社区

01 研究范围定义 研究范围 根据国家数据局的定义，数据要素是指能直接投入到生产和服务过程中的数据，是用于创造经济或社会价值的新型生产要素。 爱分析认为，从技术架构的角度，数据要素×市场可以分为两大层次：技术支撑层和行业应用层。技术支撑层构成了数据要素产生和流通的基础设施，涵盖了数据供给、数据流通和数据安全三个关键领域。而行业应用层则是数据要素价值实现的前沿阵地，包括工业制造、现代农业、商贸流通在内的十二个高优先级行业。数据要素×市场划分详见下图。 02厂商全景地图 爱分析基于对甲方企业和典型厂商的调研以及桌面研究，遴选出在数据要素×市场中具备成熟解决方案和落地能力的入选厂商。 03市场分析与厂商评估 爱分析对本次数据要素×项目重点研究市场做如下分析。同时，针对参与此次报告的部分代表厂商，爱分析撰写了厂商能力评估。 3.1 智慧轨交 市场定义： 智慧轨交市场是城市轨道交通数字化转型的关键领域，以数据要素为核心驱动力，通过集成先进的信息技术和人工智能，实现轨道交通系统的智能化管理和服务优化。 甲方终端用户： 轨道交通企业的IT、数据管理和业务部门 甲方核心需求： 在智慧轨交领域，甲方的核心需求集中在三个关键领域：数据标准的制定与执行、数据的分级分类、以及应用层面的降本增效。首先，甲方强调建立统一的数据标准，以确保数据的一致性和可靠性，同时要求厂商具备深入理解行业特定数据标准的能力。其次，甲方需对数据进行精确的分级分类，以构建体系化的数据资产并保障数据安全，期望厂商能够提供专业的咨询服务。最后，甲方追求通过精准的业务分析和技术应用，实现项目中的成本效益最大化，特别是在日常工作中降本增效。 甲方需要制定数据标准，以确保数据的一致性和可靠性。甲方的核心需求之一是数据标准的制定与执行，这包括专业领域和内部管理两个方面。甲方需要形成规范性、完整性的数据来源，以确保数据的一致性和可靠性。

3.3 业务流程自动化AI Agent 市场定义： 一种基于Agent架构的大模型应用，能理解自然语言描述的任务需求，自主完成环境感知、任务的逻辑拆分、相应工具的智能选择、流程的精确执行、进度的实时监控、以及执行结果的即时反馈等一系列工作，实现更高阶的业务流程自动化，进一步提高企业运营效率和质量。 甲方终端用户： 业务部门、IT部门 甲方核心需求： 企业追求端到端的业务流程自动化AI Agent解决方案，强调技术整合、定制服务、以及合规性。同时，企业偏好以业务价值为导向的驱动模式，将AI Agent作为提升效率和降低成本的工具，而非追求技术本身。 企业需要端到端的业务流程自动化AI Agent解决方案。AI Agent自兴起至今仅一年时间，正处于其发展初期。它并非单一产品，而是一项涉及众多技术、产品和资源的系统工程。由于其"新且复杂"的特性，企业IT部门往往缺乏AI Agent的落地经验，通常需要依赖厂商的引导来实现技术落地。因此，端到端的业务流程自动化AI Agent解决方案成为企业的核心需求。这类解决方案应具备高度的技术整合能力，能够根据企业特定需求定制化服务，同时在部署过程中识别和管理风险，提供持续的技术支持与系统优化，并确保解决方案的合规性与安全性。 企业需要具备业务价值的业务流程自动化AI Agent解决方案。企业在与厂商探讨业务流程自动化AI Agent时，主要基于两种驱动模式进行交流：IT驱动与业务驱动。IT驱动模式下，企业倾向于实施一些探索性的项目，这些项目可能不立即考虑业务价值，而是作为技术验证和能力建设的手段。相对而言，业务驱动模式则更为务实，企业带着具体的业务问题寻求解决方案，这种模式更侧重于解决实际问题并实现业务价值的增长。 从签约和实施的角度来看，IT驱动的项目由于缺乏明确的业务目标和价值衡量，往往面临更大的落地难度。相比之下，业务驱动模式因其清晰

