先从小场景领域内开始试点，逐步纳入更多的业务模块，以达到企业数字能力的逐级进化和价值的持续叠加。此外，在数据中台的建设过程中，企业需要培养自身的数据管理团队，甚至重构整个IT团队，以提高数据服务和企业数字化运营的能力。数据中台的建设路径纳入企业战略，达成全员共识， 自上而下推动，分步实施，明确 分工和责任；从数据向上，业务向下同步思考， 建立全局架构数据中台的设想， 初始化数据采集、数据公共层和 应用层建

21、设.试点示范能力沉淀，优化和拓展场景应用，建设范围逐渐扩大到业务全域，将业务资源和共享服务沉淀整合。持续推进数据公共层的丰富完善，提高数据应用层的算法能力，重塑IT架构和企业全链路的运作方顶层设计营销、财务或其他核心业务，企 业需找准切入点，明确该业务的 目标和范围，分析需求，进行初 步的业务重塑，减少交付压力.从试点中验证技术平台能力、消 化中台建设方法论，以完善相关 产品套件及迭代中台全局架构.深化应用在使用中逐渐磨合出企业自身的 中台理念和规范，优化组织，提 升中台效率.随着业务的扩展和进步不断发展 迭代，最终构建起企业自身的数 字能力生态.治Il融合来源：根据公开资料自主研究及绘制.系

22、统落地需要供求双方多维度的能力数据中台的搭建涉及技术诸多，在整个技术构架上需要考虑可拓展性、敏捷性、轻量化，并注重与前台的交互，灵活地通过服务编排实现应用功能，以满足前台需求。当前数据中台遵循高内聚、松耦合的设计原则，融合分布式、微员务、容器云、DeVoPs、大数据处理及高可用高性能高并发架构，已形成了一套较为成熟的方法论。因此现阶段，数据中台的建设难点更多的聚焦在如何将成熟的技术方案与行业及企业的实际情况和特征结合，基于真实应用场景，规划设计数据中台建设的可行性方案。企业自身的资源配置能力、管理经验、组织架构、业务梳理能力，以及数据中台服务商在企业中台搭建过程中为企业数据治理提供的咨询规划服

23、务，逐渐成为数据中台建设过程中的关健性要素。数据中台的合作模式基础服务/技术服务APl 服务组件 分布式配置中心 工作流引擎 大数据工具数据库中间件缓存REDlS分布式事务GTS分布式消息MQ其他组件DevOps微服务治理（分布式服务框架）服务治理配置管理容器云Docker cri-oKubernetes MarathonKafkaRedis集群监控 容错保护数据基础层Spark HadoopHive TensorFIow体系基础云平台服务IaaS数据中台厂商咨询规划服务Ja企业客户资源配置 能力业务梳理能力 组织架构来源：根据公开资料自主研究及绘制.降低数据建设成本，提高数据治理效率数据中台

24、的建设天然会帮助企业打通数据孤岛，并建设统一的数据标准，包括数据建设规范和数据消费规范。此外，数据中台基于原有的数据关系及SoA架构等企业数据管理的经验，能解决企业信息管理中数据烟囱的问题，从全生命周期的角度管理数据。随着数据中台的建设，数据二义性逐渐消除，透明度和利用率大大提高，有效发挥数据及分析技术对前台业务的复用价值，降低数据计算与数据存储成本，减少因数据体系建设不一致或重复建设导致的人力成本浪费等。由于系缩口能力容易复用，当业务量增加或数据连接点、流程发生改变时，打通的数据中台可以避免系统的重复建设，支撑新业务形态的产生和快速发展；由于数据中台整合了业务与技术两大职能，业务产生的数据省

