在數字經濟浪潮中，數據正從“生產要素”向“戰略資產”躍遷。根據IDC預測，2025年全球數據總量將突破175ZB，而中國數據圈增速將領跑全球。這一背景下，數據行業正經歷三大底層變革：數據治理從合規成本轉向AI創新引擎、通用平臺退潮與行業場景化平臺崛起、輕量化架構顛覆傳統重資產模式。本文將結合金融、醫療、制造等行業實踐，解析企業如何在這場變革中破局。

在傳統政務服務中，“跑斷腿”“重復提交材料”曾是群眾辦事的痛點。如今，隨著大數據與人工智能技術的深度融合，政務服務正經歷一場從“被動響應”到“主動服務”的范式革命。國務院《新一代人工智能發展規劃》明確提出“開發適于政府服務與決策的人工智能平臺”，而各地實踐表明，這場變革已不再停留于技術試驗，而是真正讓數據流動起來、讓治理“聰明”起來。

在AI技術從“實驗室創新”邁向“產業級應用”的今天，數據治理已從IT運維的附屬品，進化為企業構建AI競爭力的核心基礎設施。它不僅是技術問題，更是組織架構、商業模式的系統工程。 數據治理的質量，決定AI系統的社會公信力。

2025年，全球企業AI應用開發呈現“冰火兩重天”：一邊是OpenAI、DeepSeek 等大模型參數突破百萬億級，另一邊卻是78%的企業困在“PPT智能”階段——AI應用開發周期長、場景碎片化、數據孤島難破。 Dify與大模型的結合，正在打破這一僵局。它不僅是工具，更是企業AI能力工業化的流水線，讓大模型從“技術狂歡”走向“價值落地”。從金融風控到智能制造，從醫療合規到客戶服務，一場由Dify驅動的“原子級效率革命”正在重塑商業邏輯。

數據指標與數據指標體系，是一個很大的話題，是一個數據領域的分支，和業務有深度的結合，又是數據分析等領域的基礎，本章只是從一個產品經理的角度，梳理了一些個人認為的重點，僅作參考，如果希望進行一步了解，可以在這個“核”的基礎上，進行不斷修煉，完善。這個也是本書的一個目的，通過極簡的介紹，讓你對數據治理各個模塊快速有一個理解。之后的升級，就需要各種磨煉了，甚至需要各種工作機緣了。

2025年，企業追逐大模型的浪潮已從“技術嘗鮮”轉向“價值落地”。然而，許多企業發現，大模型的表現并不如預期：回答不專業、業務場景難適配、數據隱私隱患頻發……問題的核心，往往不是模型本身，而是背后的數據質量與治理能力。正如復旦大學肖仰華教授所言：“大部分數據仍沉睡在服務器，尚未轉化為真正的資產”。 數據中臺——這個曾被貼上“過氣”標簽的概念，卻在大模型落地困境中重新成為焦點。它不是簡單的數據倉庫，而是通過標準化、智能化、場景化的數據治理體系，讓數據真正流動、融合、增值的“隱形引擎”。本文將結合行業實踐，揭秘數據中臺如何成為大模型時代的勝負手。

2025?年，生成式?AI?與數據要素的雙重浪潮正重塑商業世界。企業若仍停留在?“用幾個?AI?工具優化局部效率”?的初級階段，終將被淘汰出局。楓清科技創始人高雪峰在?2024?中國生成式?AI?大會上斷言：“以數據為中心的智能體（Data-Centric Intelligent Agent）將成為企業智能化的核心引擎，它不僅是技術迭代，更是企業生存的底層邏輯。”

2025年3月24日，人工智能領域迎來了一次重磅更新——DeepSeek 正式發布了新一代模型 DeepSeek V3–0324，并繼續秉持開源精神，完整開放模型參數和權重。 這一版本在編程能力與復雜推理任務中表現尤為出色，但同時也引發了關于“AI 性格變了”的熱議。目前 Reddit ?評論區已經熱鬧到爆，討論如潮，幾乎可以用“現象級”來形容這場模型更新帶來的沖擊。

在數字化時代的浪潮下，政務服務面臨著從傳統模式向智能化轉型的深刻變革。如何在這一進程中，既突破現存困境，又能讓政務服務充滿人文關懷？基于?DeepSeek?的實踐探索，正引領我們開啟構建有溫度數字政府的全新征程。