01 研究范围定义 研究范围定义 大模型浪潮席卷全球，AI Agent作为这股浪潮中的新星正在取代Copilot，成为大模型应用的主流形态之一，以其惊人的速度和影响力重塑科技和商业的版图。 AI Agent 是指以大模型为驱动，具有自主理解感知、规划、记忆和使用工具的能力，能自动化执行的智能体。随着大模型能力增强以及RAG等技术的成熟，AI Agent的能力得到了质的飞跃。这些模型赋予了AI Agent更接近人类的思维能力，再联动各类工具和组件，使得AI Agent在处理复杂任务时表现出前所未有的灵活性和效率。从智能助手、个性化推荐系统到自动化客户服务，AI Agent的应用案例层出不穷，它们在各行各业中展现出巨大的潜力和价值。 爱分析认为，AI Agent市场从技术架构角度可以划分为基础层、平台层和应用层。基础层是指支持AI gent的基础环境，包括大模型、算力基础设施和数据基础设施。平台层是基础层和应用层之间的“桥梁”，有利于大模型在各种实际场景以AI Agent的形态快速落地，包括AI Agent开发管理平台、LLMOps工具等。应用层是指各类场景的AI Agent，既有金融、能源、汽车等行业场景的AI Agent，也有业务流程自动化、数据分析、协同办公等通用场景的AI Agent。AI Agent市场划分详见下图。 本报告重点选取AI Agent开发管理平台、协同办公AI Agent、业务流程自动化AI Agent三个市场进行研究。 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分析的厂商能力要求； 近一年厂商具备一定数量以上的企业付费客户（参考第3章各市场分析部分）。 （注：“近一年”指2023年Q3至2024年Q2） 02 厂商全景地图 爱分析基于对甲方企业和典型厂商的调研以及桌面研究，遴选出在AI Agent市场中具备成熟解决

在数字化浪潮的推动下，企业正寻求通过技术创新来重塑业务流程和提升服务质量。飞鹤作为中国乳制品行业的先锋，正积极拥抱这一变革，致力于通过人工智能技术来推动其数字化转型。本案例将深入探讨飞鹤如何通过构建AI能力中台，实现从传统运营模式到智能化服务的转变，以及这一转型如何为飞鹤带来新的价值。 更多行业报告与相关案例研究，欢迎前往爱分析公众号或官网，领取更多前沿研究！ 01 飞鹤开启以AI为核心的数字化转型新篇章 中国飞鹤于1962年创立，是中国最早的奶粉企业之一。根据市场调研数据，飞鹤在2019至2023年间保持了销量的领先地位，这一成就体现了其品牌实力和市场认可度。 2018年起，飞鹤着手实施全面数字化转型，提出了“3+2+2”战略布局，旨在通过智能制造、ERP系统和智能办公等IT项目，结合数据中台和业务中台，来推动新零售和智慧供应链的发展。这一战略布局体现了飞鹤对数字化转型的重视和对未来发展的规划。 在数字化转型的过程中，飞鹤信息化中心对新兴技术保持敏锐的洞察力。2023年，随着大语言模型技术的兴起，飞鹤信息化中心认识到AI技术在提升业务效率和优化交互体验方面的潜力。他们预见到，将AI技术整合到现有业务流程中，无论是内部管理还是外部客户服务，都可能带来显著的效益。 基于对技术趋势的分析，飞鹤信息化中心计划构建AI能力中台，将数字化战略布局由“3+2+2”扩展为“3+3+2”模式。这一扩展意味着飞鹤将AI技术作为新的支柱，与数据中台和业务中台并列，共同支撑集团发展。 02 飞鹤与火山引擎：共创AI赋能的数字化转型之路 飞鹤携手火山引擎，共同打造了一个三步走的AI建设方案，旨在将AI技术深度整合到企业的数字化转型中。这一方案从试点项目开始，逐步扩展至全面的能力建设和最终的全局AI应用实施。 飞鹤AI能力中台架构详见下图，它通过四层结构实现了从基础设施到具体应用场景的全方位覆盖。