25、去了跨部门传递的步骤，而基于技术产生的数据分析结果也可直接转化为业务优化方案。数据实时共享，直接赋能业务，使企业数据治理全链条的时效性与灵敏度得到提升，同时避免了技术与业务两部门因信息不对称而导致的认知偏差。数据中台改变企业数据使用模式APP1传统的业务数据使用模式官网小程序营销H财税M供应楂.数据中台下的业努数据使用模式来源：自主研究及绘制。激活数据商业价值，赋能企业运营与决策提升对数据的管理利用能力是企业数字化转型的重要目标。数据中台与过去的数据工具相比，最大的优势在于基于企业组织、战略及业务框架设计，对企业全域的数据资产进行高效的开发、应用及质量管理。通过将数据资产化，将不同系统、不同类

26、型的数据纳入一个可对比、可计算的范围，使其更易于企业日常经营活动中进行搜索、过滤和管理，充分激活数据的商业价值。此外，数据中台匹配和衔接了当前业务与数据间协作的需求，形成价值链闭环。在实现数据接口标准化和在线交互实时化的基础上，集成可快速复用的数据生产力工具或模块，使数据具备敏捷地对外服务的能力，智能服务全流程的部门及人员,使每个层级的员工都能快速制定适合自己的数据决策服务，有效赋能业务决策。数据中台提供敏捷的数据服务能力A决策支持数据接口标准化:在线交互实时化:数据开发可视化r 电 si决策数据中台赋能企业管理决策-plFT注信常规图表轮播列表LlyIHL时间轴文字aM服务表现形式更加多样化

27、，除基础Bl报表外，还有领导决策系统.行业分析、业务洞察、自助查询等面向业务场景的服务及产品按照业务模式对核心业务（销售金额.KPl等）拆解、追踪，企业高 层实时掌握企业运营数据，运用丰富灵活的数据可视化分析组 件科 学决策分析，快速对业务作出动态调整.来源：自主研究及绘断来源：例1公开资料自主研究及绘制改造企业业务流程，升级企业组织架构传统的作业方式通常呈现流水线的特点，往往由业务人员基于行业经验进行流程设计，结合商业套件建立和操作业务系统。数据仅仅是用于监测业务进展和洞察规律的副产物，最终的决策由业务人员进行，因此决策不确定性较强，整个业务流程的迭代速度极慢，很难与当前快速变化的前端应用匹

28、配。而随着数据中台在整个业务链条中的部署和应用，大数据进入决策阶段，企业的业务流程也逐渐快速、扁平化，由原先依赖业务人员经验的流程驱动逐步转向数据驱动。另外，传统企业数据孤岛、业务割裂、资源分配等问题，其根源往往来自于组织架构的分割，尤其当业务需要涉及跨部门协同时，部门墙的现象十分严重，甚至出现冲突和制衡。因此数据中台的部署应用既是打通了数据的壁垒，更是打通了部门、事业群间的壁垒，使企业组织灵敏性得到提升。数据中台升级企业组织架构数据中台改造企业业务福三组织升级以数据带动人才通、技术通、业务通矩阵型组织架构项目型组织架构职能型组织架构流程驱动业务直3流程一业务数据BI&洞丁业务人员设计系统仓库

29、可视化人员挖掘建模三鸣乂嗓业务系统技术中台数据中台.期上业务人员辅助数据驱动鸣9业务中台来源：翩公开资料自主研究及绘制2数据中台的行业发展现状3数据中台的发展驱动因素数据中台概述4数据中台应用的挑战数据中台的未来发展趋势5行业增长势头明显，市场规模快速扩张伴随着数据量的爆发式增长、数据处理技术的进步，以及数据中台产品逐渐实现商业化、需求端企业对数据中台的认知开始树立，2019年可以称为数据中台元年。当前我国数据中台行业处于从萌芽转向高速发展的过渡期，整体仍处在相对基础的发展阶段，但由于企业数字化转型驱动市场需求不断增加，行业增长势头明显，市场规模快速扩张。此外，随着数据中台逐渐实现从理论架构到

