数据中台行业发展概况及展望.docx

《数据中台行业发展概况及展望.docx》由会员分享，可在线阅读，更多相关《数据中台行业发展概况及展望.docx（14页珍藏版）》请在第一文库网上搜索。

1、数据中台行业发展概况及展望社会经济高速发展、不断变革的时期，各行业的企业都面临着来自客户、友商以及整体市场环境的考验，传统的商业模式和增长逻辑正面临持续发展的瓶颈。随着企业业务创新不断加快，对数据开发的响应速度提出更高的要求，数据中台就诞生在这样的大背景下。一、开宗明义：是技术的概念，更是企业管理的概念自中台理念推向市场起，已走过五载的发展路程，但市场对于数据中台仍然存在界定模糊、分类混乱的问题，厘清和明确其概念和价值依然重要。从技术的角度说，数据中台绝不是简单的一个平台、一套软件系统或者一个标准化产品，而更多的是一种强调资源整合、集中配置、能力沉淀的运作机制，是数据价值的加工厂。数据中台是一

2、系列数据组件模块或能力的集合，它居于数据开发的后台和应用开发的前台之间，聚合和治理后台全域的数据，沉淀数据资产，抽象数据模型，封装数据服务，为前台提供高数据质量的数据服务和应用。数据中台提供敏捷的数据服务能力来源：艾瑞咨询研究院自主研究及绘制。2021.12 iResearch Inc.图1-1数据中台提供敏捷的数据服务能力数据中台改造企业业务流程r流程驱动钿业务直觉人员茴提.等.S流程业务数据 BI&设计系统仓库可视化监则洞察业务人员业务系统巾I挖掘建模* 卷技术中台数据中台断驱动业务中台业务人员辅助来源：艾瑞咨询研究院根据公开资料自主研究及绘制。2021.12 iResearch Inc.

3、图1-2数据中台改造企业业务流程在数据中台的建设中，由于需要对各域数据进行规划、打通和治理，企业应当从战略上构建统一的协同基座即中台化组织或数据管理团队，以协调和支持各业务部门，同时进行数据质量、数据服务效率的分析和评估。从这一层面说，数据中台建设打通的不仅仅是系统和数据域的壁垒，更是部我们关注到当前，在金融、零售、制造、地产、政务等行业已经形成了相对成熟的解决方案，并培养出一系列成功的实践案例:2.1金融行业由于信息化建设起步早、资金投入巨大，金融行业是相对而言数据资产化更为成熟的行业。但随着国家对行业的监管要求趋严，加之市场竞争不断加剧，提升风控和服务水平成为金融机构下一阶段经营发展的重要

4、课题。数据作为生产要素，是金融机构未来业绩增长的核心驱动力，然而如何使海量数据真正赋能业务、发挥价值，数据中台中数据服务和应用的多样性、捷性、智能性将变得更加必要。数据中台在金融行业的应用场景渠道配置活动管理活动分析获客分析策略管理风险预警驾驶舱标签管理用户画像客户旅程数据补录人群中心人群画像华泰证券。兴业银行Illi HUATAI SECURITIES1)应用场景数据看板中信集团CITIC Group1来源：艾瑞咨询研究院自主研究及绘制。2021.12 iResearch Inc.图2-1数据中台在金融行业的应用场景2. 2零售行业在过去的信息化建设进程中，零售企业积累建设了包括ERP、ME

5、S、CRM、州S、等在内的各种业务系统，加之线下门店、自有商城、电商平台、社交软件平台等各类渠道的涌现，企业获取的销售、营销数据愈发零散、且往往都是孤立存在；而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需求。数据中台在零售行业的应用场景交易分析2用户分析营销分析尸;算法模型销售大屏I物流大屏分析 JL 务析来源:文瑞咨询研究院自主用究及绘制.0202112 (Research Inc.图2-2数据中台在零售行业的应用场景2. 3.制造业随着产业

6、数字化进程不断加速，传统制造业企业正面临数字化转型的关键时期。过去的各个制造管理系统建设缺乏总体规划，导致遗留了大量数据语义彼此独立、数据口径无法对齐、系统间交互性差等问题，使得生产制造全流程中产生的众多高价值数据只能在自身系统里流转，无法在更长的链条上发挥价值。因此，高效集成多源异构的制造数据，构建企业级的数据架构和完备的数据服务体系，发挥数据指导作用，实现业务增值，是传统制造业走向科学、精细化运营的核心。数据中台在制造业的应用场景过程数字仿，投放组织域 原料域 订单域公共或设备域 生产域 客户域来源:文瑞咨的究院自主研究及绘制.02021.12 iResearch Inc.。霜a段痣；!图

7、2-3数据中台在制造业的应用场景2. 4.地产行业告别增量高速增长的时代，进入存量化的下半场，地产企业过去高杠杆、高负债、高周转的运营模式逐渐难以为继，投资与经营的双重压力倒逼地产企业向精细化运营转型。如何提升组织运营能力、进行多业态有效管控，如何提高运营效率、最大化存量资产价值，如何精准洞察用户需求、寻求新的收入增长点，都是新阶段地产企业的战略性难题。数据中台在地产行业的应用场景风险控制管理风险,经营风险客户风险项目运营投资跟踪货值预警资金优化舞弊风险vanKe客户运营会员运营客户洞察精准营销8T3窗域优质生活同想家来源：艾瑞咨询研究院自主研究及绘制.2021,12 (Research In