在這個信息爆炸的時代，數據已成為驅動經濟社會發展的新燃料。然而，數據的價值并不在于其孤立存在，而在于流動、共享與應用中產生的洞見與創新。數據要素共享，這一看似簡單的概念，實則蘊含著推動國家治理體系和治理能力現代化、促進經濟高質量發展的巨大潛力。本文將深入探討數據要素共享的內涵、意義、與傳統數據交換的區別，以及實現路徑，旨在為讀者揭開數據共享的神秘面紗，無論是數據公司的專業人士還是一般讀者，都能從中受益。

通過?“標準重構?-?數據治理?-?平臺賦能”?三位一體策略，實現設備編碼?“一物一碼、全域貫通”，支撐生產實時監控、設備全生命周期管理及智能決策

從?“數據混亂”?到?“決策加速”，90%?的企業痛點都能用這個組合拳解決

在某智能制造工廠的中央大屏上，數據治理健康度指數實時跳動著——這是由大模型驅動的治理自動駕駛艙。系統不僅能自動修復98%的數據質量問題，更能預測未來三個月的數據增長趨勢，提前部署治理資源。這種"治未病"的能力，正將數據治理從成本中心轉化為價值引擎。這場靜默革命的終極目標，是讓企業的數據資產如血液般在業務脈絡中自由流動。當AI大模型成為數據治理的新基座，我們迎來的不僅是效率的躍升，更是一個數據價值可以像電力般即插即用的新時代。那些率先完成智能化重構的企業，正在數字經濟版圖上劃出新的疆界。

在流量紅利見頂、消費者需求碎片化的今天，鞋服零售門店如何通過AI技術突破增長瓶頸？從商品賣點提煉到短視頻精準營銷，從智能推薦到數據驅動決策，本文將結合DeepSeek等AI工具的實際案例，拆解一套可落地的門店銷售提效方法論。

在生成式AI的浪潮中，一個殘酷的真相愈發清晰：沒有知識庫支撐的大模型，就像失去記憶的智者，空有計算力卻無法落地生根。當醫療、金融、制造等領域的“場景專屬模型”開始批量涌現，企業之間的競爭將不再局限于算法優劣，而是演變為知識資產密度與迭代速度的較量。

在 DeepSeek 的協作中，用戶應扮演“導演”而非“觀眾”——通過精準的指令設計，調度 AI 的計算資源與知識儲備。掌握這 9 個技巧，意味著獲得打開智能時代的“元技能”：將模糊需求轉化為可執行方案的架構力。

隨著人工智能技術的飛速發展，AI已經從簡單的文本生成和圖像識別，逐漸走向更復雜的任務自動化。今天，我們來聊聊一個令人興奮的新進展——OpenAI推出的一系列新工具和API，旨在幫助開發者和企業更輕松地構建高效、可靠的智能代理（Agents）。

全球物流行業正經歷一場靜默的變革。過去十年，多式聯運因成本與效率的 “雙刃劍” 備受爭議 —— 既要協調公路、鐵路、水運等多種運輸方式，又要應對貨物轉運的銜接難題。據行業統計，多式聯運中因轉運銜接不暢導致的延誤成本高達總成本的 15%。而如今，這一困局正被 DeepSeek 這一國產 AI 大模型打破。它通過數據驅動與智能決策，讓多式聯運從 “被動銜接” 邁向 “主動優化”，甚至重新定義了物流行業的效率天花板。

人工智能的指數級發展正在重塑技術邊界，但也催生出前所未有的安全危機。當DeepSeek以日均百萬用戶的速度刷新AI應用紀錄時，其安全防線正面臨黑客組織、技術濫用者乃至國家行為體的多維沖擊。傳統網絡安全范式在智能模型的黑箱特性、攻防成本的非對稱性、法律責任的模糊性三重沖擊下，已顯露出系統性失效的風險。

在數字化浪潮席卷全球的今天，人工智能（AI）已從實驗室走向生產線，從單點工具進化為重塑商業邏輯的“認知中樞”。其中，AI工作流正以“化繁為簡”的革命性力量，成為企業降本增效、創新突圍的核心引擎。它不僅是技術的迭代，更是組織形態的進化——通過將復雜任務拆解為可迭代、可優化的智能流程，讓企業從“經驗驅動”邁向“數據驅動”，從“人力密集”轉向“智能密集”。