数据孤岛一直是企业数字化历程的瓶颈，面临信息缺漏、业务流程难以优化、业务创新备受阻碍等几大难题。传统数据平台无法支撑企业数据的按需按时使用，导致多交互场景完全无法支持。本文从实时数据技术与实际案例展开说明，探究为企业关键业务提供实时数据支撑的高效技术。 分享嘉宾｜唐建法 钛铂数据 创始人&CEO 了解更多报告及文章，请查看爱分析官网或公众号，为您提供更多服务。 TapData 成立于 2019 年，是一家做实时数据的平台公司。公司成立的初衷就是为企业使用数据提供方便简易的工具，随时用到最新数据，解决数据孤岛问题。Tap 是指水龙头水管，企业的数据用水管连接起来，变成一个基础架构，可以随时打开水龙头获取数据。 从统计来看，大型企业平均业务系统有 315 套，中型企业平均 52 套。这些系统最开始从财务、ERP、MES 等都是为某一些业务准备，单一完成这些业务没问题。最近十几年，有很多企业在做数字化举措，涉及到洞察，对业务、客户、生产过程的理解，提高效率等等。近几年，AI 赛道火热，大家通过新技术为企业赋能，提高竞争力。实现以上任务都离不开企业核心数据资产，而这些数据资产目前都存在于二三十年前设计的多个单体式架构系统之内，导致获取数据困难，这对新业务创新、洞察带来非常大的挑战。 各类数据平台是目前主流的解决方案，从 20 年前的数据仓库到 10 年前的数据湖，以及最近五、六年出现数据中台，都是比较常见、主流、中央化的方案。能够把企业各个业务系统的数据，采集后放到中央化的分布式存储里面，在上面做数据分析计算，为洞察型业务分析提供支持。 以上主流方案的核心点是把数据从各个源系统中采集过来，进行加工处理，形成模型，定时采集和批量处理。 数据中台为什么不能做到很好的业务支撑？一是组织架构的问题，二是技术工具的不匹配度。数据中台号称支撑业务，但它采用了市面上常规的批量业务或定时采

数据分析是挖掘数据价值、支撑经营决策的关键步骤。在企业对数据分析工具高效、易用的追求下，数据分析技术持续迭代，前后历经固定报表、自助式分析、对话式分析三个发展阶段。数据分析技术的迭代的核心逻辑是对业务部门的数据应用赋能，体现在门槛的降低、灵活性的提升和分析能力的拓展。 对话式分析是继传统BI、自助式分析之后的技术创新，代表着企业数据分析技术的新趋势。 对话式数据分析能在意图理解准确、取数灵活、洞察深入三方面满足企业广泛的数据分析需求，充分挖掘企业数据价值、赋能经营决策。 7月22日，爱分析正式发布《2024爱分析·对话式数据分析厂商全景报告》，通过对市场的需求分析和代表厂商的能力解读，为企业厂商选型提供参考。 覆盖市场： 对话式数据分析 下载完整版《2024爱分析·对话式数据分析厂商全景报告》或想了解更多报告信息，欢迎前往爱分析官网或爱分析公众号联系我们，为您提供更多帮助。 01 研究范围定义 研究范围定义 1）对话式分析代表企业数据分析技术新趋势 数据分析是挖掘数据价值、支撑经营决策的关键步骤。在企业对数据分析工具高效、易用的追求下，数据分析技术持续迭代，前后历经三个发展阶段。 图1：企业数据分析技术迭代三阶段 第一阶段，企业数据分析以静态报表为主，传统BI和静态报表基本上都是面向IT部门的，业务部门提出需求之后，由IT根据报表工具开发出固定的报表，然后业务部门查看报表结果。此阶段中，传统BI的使用对象仅面向管理层。 企业数据爆发式增长驱动业务部门用数需求快速增加，IT开发固定报表的方式灵活性低、周期长，难以满足业务广泛的数据需求，推动数据分析进入自助式分析阶段。 第二阶段，金融业率先使用自助式分析。业务部门提出需求之后，数据分析师可以基于敏捷BI的工具帮助业务部门快速获取所需的数据，业务部门的灵活性和自主性大幅增加。自助式分析工具的使用对象由管理层变为数据分析师，企业数