8、c图2-4数据中台在地产行业的应用场景2. 5.政务行业近年来，政府部门信息化建设投入不断加大，政务云化进程也不断加速，基础设施建设已趋于成熟。然而，政务服务具有专业性强、流程环节多、处理情形复杂等特点，多以多线方式进行信息化建设，部门间数据资源共享的对接沟通也较为复杂，导致公共数据不能得到充分整合。同时，各政务服务部门间的信息化水平也存在极大的差异，数据质量参差不齐，导致数据协同不顺，无法支撑多场景应用需求。各级政府部门亟需建立组织、用户、协同、业务均在线的数据体系，推动数据和业务的融合，提升服务型政府供给侧能力。数据中台在政务行业的应用场景乂PC端移动疑白终端机粤大屏MOW RS查so档用

9、户分析指标管理业务分析统计服务协同分析业务监控流量分析效率监控政务智能政务协同风险监测来源：艾瑞咨询研究院自主研究及绘制.2021.12 iResearch !nc图2-5数据中台在政务行业的应用场景三、发展洞察：经历一轮爆发与降温，逐渐进入理性、健康发展的新阶段2019年被称为数据中台元年，数据中台的解决方案逐步形成和完善，市场认知开始建立，一些行业头部企业与早期的玩家开始着手进行探索和尝试。在下游企业和资本市场的关注、助推和加温下，数据中台市场从萌芽阶段快速进入爆发期，根据企业年报等公开资料、专家访谈及艾瑞咨询的自有统计模型核算，2020年数据中台的市场规模达到68. 2亿元，较上年呈现近

10、80%的显著增长。20182023年中国数据中台的市场规模126%来源：艾瑞咨询研丽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.2021.12 iResearch Inc.图3-1 2018-2023年中国数据中台的市场规模在市场的快速拓展中，涌现出越来越多的参与者，都处在占领市场份额的扩张阶段，行业整体呈现百家争鸣的竞争态势，尚未形成鲜明、稳定的竞争格局。综观地，我们将厂商分为公有云厂商、数字化解决方案提供商、独立中台开发商和数据与智能公司四类： 以阿里云为代表的公有云厂商，得益于其互联网基因，在内部率先落地中台战略，取得成效后进行解决方案外溢，同时可以提供完善的基础资源设施建

11、设，由于具有先发优势，目前占据更大的市场份额； 以金蝶为代表的数字化解决方案提供商，核心优势在于其品牌认可度、积累的大量客户资源和实施服务经验、具备的垂直行业认知，由于解决方案生态更为丰富、客单价更高，目前也有领先的市场占有率； 以数澜科技为代表的独立中台厂商，对数据中台的战略理念、定位规划和实施路径有更深刻的理解和认知，能为客户提供更切身的需求分析、解决方案设计和体验更好的实施落地服务，同时在其深耕业务与垂直行业场景的过程中，沉淀了大量可快速复用的数据治理和数据服务能力； 以明略科技为代表的数据与智能公司，具有更强的人工智能技术及算法能力，在数据治理、数据模型抽象和训练的过程中体现出其优势。

12、然而这一类型厂商中，也存在一些将封装的数据治理工具、数据分析工具、数据智能应用等包装成所谓“数据中台”产品进行销售的典型情况。2020年各类型数据中台供应商市场占比数字化解决方案提供商，独立中台厂商,25%20%公有云厂商，37%数据与智能公司，18%来源：企业公告等公开资料、专家访谈，艾瑞咨询研究院根据自有模型统计核算及绘制;注：仅供市场研究参考使用，不成为市麻咯依2021.12 iResearch Inc.图3-2 2020年各类型数据中台供应商市场占比情况但是，随着项目的实施推进，一批企业开始进入中台建设成效期，伴随着一些效果不及预期的案例和质疑声，过去市场对于数据中台盲目的追捧和浪潮开

13、始褪去，行业进入更健康和理性的发展新阶段。厂商和企业们都开始更冷静和审慎地思考：“是否需要数据中台”“需要什么样的数据中台“以及“如何建设有效的数据中台“。我们依然认为中台的核心思想和方法论是科学而行之有效的，对企业数字化转型、数据的资产化和价值化应用具有必要的作用，但企业在进行数据中台的规划选型时，需要重点关注、综合评估厂商的数据能力、业务理解和实施路径的规划方案：-数据能力体现在数据资产化的全流程，主要指数据采集交换、开发和治理的能力，是数据中台的底座。对数据能力的衡量，除了对数据资产的质量进行监测和评估外，往往还需要关注对多源数据的集成和兼容能力、数据交换和计算的吞吐量和时效性、数据资产

14、分类和标签加工管理的准确性和智能化水平等方面，以及全流程中数据应用的安全合规性等。业务理解则体现在资产服务化的阶段，主要指数据服务的抽象和模型训练能力，解决数据使用“最后一公里”的问题。封装算法的组件是否能适应业务场景的建模需要，是否能快速复用出满足业务需求的数据查询、智能计算等服务，是否支持便捷的低代码开发模式，是否提供全面的数据服务运维，都是厂商业务理解能力的重要体现。数据中台的建设不是一蹴而就的，整个数据中台的建设也并没有一个通用的企业级模型套用，一些数据中台“失灵”的重要原因之一就是企业存在目标不确定、需求不清晰、规划不科学的情况。因此厂商需要对企业的资源配置能力、业务梳理能力、组织架构和管理经验进行评估，为企业提供合理、可持续、分阶段有重点的实施路径设计。随着数据中台在行业头部及领先企