2025年春天，《政府工作報告》首次將"人工智能+"與"新基建""雙碳戰略"并列，列為國家戰略核心。這一決策背后，是AI技術從"實驗室突破"到"產業落地"的質變——正如蒸汽機之于工業革命，電力之于電氣時代，人工智能+正在成為第四次工業革命的"操作系統"。但這場革命并非巨頭獨舞：從中小制造企業到縣域醫療機構，每個行業都能找到自己的AI方程式。本文將揭示這場變革的本質、路徑與機遇。

DeepSeek-R1 模型在 4 張 NVIDIA RTX? 5880 Ada GPU Generation 顯卡配置下，面對短文本生成、長文本生成、總結概括三大實戰場景，會碰撞出怎樣的性能火花？參數規模差異懸殊的 70B 與 32B 兩大模型，在 BF16 精度下的表現又相差幾何？本篇四卡環境實測報告，將為用戶提供實用的數據支持和性能參考。

在當今人工智能飛速發展的時代，大型語言模型（LLMs）正以其強大的語言理解和生成能力，改變著我們的生活和工作方式。在最近的一項研究中，科學家們為了深入了解如何高效地訓練大型語言模型，進行了超過4000次的實驗。這些實驗動用了多達512個GPU（圖形處理單元），它們協同工作，為模型訓練提供了強大的計算支持。在這項研究中，研究人員特別關注了兩個關鍵指標：吞吐量（通過標記的大小來表示）和GPU利用率（通過標記的顏色來表示）。這兩個指標都根據模型的大小進行了標準化處理，以便更直觀地比較不同模型在不同硬件配置下的表現。

在數字經濟時代，數據質量已成為企業核心競爭力的關鍵要素。Gartner研究顯示，低質量數據每年給企業帶來平均1500萬美元的損失。當傳統數據治理仍在依賴人工規則引擎時，大模型技術正掀起一場靜默的革命——它不僅將數據處理效率提升300%以上，更重新定義了數據質量治理的范式。

數據指標的相關工具，指出了數據指標工具，有兩種形式，一種是面向開發的指標口徑管理系統，一種是面向數據應用的指標數據管理系統，或者稱為指標平臺。

DeepSeek 的這次大規模開源行動，不僅為 AI 開發者提供了強大的工具和資源，也為 AI 技術在更多領域的應用鋪平了道路。通過降低開發門檻、優化硬件資源利用、支持多模態處理和跨平臺能力，DeepSeek 正在推動 AI 技術的普惠化和生態化發展。隨著更多開發者和企業的參與，這些開源項目有望在各個領域催生更多創新應用，加速 AI 技術的商業化落地。

2025年，全球數字經濟規模突破70萬億美元之際，數據要素與人工智能的深度融合正在重構商業世界的運行法則。在這場變革中，佛山某建筑企業通過AI優化設計節約鋼材1.6萬噸，湖北數據集團用大模型提升供需匹配效率70%，北京生物醫藥企業實現抗體研發效率提升百倍——這些鮮活的案例揭示著一個真理：在數字經濟時代，數據是新型戰略資源，AI是核心轉化工具，二者的協同效應正成為企業突破增長瓶頸的推進器。這種"數據燃料×AI引擎"的化學反應，正在全球范圍內掀起企業進化革命。

DeepSeek 官方重磅推出「Awesome DeepSeek Integration」集成工具庫！這個由官方親自整理的資源合集囊括了全網最全面的 DeepSeek 生態工具——從桌面端到移動端，瀏覽器插件到代碼編輯器，即時通訊工具到文獻管理神器，即刻賦予你的應用 AI 超能力。

"當數據治理遇上AI，不是機器替代人類，而是讓人類站在機器的肩膀上看見更遠的未來。每個治理動作都在編織數字文明的神經網絡，而你，正是這個時代的造網者。"AI通過認知增強（NLP）、預測賦能（機器學習）、關系重構（知識圖譜）三大技術杠桿，將數據治理從"成本消耗"轉化為"價值創造"的核心引擎，推動企業完成從數據管理到數據智能的戰略躍遷。

“數據是新時代的石油，但未經治理的石油會堵塞管道；知識是企業的黃金礦脈，但缺乏提煉的礦石無法兌換價值；大模型是超級引擎，但燃料不足的引擎終將熄火。”——?唯有四者協同，才能讓企業的智能化轉型從?“紙上藍圖”?走向?“落地生根”。

