2023数据智能厂商全景报告

1|2023爱分析·数据智能厂商全景报告 报告编委 报告指导人 张扬爱分析联合创始人&首席分析师 报告执笔人 孟晨静爱分析分析师 目录 1.研究范围定义4 2.市场洞察8 3.厂商全景地图14 4.市场分析与厂商评估18 5.入选厂商列表62 关于厂商全景报告69 关于爱分析70 产品服务71 法律声明72 3|2023爱分析·数据智能厂商全景报告 研究范围定义 1.研究范围定义 研究范围 利用多种数据智能技术实现数据驱动的分析与决策，已经成为当前企业数字化转型最重要的目标之一。随着数据来源日益丰富、数据体量快速增长，企业对数据的依赖和挖掘愈发深入，不仅带来数据应用场景、数据用户角色的复杂和多元，也使得企业对于数据应用的敏捷性和即时性的要求变得越来越高。 传统的数据开发与管理、数据计算分析正面临着巨大的挑战。为满足日益增长的数据应用需求，爱分析观察到，企业在数据能力建设逻辑上正转向以业务为核心，市场在技术和解决方案的供给上，也正以特定业务价值实现为驱动，变得更分化和聚焦。 数据能力建设核心逻辑转向实现业务价值。企业以往在构建数据能力时，通常是由技术部门或数据部门进行统一规划，并进行数据开发与管理，业务部门被动的使用企业的数据能力。然而，随着业务部门对数据价值的逐渐重视，以及对数据应用需求的快速增加，企业技术部门或数据部门已经不能满足业务部门的用数需求。为赋能业务部门更好的使用数据，企业数据智能基础设施的构建正逐渐转变为以业务部门为核心，如尝试通过DataOps、指标中台等概念实现数据和业务部门之间的高效协作。 面向业务场景价值实现，技术解决方案更细分、更聚焦。过去几年的实践表明，功能大而全的数据中台并不适合所有企业，根据企业内数据源、数据用途的差别，市场上分化出了多种针对特定场景的数据平台解决方案，如针对风控、营销场景的实时数据平台，针对工业、物联网场景的边云协同数据平台，为了加速多数据源联合分析的数据联邦分析平台，为了加速异构数据分析的异构数据即时分析平台等。 基于以上背景，爱分析将数据智能市场划分为数据基础设施和应用解决方案。数据基础设施覆盖数据生命周期的多个技术栈，应用解决方案覆盖多个垂直行业与通用智能解决方案，具体市场划分详见下图。 图1数据智能市场全景地图 本次报告将数据智能市场划分为应用解决方案和数据基础设施两大部分，其中数据基础设施指利用云计算、人工智能、隐私计算等新兴信息技术构建的为企业赋能的平台类解决方案，主要包括数据的采集、存储、计算、管理等内容，进而为上层应用提供数据服务；应用解决方案是指通过数据智能解决方案在垂直行业或通用职能领域直接赋能业务价值提升的最佳实践。 综合考虑企业关注度、行业落地进展等因素，爱分析在本次研究中选取了数据基础设施中的数据中台、DataOps、大数据平台、一站式数据开发与管理平台、数据分析平台，以及应用解决方案中的银行对公智能风控、银行对公智能营销共计7个特定市场进行重点研究。 本报告面向企业决策层以及数据部门、业务部门负责人，通过对各场景的需求定义和代表厂商的能力评估，为企业的数据智能基础设施及应用规划、厂商选型提供参考。 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定义的厂商能力要求； 2022年厂商具备一定数量以上的付费客户（参考第4章各市场定义部分）； 2022年厂商在特定市场的营业收入达到指标要求（参考第4章各市场定义部分）。 7|2023爱分析·数据智能厂商全景报告 市场洞察 2.市场洞察 数据能力建设和数据应用建设，是企业围绕数据的两大重点工作。数据能力建设是从企业长远业务发展需要和数据部门能力提升出发，数据应用建设则是针对管理层、业务部门、IT部门等用户的具体需求，提供数据解决方案。数据能力建设和数据应用建设相辅相成。同时，数据应用的需求决定了数据能力建设的重点方向。