30、实际部署的落地实践，需求端企业对数据中台的理解和信任程度逐渐加深，而行业玩家也正积极探索和拓展数据中台的更多呈现形式，例如挖掘服务于中小微企业的实施路径，以助力各类企业数字化转型全流程。因此数据中台产品类型与服务内容有待进一步拓展，未来参与布局数据中台的企业数量也将快速增加，市场增量空间广阔。2018-2023年中国数据中台的市场规模市场规模（亿元）-增长率（%）来源：根据企业年报等公开资料、专家访谈及自有模型统计核算及绘制.注释：报告所列规模历媛!据B测融S均取整数位（特况：差值4守1时精确至4数点后一位）,已包含四番入的情况;增长斡）计算均基石春确的数值进行计算行业集中度较低，市场竞争格局

31、尚未成型数据中台行业的主要参与者指帮助下游企业搭建数据中台并提供服务的供应厂商。整体而言，数据中台行业尚处于发展成型的早期阶段，参与者众多但行业集中度较低，尚未形成鲜明的市场竞争格局。数据中台供应商主要由五类厂商构成：头部互联网企业、数字化解决方案提供商、大数据公司、独立中台开发商及人工智能厂商。市场不断有新玩家进入，各类型的厂商都具有不同的竞争优势，处在占领市场份额、凭借优势领域构建进入壁垒的扩张阶段，与此同时也带来了一些产品区分度低、边界不明、业务混杂等行业乱象。公有云厂商A特征及优势：在内部落地中台战略，获得检 验后对外提供服务，具有先发优势；拥有底 层全量技术能力，能提供原生性、可标准

32、化 封装输出的产品和解决方案；为行业发展输 出资源、核心技术、方法论和工具体系A代表厂商：阿里云、腾讯云、AWS数据中台的供应商类型/O数字化解决方案提供C特征及优势：有ToB服务经验和客户资源基础，有获客和拓客优势；积累大量垂直行业的认知和洞察，能快速梳理企业业务及流程，准确识别客户需求；能基于中台架构输出综合的数字化转型服务来源：自主研究及绘制.数据与智能公司，A特征及优势：具备数据资源，能帮助企业客 户补足一些空白数据，快速开展应用落地； 人工智能技术及算法能力强，在数据采集清 洗和计算推理等环节都有优势；有客户资源 博出，积累大量垂直行业的认知和洞察A代表厂商：明略科技、星环科技、神策

33、数据：J独立中台开发商It特征及优势：以数据中台相关技术、工具为服务核心；常作为头部公司的 生态合作伙伴；业务专精，深耕场景 及垂直行业A代表厂商：数澜科技、云徙科技、袋鼠云代表厂商：元年科技、用友、金蝶有数据基础、多元化经营的各行业头部企业为主要客户事实上，并非所有企业都需要或适合部署数据中台。是否进行数据中台的建设，与企业所处行业、发展阶段以及自身的数据成熟度和数字化程度等因素相关。对于初创公司以及一些业务较为单一的企业，现阶段实际不存在数据互联互通的问题,则并不适合也并非必须搭建中台，因为数据中台的建设模式较重，建设周期较长，需要投入较高的资金和人力成本，短期内反而不利于这一类企业的快速

34、发展。我们认为，满足以下至少三种情况的公司适合进行数据中台的部署：业务场景具备不确定性，迭代速度快，所处市场环境变化快，需要具备快速试错和敏捷反应的能力；生态和流程系统复杂，有多条产品线或横跨多种业态，各业务单元间存在功能模块低水平重复建设的问题；由于事业部等的组织架构，导致数据和信息系统存在互联互通问题，需要打通壁垒进行统一管理；营收具有一定规模，信息化建设达到一定水平，但信息技术仍对企业发展存在制约，需要进行整体的技术升级、业务重构；对外需要多业态扩张，多消费渠道触达，希望协调整个产业链上下游合作伙伴之间资源。数据中台的客户画像营收具有一定规模， 有实力承担大量投入椒具有数据基5出，信息化