人類用20W功率的大腦征服宇宙，AI卻需要一座核電站處理300頁文檔——直到今天，我們終于教會了機器如何“思考”而非“蠻算”。　

RAG：沒有改變大模型，在大模型原有的基礎上加入了一些知識，用來回答用戶的問題。 微調：原有大模型的基礎上加上新的知識改造大模型，是一個新的模型。

企業可根據實際需求選擇適合的部署方案。建議初次部署從?7B?量化版起步，待業務穩定后逐步升級。定期關注DeepSeek?官方更新獲取最新優化方案。

在?AI?時代，大模型的能力終將趨于相同，然而，真正決定勝負的關鍵，是隱匿于算法背后的高質量數據集。這就好比所有廚師都能購置相同的鍋具，但唯有掌握獨家秘方的人，才能烹飪出米其林三星級別的美食。

加快推動公共數據資源管理和運營機制改革落地見效，進一步增強數據資源價值釋放的驅動力，以公共數據開發利用引領撬動各方數據的融合應用，打造數據利用的多應用場景和模式，更好釋放數據要素價值。

在這個數字化轉型的時代，數據治理已經成為企業提升競爭力的核心能力之一。然而，對于很多企業來說，數據治理仍然是一項復雜而艱巨的任務。今天，我們將為你詳細介紹如何利用?DeepSeek?這一強大的?AI?工具，快速構建屬于自己的數據治理體系。無論你是數據治理的新手，還是正在尋找更高效的解決方案，這篇文章都將為你提供清晰的指導。

當你的競爭對手用大模型?10?分鐘生成市場分析報告，你的團隊還在熬夜做?Excel；當他們的知識庫能自動預警風險，你的員工卻因骨干離職陷入癱瘓?——技術差距的本質，是數據價值轉化效率的差距。

最近Deepseek成為了AI圈中最火爆的話題，一方面通過稀疏激活的MoE架構、MLA注意力機制優化及混合專家分配策略等創新手段，實現了高效的訓練和推理能力，同時大幅降低了API調用成本，達到了行業領先水平。另一方面，Deepseek更是以7天實現用戶數破億的速度，一舉超越了OpenAI的ChatGPT（ChatGPT為2個月）。網上關于本地部署Deepseek-R1的教程，更是如同雨后春筍般出現在各個網絡平臺上。然而，這些本地部署教程往往會告訴你Deepseek-R1有多強大，但不會告訴你本地部署的“蒸餾版”Deepseek-R1相比“滿血版”究竟有多差。值得注意的是，目前公開發布的小尺寸的DeepSeek-R1模型，均是通過Qwen或Llama從R1中蒸餾過來，尺寸有所縮小，以適應不同性能設備調用DeepSeek-R1模型。換句話說，無論是7B還是32B的DeepSeek-R1，本質上更像是“R1味兒”的Qwen模型，差不多是“牛肉風味肉卷”和“牛肉卷”的差距。雖然擁有前者部分特性，但更多是后者照貓畫虎實現類似的推理功能。毋庸置疑的是，隨著模型尺寸的縮小，其性能也會變得更差，與“滿血版”R1的差距也會更大。而今天，大模型之家就帶你來看看，不同尺寸的DeepSeek-R1與“滿血版”差距究竟有多大？

數據資產是指由個人或企業擁有或控制的，能夠為企業帶來未來經濟利益的，以物理或電子方式記錄的數據資源。這些數據資源包括但不限于數字信息、文字信息、圖像信息、語言信息、數據庫等。數據資產具有以下幾個特點：權屬明確：數據資產通常具有明確的權屬，包括勘探權、使用權和所有權。

數據中臺作為企業數字化轉型的重要支撐平臺，通過提升數據整合與共享能力、強化數據分析與洞察能力、推動業務創新與發展、提高運營效率與管理水平以及加強數據安全保障等方面，為企業的數字化轉型提供了有力保障和強大動力。因此，企業在進行數字化轉型時，建設數據中臺是必然選擇。

財務共享中心作為現代企業管理的有效工具，通過提高效率、降低成本、加強內部控制等方面的優勢，為企業創造了良好的財務運營環境，成為企業發展的有力助推器。

財務共享中心能幫助企業達到規模經濟，?主要是因為其通過集中處理財務事務，?實現了規模效應，?從而提高了工作效率并降低了成本。?