撰书初心“推动企业数字化升级，实现数据价值的普惠化，是我们写这本书的初衷。通过将理论与实践紧密结合，让读者能够快速理解和掌握关键概念，实现看了就会，会了就能做的学习效果。同时，我也要对每一位读者表达我的诚挚感激，希望这本书能为你们提供价值和启发。”——黎科峰博士 数势科技创始人兼CEO数势科技此次撰写的《指标体系与指标平台：方法与实践》，旨在推动企业数字化升级，实现数据价值的普惠化。当前市场对企业数字化转型高度关注，尤其对数据管理和利用存在迫切的需求。本书恰逢其时，系统介绍指标体系与平台的方法论与实践，为企业在不确定环境中提供决策支持，优化运营流程，增强市场竞争力。通过丰富案例与前沿技术探讨，为企业数字化转型提供实战指南。无论你是企业的决策者、数据分析师、IT专业人士还是普通员工、大学生，还是对数据智能感兴趣的普通读者，本书都值得你阅读，无论你是想深入了解指标管理，还是希望通过数据智能驱动到业务决策，本书都能满足读者的需求和期望。各章节的知识点有哪些？第1章：从指标驱动的数字化经营新模式开始，带大家进入真实的企业经营环境，让大家快速感受指标管理对企业经营的重要意义。第2章：着重介绍指标体系的设计方法论，看懂指标设计的原则，带着设计思维模拟指标拆解、设计、落地的全过程。第3、4章：深入指标管理平台的设计与技术架构。从多年实践中，我们总结出这套指标平台建设方法，帮助企业构建一套具备“一处定义、全局使用”，且自动化、高性能的指标平台。如果你正考虑建设指标平台，那一定不要错过这两章内容。我们将在本文中拿出3.1章“指标平台定位”进行分享。第5~8章：将深入零售、金融、制造、消费品、连锁加盟等行业，从不同行业的特点出发，向您展开不同的指标平台设计、建设和应用的全景图，结合行业的最佳实践让你切实感受指标平台带给企业的价值，为想要进行数据智能决策的你提供参考。第9、10章：将分别探索两大

引言 经过多年的数据基础设施建设，企业已经完成从“有数”到“用数”的过渡，数据驱动成为常态。进一步，面对激烈的市场竞争和快速变化的客户需求，如何提高“用数”效率，以实时或准实时的数据处理速度进行决策、开展服务以及优化运营，正成为企业获取竞争优势的关键，催生实时数据业务场景快速增长。 面对日益增长的实时数据业务场景，传统的实时数据集成解决方案如点到点实时同步、ESB企业总线、Kafka消息队列等均存在各种局限性，促使新一代实时数据集成解决方案应运而生。 本文将重点阐述实时数据业务场景的定义、增长驱动因素，并通过多种实时数据集成解决方案的对比，阐释新一代实时数据集成解决方案为什么代表着未来发展趋势。 01 实时数据业务场景的定义 实时数据业务场景指企业在经营过程中，对新数据进行实时传输、处理、分析、查询和响应的业务场景，支持实时决策和实时操作。其中实时指的是从数据产生端到消费端跨系统传输或处理过程实现毫秒或秒级延迟。 图1：实时数据业务场景分类示意图 按照消费端的数据处理模式，实时数据业务场景包含TP场景下的实时交互型业务场景和AP场景下的实时运营分析场景。 TP场景下的实时交互型业务场景 实时交互型业务场景指消费端的应用程序需要跨系统实时查询生产端系统信息的场景，如统一订单中心、实时风控、CDP平台等。这些场景是企业的关键任务，对于保障企业正常经营有决定性影响，一旦出现延迟或数据错误将导致严重的经营事故，因此对数据时效性和数据准确性要求极高。 需要强调的是，与传统基于Oracle数据库实现的TP场景不同，实时交互型业务场景往往涉及异构的数据源，需要解决源系统和目标系统之间跨系统的数据一致性，数据传输处理和集成等问题。而传统的OLTP场景虽然也强调实时响应，但在单一Oracle数据库中实现数据集成、完成业务的事务性操作以及保障数据一致性，其技术实现的路径和复杂度与实时交互型业务