2023-2024年，企业在数据能力建设和数据应用建设方面，需要关注以下重要趋势。 图2企业数据能力建设和数据应用建设示意图 2.1数据资产入表加速数据要素价值释放，央国企需要率先落地 随着国家数据局的正式成立，以及《关于构建数据基础制度更好发挥数据要素作用的意见》（数据二十条）、《企业数据资源相关会计处理暂行规定》、《“数据要素×”三年行动计划（2024—2026年）》行动计划等一系列重磅政策文件的发布，国家政策层面推动数据要素价值释放的蓝图布局已 经就绪。尤其是数据资产入表，真正让数据成为企业资产。 图3北京、上海、重庆等市发布数据要素相关政策 落地到企业端，应该如何着手开展相关工作？我们可以从北京、上海、重庆等各个地方版的“数据二十条”中，获得更加具体的重点工作指引。 图4企业数据能力建设和数据应用建设举措 总结来看，各地方数据要素政策对于企业的要求重点在数据管理能力建设、数据资产运营体系、数据资产开发利用、参与数据要素市场化交易等方面。同时，央国企作为数字经济的排头兵，需要在数据要素流通、数据资产入表方面发挥示范引领作用，率先取得突破。 具体而言，企业在数据能力建设和数据应用建设方面，可以重点考虑以下发力点。数据能力建设方面： 建设和完善数据管理能力，实现数据管理能力贯标。数据管理是数据资产化的前提，企业应当对标数据管理能力成熟度评估模型（DCMM）国家标准进行能力诊断和提升。 增强数据运营能力，进行数据资产盘点和估值，推动数据资产入表。 组织层面，成立数据集团、数据公司或数据研究院，设立首席数据官等，为推进数据要素市场化提供良好的组织和人才保障。 数据应用建设方面： •加快企业数据资产的开发利用，探索高价值数据应用场景。首先在企业内部持续挖掘数据应用场景，赋能业务降本提效增收。 •加快数据开放，开展数据资产登记、挂牌和交易。在用数据赋能自身业务的同时，在安全合规的前提下推动数据对外开放，通过数交所等交易机制实现数据要素流通。 •积极参与公共数据等数据开放应用，积极采购数据产品和服务。一方面，根据企业数据应用的实际需求，向外寻求合适的数据要素资源；另一方面，主动探索公共数据等外部数据与自身业务场景的结合点。 2.2大模型变革数据分析范式，推动企业敏捷用数 作为一项变革性技术，大模型也对企业数据分析领域带来了诸多新价值。大模型基于其强大的生成、理解和推理能力，可以在NL2SQL自然语言交互取数、数据下钻分析与洞察、报告生成等场景发挥价值，变革数据分析范式。 大模型增强的数据分析范式，最大的价值在于降低管理层和业务人员用户的取数、用数门槛，从而增加数据消费用户规模，放大数据价值，业务收益直观。同时，可以将数据团队从繁重的基础取数工作中解放出来，有机会创造更大的价值。 从应用成熟度来看，大模型结合知识库、指标平台、图计算引擎、数据虚拟化引擎等技术方案，能够较好地解决大模型幻觉等问题，提升对话式BI的准确率。因此，建议企业在规划大模型应用场景以及数据应用建设时，优先考虑大模型与数据分析的结合。 图5大模型降低管理层和业务人员用户的取数、用数门槛 3.3用数理念持续渗透，指标平台支撑企业数字化经营 随着数字化转型的市场教育和实践深入推进，以及当前市场环境下企业自身对于高质量发展的诉求日益强烈，企业用数理念持续渗透，已经较为成熟。用数据驱动数字化经营，提高运营效率和创新能力，已经成为普遍共识。与此同时，企业用数需求日益增长与相对有限的数据服务供给能力之间的矛盾也日益增长。 企业数字化经营以指标数据的分析和洞察为核心。指标平台通过对企业指标数据资产进行全生命周期的统一管理，实现指标口径对齐，并通过一系列技术和工具优化，实现指标的高效开发，面向指标应用提供灵活、高性能的服务。 图6指标平台支撑企业数字化经营示意图 2023年，指标平台持续渗透，成为越来越多企业数据分析技术架构中的关键组成部分，并与大模型等新技术融合，对于提升数据服务效率和敏捷性效果明显。