近日，為鼓勵數字賦能航天文化，“中國航天日”宣傳海報征集AIGC創作平臺通道正式開啟，這是“中國航天日”主題活動多年來首次嘗試設立AI賽道，也將激發AIGC在航天領域的更多應用創想。

隨著人工智能技術的不斷發展，大模型技術作為其核心組成部分，在各個領域都發揮著重要作用。

今年的政府工作報告提出，大力推進現代化產業體系建設，加快發展新質生產力。對此，全國政協委員、360集團創始人周鴻祎在接受《經濟參考報》記者采訪時表示，應提倡運用科技創新推動生產力躍升。只有通過關鍵性核心技術創新，推動科學技術的原創性突破、前瞻性應用，形成新優勢，才能在全球競爭格局中搶占未來產業科技創新制高點。 “在新一輪科技革命和產業變革加速演進的時代背景下，我國堅持把科技創新擺在國家發展全局的核心位置，開辟發展新賽道、塑造發展新優勢。從世界范圍來看，我國擁有全世界最完整的產業鏈、最齊全的工業門類、最豐富的企業場景紅利。科技創新為產業高質量發展深度賦能，產業發展為科技創新提供應用場景，二者深度融合、互促共進，為高質量發展注入有力動能。”周鴻祎委員說。 政府工作報告提出“制定支持數字經濟高質量發展政策”“深化大數據、人工智能等研發應用，開展‘人工智能+’行動”等多項具體部署。談及開展“人工智能+”行動，周鴻祎委員認為，過去是“互聯網+”思維，未來是“人工智能+”思維，其中，大模型作為人工智能發展的核心引擎，正引發一場全新的工業革命。 “我國發展大模型的一個重要方向應該是借助產業和場景的優勢，將大模型與業務流程、產品功能相結合，尋求多場景應用、垂直化和產業化的落地，讓大模型作為生產力工具與傳統產業進行‘數轉智改’結合，成為產業數字化的重要賦能者。”他說。 對此，周鴻祎委員提出三點建議，一是政府、央地國企率先提供更多應用場景，聚焦“小切口，大縱深”，推動大模型垂直化、產業化落地；二是鼓勵企業在定制AI前，做好知識管理，將企業大數據平臺升級為企業知識平臺；三是鼓勵和引導企業將大模型與數字化業務系統深度結合，同業務流程相結合，充分發揮大模型價值。 他表示，伴隨人工智能的影響日益擴大，安全問題也愈發凸顯。通用大模型的安全，是保障人工智能技術可持續發展、實現廣泛應用的重要基礎，對確保人工智能系統的可靠性和安全性意義重大，更需國家和企業重點應對和保障。建議國家研究制定保障通用大模型安全的標準體系，推動通用大模型開展安全評測、接入安全服務，降低通用大模型安全風險。鼓勵政府、央地國企與兼具“安全和AI”能力的企業在大模型安全領域展開深入合作。

隨著數字經濟的快速發展，2024年將迎來全新的商機風口。數據治理、數據平臺和應用場景被視為數字經濟的三駕馬車，它們將成為推動商業創新和增長的關鍵。本文將深入探討這三個關鍵要素在數字經濟中的作用，并分析它們為未來商機帶來的影響。