更多案例研究与行业报告，请前往爱分析官网 媒体行业企事业单位在数据要素领域得天独厚，日积月累的新闻报道、媒资素材、读者反馈和市场研究，沉淀出属于它们的“数据金矿”。 但是，多数相关单位尚未重视和发挥数据要素价值，导致资源闲置。闲置的数据要素既无法赋能内部业务团队，也无法通过对外输出来实现社会和商业价值。这种对数据只存不用的行为，导致媒体行业的“金矿”逐渐变成为“包袱”。 科技日报社作为媒体行业激发数据要素价值的先行者，已构建完善的数据基座和能力输出体系，在提升业务团队工作效率、对外输出实现创收等方面取得显著成绩，具有标杆意义。 01 数据底座+内外服务，科技日报社描绘数据要素价值实现蓝图 科技日报社（以下简称报社）是中央编委批准设立、由科学技术部代管的副部级事业单位，是承担党和国家科技宣传任务的中央主流媒体。报社作为科技信息传播的重要机构，拥有丰富的数据资源，充分释放数据资源价值，不仅能够提升报社的业务能力和市场竞争力，还能够更好地履行媒体的社会责任，带来更广泛的影响。基于此，报社通过梳理现有系统和数据资源，总结出构建数据底座、对内服务、对外输出三大需求。 需求一 以知识体系为骨架，构建数据底座 报社在科技资讯领域积累大量数据，既有自己生产的，也有积累的外部资料。这些资料交织混杂，检索不便。报社需要以当前的数据资源为基础，以知识体系为框架，来构建数据底座，旨在为后续高效利用数据资源打下坚实基础。 对于数据资源使用者而言，即需要过往数据的支持，也需要了解科技资讯领域的最新进展。报社需要按照新建的知识体系纳入外部资源，不断扩充和更新，保障数据底座的持续可用性。 需求二 以灵活取用为目的，实现对内服务 构建数据底座不是目的，用起来才是目的。数据底座的作用在于收集、管理数据资源，因此报社需要开发用户端，让大家可以灵活取用。编辑和记者们写文章或者报告时，往往需要查询资料，通过用户端可

“过去几年里，当我们做内部审视和自我反思时，我们知道阿里落后了，因为我们忘记了真正的客户是谁。我们的客户是使用APP进行购物的人，而我们没有给他们最好的体验。” 4月3日，在挪威主权财富基金（Norges Bank Investment）发布的最新访谈视频中，阿里巴巴联合创始人、董事局主席蔡崇信透露了他对于阿里巴巴的种种反思，将落后的原因总结为“没有重视体验”。 体验到底是什么？ 体验为什么这么重要？ 企业落地体验这件事有哪些抓手？ 有没有体验驱动增长的实践案例可以作为参考？ 带着大家关心的这些问题，网易云商启动了体验增长的主题研究，经过半年的研究，长达50页的《2024体验增长白皮书》正式发布。 在这本白皮书中，网易云商试图带大家走进体验增长的“神秘之门”，呈现：落地体验驱动增长战略的价值；企业在体验优化过程中的挑战；走向体验增长的方法论和具体路径；AIGC如何赋能体验增长。 体验虚无缥缈？体验做好，收入翻倍 现代消费者对于品牌的需求已不再局限于交易本身，他们期待在与品牌的互动中收获具有意义的体验，建立真实而深刻的联结。察觉到消费者的需求，许多企业在设计产品服务时，着力于“共情力”，让自己成为相似品类中，与消费者的心理距离最近的一个。 体验一词听起来似乎虚无缥缈，其实并不尽然。 用一个近些年流行的词语来让体验形象化，那就是“情绪价值”。 也就是说，在消费者消费的全过程中，企业要思考能够给消费者怎样的心理感受，最好能够让消费者把好的感受分享出来。 那么体验对企业有什么价值呢？白皮书向我们呈现了一组麦肯锡的研究数据，数据显示： 在客户体验领域表现卓越的企业，其收入增长率是那些在这方面落后企业的2倍以上。 此外，白皮书也提炼了落地体验驱动增长战略的4大价值点：提升客户忠诚度与口碑；积极的用户洞察和产品改进；降低客户获取成本；提升客户生命周期价值（CLV）。 优化体验的过程就像“