35、 建设达到-定水平il行业前端需求变化快， !业务场景具备不确定性来源：自主研究及绘制.营销领域：发展最早，落地最广泛随着进入数字化营销时代，线上营销场景已经实现云化，线下营销场景也可以通过loT、Al等技术实现对用户行为数据的获取和完全跟踪，目前营销获客领域的数据基础设施已达到较高的成熟度。然而企业获取的销售、营销数据也愈发零散、且往往都是孤立存在；日益碎片化的触达时段及场景、层出不穷的媒介载体和复杂的社交数据，也使全景化的消费者画像和用户标签体系难以整合建立；与此同时，爆发式的海量数据使企业原有的CRM系统算力和能力难以满足业务的计算分析蓍销（据中台在集数据采集、融通聚合、管理服务等功能于

36、一体的基础上，基于场景的特点开发专门的数据模型、标签体系等多种数据智能应用，构建用户360。全景画像，深入洞察目标客群特征，分析交易销售数据及营销效果，助力企业实现基于智能营销和消费者智能运营及管理的数据管理、洞察分析和决策支持。营销数据中台的数据智能应用痴用户分析营销分析算法模型物流大商品错 时段服务质分桁来源：自主研究及绘制.推进数智化转型，提供全域营销和分析架构基于阿里云的云资源基础设施，在智能数据构建及管理DataPhin平台、智能商业分析套件QUiCkBLQUiCkAUdienCe产品、智能用户增长、品牌数据银行的支撑下，实现基于消费者标签和模型的人群分析和洞察，实现消费者资产向品牌

37、数据银行的推送和数据资产融合，从而允许品牌在数据银行内进行基于全域消费者洞察的营销活动策划和实现，同时帮助商家实现用户数据与店铺销售数据的融合和分析洞察。阿里云营销数据中台方案架构营销解决方案全域新品解决方案全域体验解决方案全域媒体解决方案全域会员解决方案全域分析智能数据构建及管理QuickAudience全域种草解决方案全域社交解决方案品牌自有数据企业数据资产数据建模，指标体系规范化， 数据加工.指标、标签开发人群圈选，用户洞察，渠道触达会员信息 数据数据萃取主订单数 据订单明细数据数据资产管理 智能数仓规划业务过程事实逻辑表维度逻辑表原子才幽行为数据用户画像AlPL数据集数据资产管理RFM

38、分析人群包1受众分析O受众筛选 群 包2数据银行店铺流量、交易总览（年/月/日）店铺商品流量、交易（年/月/日）店铺类项目交易（年/月/日）来源：根据公开资料研究及绘制.管会领域：激活财务数据价值，深化管理会计应用，落实企业经营战略在过去的信息化建设过程中，基于ERP系统的管理会计往往以独立、零散的模块化工具应用（如预算、成本管理、合并报表）各自存在，缺乏整体规划和统一的数据平台支撑。特别是对于多元化经营的集团型企业，各版块都搭建一套不同的ERP系统，财务、业务和管理信息系统间通过开发接口进行连接和集成，形成蛛网结构，造成开发成本高，数据口径不统-,接口独立运营而无法统一管理等问题。此外，自动

39、化程度低、时效性差使系统难以满足瞬息万变的商业环境下企业的实时分析与决策等管理需求，以及前端的业务模式快速变化创新下对业务运营的快速响应需求。管理会计数据中台汇集企业内部业财数据，同时打通外部的社会大数据到内部的业财数据，统一规范和口径，实现数据的有效共享和复用。通过分析企业全财务流程，识别、提取并沉淀财务核心能力，减少各前端系统对财务功能的重复开发，使财务人员更多地基于财务数据和实际业务，做出科学、场景化的分析预测和经营决策，真正激活财务数据价值。此外，随着创新应用不断扩展，管理会计与基础财务会计的关系也才各被重构。基于一个更实时、更精细、更统一的底层数据支撑，管理会计将不再依赖于财务会计信