多企業在上線BI并完成了基本的數據展示后，經常會對BI后續的建設路徑感到迷茫，不知道從哪入手；或者是大張旗鼓搞了很多的BI開發，結果一頓操作猛如虎，業務評價很扎心。 BI的核心價值在于利用企業的數據資產輔助經營決策，是企業數據資產價值變現的重要工具。和企業經營一樣，更合理的BI建設路徑也應圍繞著ROI最大化的目標來設計，但如何評估BI建設的ROI一直是一個世紀難題。 觀遠數據客戶成功經理王星亮通過總結多年來服務各行業先進客戶的經驗，以及從其中部分客戶樣本上觀察到的現象，提煉出一套簡易的分析框架，以此嘗試從ROI角度為不同類型、不同階段的企業提供可參考的 BI 建設路徑建議。 一、BI價值的分類及影響因素 BI建設的ROI高低取決于價值和成本兩個方面。首先分析價值方面。 BI的核心價值在于利用數據資產輔助企業經營決策，提高決策效率。 根據過往實踐經驗的總結，我們提煉了BI建設對經營決策的兩類價值，將其分為基礎價值和賦能價值，并總結出了對其中數據賦能價值有較大影響的兩大因素： 1．基礎價值 最基礎的數據展示，讓業務部門能夠更便捷地看到不同來源的業務數據，是BI工具的基本功能，本身有一定價值，最容易實現，也最容易產生“審美疲勞”，屬于BI建設中的“低垂的果實”。 2．賦能價值 ? 業績增長（顯性價值） 業績增長泛指業務結果，對應指標體系中的結果指標（GMV、利潤、現金流、用戶數等），是所有盈利性組織最關注、最顯性的價值，也是在數據建設過程中優先保障的。同時，這類價值也是最難評估和驗證的。一方面，因為業績增長通常是多因素共同作用的結果，難以評價數據建設單一因素在其中發揮的價值；另一方面，由于企業組織規劃中通常有清晰的角色分工，數據建設崗位通常為中后臺部門，不直接為業績結果負責，導致數據價值鏈冗長，追溯成本高。部分企業采用業務部門與數據部門目標綁定的方式，讓數據直接為業務服務，用縮短價值鏈的方式體現數據價值。 ? 業務提效（隱性價值） 業務提效泛指業務流程中的過程管理，對應指標體系中的過程指標（轉化率、ROI、周轉率、良品率等），這類價值的上限空間通常有限，在企業快速增長階段通常非最優先關注點，而在企業穩定發展、開始向內部要效益的階段會成為重要關注點。 吊詭的是，數據建設本身也是一項需要企業資源投入的工作，在企業增速趨于平穩，開始向內部要效益的階段，數據建設需要的投入也會受到影響；從這個角度講，企業能否在高速增長階段提前布局自身的數字化建設，匹配企業生命周期合理投入數據建設資源，非常考驗企業決策團隊的數據意識和戰略格局。 3．影響因素 基礎的數據展示價值對企業實際的經營活動價值非常有限，更多是作為提升內部數據意識、展示企業數字化發展水平的工具，形式大于內容，不同企業差別不大；但不同類型企業的數據賦能價值則有很大差異，主要影響因素有以下兩個方面： ? 可獲得的數據資產與其重要經營活動的匹配度 以“復購率”指標為例，如果一家企業提供的商品或服務有較高的復購價值，復購率會是衡量其經營健康度的重要指標，用戶運營就是其重要的經營活動之一；而用戶數據相對外部潛客數據更易獲得，只要做好了用戶相關的數據資產建設，就能很快在用戶運營環節發揮出數據價值。 反之，如果一家企業提供的商品或服務復購需求較低，老用戶的數據對其核心業務的增長價值有限，業績增長更依賴的外部數據又難以獲取，則會造成數據資產與重要經營活動的錯配，難以發揮數據資產價值。 ? 經營活動中各類決策過程對數據資產的依賴度 整體而言，不同類型決策對數據資產的依賴度排序為： ? 高頻決策高于低頻決策：例如收并購、拓展新業務、組織架構調整等類型決策通常屬于低頻決策，歷史數據參考意義不大；而投流渠道選擇、用戶運營策略調整通常屬于高頻決策，可以通過歷史數據發現規律，指導業務動作； ?標準化決策高于定制化決策：標準化決策指決策鏈路邏輯較清晰、可描述，如門店貨品補貨決策；定制化決策指決策鏈路復雜，需考慮因素多，如大型IT項目的報價決策；通常2B企業的定制化決策比例高于2C企業。 ?分析型決策高于組織型決策：兩者核心的區別在于“人的感性因素”在該決策活動中的影響占比。 企業經營活動中各種決策類型的占比和價值貢獻，是企業是否重視數據建設的底層驅動因素。