企业需要从指标体系设计和平台建设着手，进而通过数据运营不断拓展指标在数字化经营中的应用场景，让指标平台产生更大的价值，并牵引指标体系持续迭代和数据平台建设。 厂商全景地图 13|2023爱分析·数据智能厂商全景报告 3.厂商全景地图 17|2023爱分析·数据智能厂商全景报告 市场分析与厂商评估 4.市场分析与厂商评估 4.1数据中台 市场定义： 数据中台是在统一数据标准规范基础上，提供数据接入、数据开发、数据资产管理、数据分析、数据服务等能力的数据资产管理和服务平台，帮助企业实现数据集中管理和服务。 甲方终端用户： 企业数据工程师、数据分析师、业务分析师 甲方核心需求： 挖掘数据要素价值、用数据驱动经营决策已经成为企业共识。随着AI、大数据、5G等技术发展，企业数据体量快速增长，企业对数据的依赖越来越深，众多业务的快速迭代需要数据应用敏捷开发支持。但由于企业传统IT建设以业务为导向，业务系统间数据相互独立，企业在用数据的时候面临诸如数据质量差、数据管理难、数据开发重复等多种问题，数据“难”用正成为企业实现数字化的阻碍。数据中台通过对企业数据进行汇集、开发、治理，并统一为业务提供数据服务，满足业务“用”数据的需求。数据中台正成为企业数字化转型的关键举措，企业对数据中台的需求主要体现在以下几个方面。 建设统一数据底座，解决数据孤岛问题。许多大型企业的数据存储基础设施建设普遍以业务需求为导向分批次建设，如企业的APP、官网、小程序、营销、财税和供应链中的数据都存储在各系统中、相互独立，形成数据孤岛。数据孤岛不仅使得企业用数需跨多个系统、经多个业务部门审批，同时还会面临因数据定义不一带来的各种数据质量问题，导致协作沟通成本增加、经营效率大幅降低。 提高数据开发效率、增强数据共享能力，推动数据应用快速开发。企业数据应用的场景愈加广泛，使用人员也转向一线业务人员，于是对数据应用开发的敏捷性、实时性提出更高要求。企业传统“烟囱”式开发模式，不仅效率低下，且存在大量的重复开发，带来计算资源和人力的浪费。企业需要提升数据开发效率、加速数据共享，通过支持数据应用的敏捷开发支撑业务快速迭代。 形成高质量的统一数据资产。数据孤岛也带来诸多数据质量问题，如数据不一致、数据缺失、数据不及时、数据不准确等，难以有效支撑数据分析、经营决策，企业需要对各业务数据通过数据治理后形成高质量的统一的数据资产，以供业务人员或数据开发人员使用。 保证数据安全。国家对数据安全、个人隐私信息保护等立法使得企业数据安全风险提升，企业正面临多种数据安全保护场景。例如在数据收集、存储、传输、使用以及共享过程中如何保护用户隐私信息，如何对重要、敏感的数据资产进行细粒度权限界定和管理，平衡数据使用和数据安全需求，如何在云办公场景下保护数据安全等等。企业需要在建设数据中台的同时，考虑合适的数据安全保护措施。 基于规划咨询，建设适用于自身业务可持续发挥价值的数据中台。数据中台服务于业务价值，受业务需求、数据资产现状、数据安全现状以及现有数字化基础设施等条件影响，不同的企业数据中台的架构设计、采用的技术栈差异明显，企业需要开展咨询规划，结合业务战略选取合适的数据中台方案。而在数据中台建设完成后，也需在组织和文化层面上给予有力支持，采用科学的管理和使用方法，才能让中台发挥最大价值。 厂商能力要求： 支持多源异构数据接入和集成。针对数据集成，厂商应支持文件传输协议采集、数据采集、接口应用程序接入采集、流式采集、网络爬虫采集以及物联网网关数据采集等多种采集方式，提供分布式异构数据集成引擎，支持离线数据同步、实时数据同步。同时，厂商应考虑用户体验，为客户屏蔽 底层技术栈差异，提供零代码开发接入功能，如配置可实现多源异构数据一步接入。另外，在数据 集成同步、数据集成监控方面也应提供可视化工具，降低数据开发人员的操作门槛。 具备数据开发能力。一方面，在数据接入后，厂商应提供丰富的数据存储方式，满足数据模型、数据规模，数据生产方式、数据应用方式等