40、息就能进行全场景数据处理，并反过来生成财务会计规则化、格式化的信息。传统的财务系统作业模式管理会计数据中台的架构Mjjba物流部门生产部门销售部门投资部门预算系统资金系统 合同管理系统 资产系统来源：自主研究及绘制.会计核算中心企业案例：元年科技管理咨询+软件技术+信息化服务的一体化解决方案元年科技是基于人工智能、大数据、云计算、互联网、物联网等新一代信息技术，同时又具有丰富的财务管理、业务运营和行业经验的企业数字化转型软件商和服务商。经过21年的发展，元年已经服务了上千家大型企业集团，成为国内管理会计、财务管理、业务运营、数据分析等专业领域的领导者,对金融、地产、零售快消、装备制造、能源化工

41、、交通物流等二十余个行业有深刻的洞察和丰富的经验。目前，元年已经形成了较为全面的中台整体解决方案，在数据中台常规基础功能模块的基础上还引入了偏向业务建模的适配插件，真正实现业财税一体化的行业解决方案.元年科技的数据中台整体解决方案睡管理咨询软件信息化服务一体化解决方案数字化战略咨询定位搜索选择数字化运营咨询 I流程服务IT平台数字化赋能咨询数据平台应用平台/管理会计预算管理合并报表成本管理管理报告运营管理销售绩效产居定价库存优化投资测算数据挖掘分析工具精准营销智能预测智答战情室凤险预算信用云图可视化Off修播件0 I Th H Iv * . 数据生命周期 取据清理iSWl 主数据履现服务市计A

42、Pl管理访问控制配置菅理民势推荐服务编推流控制运营监控OWfflffi 存1地图fJ0TO数据质管理SHRJt 规则管电 所底控 fHIS数据标准管理 WfS 保准发布 标准映射 K准看理分类管理 版本*主数衽g数据安全 ae*H 由e整控 脱触与0 认证与19权元数据富理TdMKEjiffi 元数疤管理 元整5J管理 jtttC*多维业务模型库市营供制财回场销造务归模型开发组件模文扈现步知里时税则堆或管计技引引肥理11术l箪数据储层数仓 ODS贴源模型层DWDSt据明晰层AI模型库分累决类类策 数据智能组件N 机 模* t嚣型宫P学馁识习 理 别DM数掘续市DWS数据汇总层系貌运维 日志审计

43、 资源监控 行为分折 系统告警 安全告警 运营般去作业调度 作业酶 任务调度Iil缘分析iRS心流程管理rt数据采集层数据标答管若 坛整体系awM标更共享 标岳任务流式采集消息日数据集成数据适配数据转换流程管理执行监控执b监控企业内部炉S （结构化雌为主）ERP、SRM, CRM、WMS等企业外部数据（结构化+半结构化+非裁化） 数据服务商、网络爬虫等来源：根据公开资料自主研究及绘制.27全方位、定制化、可落地的数据中台解决方案元年科技数据中台的核心建设包括技术、数据、服务、运营四大体系。通过四套体系的建设，实现架构设计、数据基座搭建、数据标准统一、标签体系输出，进而部署基于不同行业的数据应用、创建可快速复用的通用技术服务和算法模型服务,最后结合业务流程进行数据资产运营流程的搭建和优化，数据质量全面提升，真正达成持续发挥数据价值的目标。由于数据中台整体实施落地需要双向推进即一方面从上向下梳理业务需求痛点，规划整体计划，另一方面从下向上结合业务逻辑，梳理企业数据情况-元年提供中台咨询服务，基于应用场景并参考企业特性，规划设计可行性方案、建设路径和投资预算，同时结合数据的管理体系与标准体系，形成切实可落地的实施计划。T划元年数据中台的实施流程差距分析企业数据需求差距分析