數據對企業經營活動核心環節的重要程度，決定了BI建設對企業價值貢獻的天花板。 二、BI建設成本的分類及影響因素 ROI的另一端是成本，BI建設需要以數據建設為基礎，這里將數據建設的成本包含進來，可以大致總結為數據獲取成本、數據治理成本、數據應用成本（BI建設屬于數據應用的一部分）三個方面，其相應的影響因素包括： 數據獲取成本 影響因素：外部數據 or 內部數據；To B or To C；線上 or 線下…… 企業內部數據的獲取成本通常低于外部數據獲取成本，但這里有一個特例，即電商品牌企業。由于國內電商平臺（京東、淘系、抖音等）的快速發展和數字化建設程度普遍較高，電商企業可以在不建設交易系統的情況下依賴電商平臺的交易系統能力獲得交易數據，這部分數據的所有權為電商品牌，但卻是來自于外部的電商平臺系統。正是由于電商品牌的這個特點，讓很多電商新銳企業在自身信息化水平非常薄弱的情況下依然可獲取到非常重要的交易數據，進而放大了BI建設的ROI，使“先數字化，后信息化”的發展路徑成為可能。 商業模式（2B/2C、線上/線下等）的區別對應的本質問題是看企業的經營活動對信息化的依賴程度，越是依賴線上的、2C的企業（如零售銀行），其信息化水平需求越高（信息化水平不足的企業已經被淘汰了），其內部可用的數據資產規模越大（先不考慮資產質量），數據獲取成本就越低。相反，越是依賴線下、2B的企業，其信息化水平的重要性越低，如果要獲取充足的數據資產，就需要先完善信息化建設（其本身對經營活動的必要性卻不高），即變相提高了其數據獲取的相對成本。 2．數據治理成本 影響因素：一方/二方/三方數據；業務閉環程度…… 數據源對數據治理成本的影響，我們仍以上述電商企業為例：盡管依賴電商平臺完成交易環節的電商品牌企業無需自建交易系統，獲取交易數據的成本較低，但由于其數據源來自平臺方，為二方數據，因而會導致其數據治理成本提高。 業務閉環程度對數據治理成本的影響，我們以制造業企業為例：自建工廠的制造業企業可以通過完善生產信息系統獲取供貨數據，依賴代工生產的企業可以通過代工企業上報的方式獲取供貨數據，各自都有一定的數據獲取成本；但自建工廠的企業一旦完成了生產系統信息化，其數據治理成本將遠低于依賴代工的企業。 3．數據應用成本 影響因素：數據意識；法規限制；數據工具；組織結構…… 這一部分展開分析可以獨立作為一個話題，簡單概括以下要點： 總體來看，當企業受自身商業模式、企業信息化發展、內部數據文化等多種因素影響，把綜合數據建設成本降得足夠低，就會相應提高BI建設的ROI。 值得一提的是，在考慮數據工具的成本時，除了工具本身的采購成本和部署成本這些“顯性成本”外，工具自身的易用性、易維護性也會影響企業的學習成本、建設成本、維護成本等“隱性成本”，如果由于工具難用或難以維護導致沒有發揮出應有的價值，產生的機會成本浪費通常是巨大的。 三、以ROI達標為前提 企業BI建設的細分路徑 BI的核心價值在于提高決策效率，但并不是所有決策都最適合用BI解決，也沒有一套BI建設的方法論可以適配所有企業，觀遠數據嘗試提供一個簡易的分析框架，用以判斷不同企業應該參考何種路徑、在哪些環節發展BI。 1．BI更適合什么類型的決策場景 與數據資產價值及決策類型的匹配關系類似，BI更適合高頻的、標準化的、分析型的決策場景。 ? 高頻決策場景 如果決策頻率不高，例如季度、年度的企業整體經營分析場景，即使沒有BI，也完全可以靠分析人員利用其他分析工具（Excel、Python等）滿足分析需求，甚至靈活度更高。但如果能在BI上實現該類綜合性較強的分析，說明企業內部的數據資產質量較高，也能驅動各部門管理人員重視BI建設工作，有利于推動BI的全面普及。 ? 標準化決策場景 如果決策場景的標準化程度不高，例如針對一個偶發性事件做的針對性分析，可能需要重新搭建數據模型、清洗大量“臟數據”、重新搭建BI頁面，但該場景的復用價值有限，用BI實現的ROI較低。但如果企業內定制化分析的需求頻率較高，而分析難度較低，且數據資產相對完備，則較適合通過推廣“自助分析”的方式發展BI。 ? 分析型決策場景 典型的分析型決策具備可量化、可追溯、易歸因、決策鏈短等特征，可以根據數據分析結果直接做出行動決策，如生鮮門店的促銷決策，可以根據不同生鮮產品的臨期情況、庫存情況動態調價，算法規則明確后，即可通過BI應用將行動建議直接推送給門店店長，指導店員促銷動作。這一類場景適合將數據流與業務流綁定，通過產品化的BI應用實現數據-分析-行動-反饋的閉環。 2．如何制定更優的BI建設路徑 理想情況下，BI的建設路徑和推廣方式需要綜合考慮企業不同階段的數據資產水平、不同類型的決策占比及重要程度、組織結構與決策脈絡有針對性的規劃制定。 ? 建設路徑 建設路徑回答的是“做什么？”的問題，這里提供一個參考思路： ①首先結合企業商業模式和戰略目標，找出關鍵的經營活動有哪些； ②在這些關鍵經營活動中識別出其中主要依賴的決策類型（高頻還是低頻、標準化還是定制化、分析型還是組織型），并結合可獲取的數據資產情況，找出那些更適合通過BI賦能且數據資產可用的決策場景作為優先的BI建設目標； ③不斷重復①、②； 當然，現實情況下還要兼顧企業內數據資產的建設規劃、不同業務部門需求的優先級、管理層偏好等因素制定具體的BI建設規劃。 ? 推廣方式 推廣方式回答的是“誰來做？”的問題，這里引入“決策脈絡”的概念： 觀察企業的“決策脈絡”，即整體考察企業中不同層級、不同崗位的“決策規則”是如何制定的，找出其中適宜通過BI賦能的場景決策。如果其決策規則制定的方式比較集中（適合“一刀切“的方式），則更適合采用集中建設BI的方式；如果決策規則的制定較為分散（適合“讓聽見炮火聲的人做決策“），則更適合采用自助分析的方式發展BI。 通常來講，業務類型越聚焦、提供的商品或服務標準化程度越高、人員規模越小的企業，其決策脈絡也越集中，例如單一品牌的電商新銳企業；業務類型越多元、提供的商品或服務定制化程度越高、人員規模越大的企業，其決策脈絡也越分散，例如全球性多品牌的超大型消費品企業。 3．BI建設路徑的其他影響因素 現實情況下，BI建設和其他事物一樣，受天時、地利、人和的多重因素影響。 四、結語：BI建設的“勢、道、術” 企業內的BI建設受各種因素影響，無論是企業內的BI建設者還是BI廠商在服務客戶的過程中，經常會感到迷惑，不同的影響因素孰輕孰重，應該如何設定BI建設的合理目標、找到適宜的路徑，總結而言，可以按照“勢、道、術”的結構來歸納： ? 勢：企業商業模式、社會信息化技術發展水平等因素是最高維的影響因素，在很大程度上定義了BI建設的難度等級，同時這類因素的迭代周期長，短期內難以改變，從BI建設的角度只能順勢而為； ? 道：合理評估BI建設的ROI、關注數據流與業務流及決策脈絡的匹配是BI建設的底層方法論； ? 術：信息化建設、數據資產建設、數據治理、BI技術架構、數據部門建設和管理、BI項目建設、BI自助分析推廣等具體工作均屬于“術”的范疇，需要根據不同企業各自的階段特征，靈活使用。 未來伴隨可觀察的客戶樣本更加多元豐富，觀遠數據將繼續驗證該理論框架的合理性和預判準確性。我們也期待與大家一起討論，共同探索提升企業BI建設ROI，讓數據為業務增長創造更多價值的新路徑。

由于大型企業的數字化需求旺盛、購買力充足，因此國內成熟的數字化服務商普遍以大型企業為核心客戶。大型企業與數字化服務商的供需磨合決定了我國數字化市場的形態，造就了我國數字化市場與海外市場的差異。

隨著大數據行業的發展，大數據生態圈中相關的技術也在一直迭代進步，作者有幸親身經歷了國內大數據行業從零到一的發展歷程，通過本文希望能夠幫助大家快速構建大數據生態圈完整知識體系。

2021年11月3日，第六屆（2021年）廣州珠寶鉆石國際年會—國際珠寶產業論壇在廣州番禺舉行。在“互聯互通 共建共享”平行分論壇上，廣東省珠寶玉石交易中心介紹了廣州市珠寶首飾特色產業集群數字化轉型項目概況；

●推進信息系統、數據資源、信息化基礎設施、網絡安全、信息化治理五大體系建設； ●全力推動集團一體化管控新系統建設，促進層級化管理向平臺一體化管理轉變，促進條線化管理向共享化管理轉變，支撐經驗化管理向數據化管理轉變； ●賦能業務“數字化、自動化、智能化”轉型升級。 ●打牢“資源共享、架構統一、安全可靠”信息化硬基礎。