德勤&亞馬遜云科技：數領未來，打造數據驅動型企業白皮書（2022）（50頁）.pdf

《德勤&amp亞馬遜云科技：數領未來，打造數據驅動型企業白皮書（2022）（50頁）.pdf》由會員分享，可在線閱讀，更多相關《德勤&amp亞馬遜云科技：數領未來，打造數據驅動型企業白皮書（2022）（50頁）.pdf（50頁珍藏版）》請在三個皮匠報告上搜索。

1、數領未來，打造數據驅動型企業白皮書 德勤-亞馬遜云科技聯合 2022 年 10 月數領未來，打造數據驅動型企業白皮書|目錄 1 目錄 第一章第一章 全球企業與中國企業數據應用現狀全球企業與中國企業數據應用現狀 3 3 第一節第一節 成為數據驅動型企業成為數據驅動型企業 4 1)企業所面臨的挑戰企業所面臨的挑戰4 2)技術發展的趨勢技術發展的趨勢5 3)數據成為企業差異化競爭關鍵數據成為企業差異化競爭關鍵9 第二節第二節 全球企業數據應用現狀全球企業數據應用現狀 11 第三節第三節 中國企業數據分析應用現狀中國企業數據分析應用現狀 13 第四節第四節 中國與全球市場的對比中國與全球市場的對比 1

2、4 第二章第二章 向數向數據驅動型企業轉型的關鍵路徑據驅動型企業轉型的關鍵路徑 2020 第一節第一節 制定數據驅動型企業戰略制定數據驅動型企業戰略 20 第二節第二節 基于戰略構建能力支柱基于戰略構建能力支柱 21 第三節第三節 文化變革與行動執行文化變革與行動執行 23 第三章第三章 云原生數據戰略方法云原生數據戰略方法 2626 第一節第一節 利用新技術、云計算實現打造云原生數據基礎設施利用新技術、云計算實現打造云原生數據基礎設施 26 1)專專門構建的云原生數據庫門構建的云原生數據庫26 2)云原生數據分析服務云原生數據分析服務27 第二節第二節 構建數據一體化融合分析能力構建數據一體

3、化融合分析能力 28 1)建立現代化的智能湖倉架構建立現代化的智能湖倉架構28 2)打破數據孤島，數據無縫流動打破數據孤島，數據無縫流動29 3)融合數據分析與機器學習融合數據分析與機器學習30 第三節第三節 重塑創新引擎，實現數據驅動的業務價值規?；涞刂厮軇撔乱?，實現數據驅動的業務價值規?；涞?31 1)企業戰略企業戰略31 2)用例構思用例構思31 3)排定優先級排定優先級32 4)概念驗證概念驗證32 5)數據戰略與運營模式數據戰略與運營模式33 6)業務用例細化業務用例細化33 7)規規?；瘧媚；瘧?3 第四節第四節 數據治理與數據安全數據治理與數據安全 33 數領未來，打造

4、數據驅動型企業白皮書|目錄 2 第四章第四章 數據驅動型企業的典型業務場景與案例數據驅動型企業的典型業務場景與案例 3636 第一節第一節 汽車汽車 36 第二節第二節 消費品與零售消費品與零售 38 第三節第三節 工業制造工業制造 39 第四節第四節 技術、媒體與通信技術、媒體與通信 40 第五節第五節 生命科學與健康管理生命科學與健康管理 42 第六節第六節 金融服務金融服務 43 第七節第七節 公共事業公共事業 44 第五章第五章 總結與展望總結與展望4747 數領未來，打造數據驅動型企業白皮書|目錄 1 第一章第一章 全球企業與中國企業數據應用現狀全球企業與中國企業數據應用現狀 數領未

5、來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 (1)中華人民共和國中央人民政府 2022.1.12(2)International Data Corporation,“IDC reveals 2021 Worldwide Digital Transformation Predictions;65%of global GDP digitalized by 2022,driving over$6.8 trillion of direct DX investments from 2020 to 2023,”2020.10.29 3 第一章第一章 全球企業與中國企業數據應用現狀

6、全球企業與中國企業數據應用現狀 中共中央于 2021 年 12 月 12 日印發的“十四五”數字經濟發展規劃指出我國數字經濟轉向深化應用、規范發展、普惠共享的新階段。強調以數字資源為關鍵要素，以現代信息網絡為主要載體，以信息通信技術融合應用、全要素數字化轉型為重要推動力，促進公平與效率更加統一的新經濟形態。2020 年，我國數字經濟核心產業增加值占國內生產總值（GDP）比重達到 7.8%，預期 2025 年該比重達到 10%(1)。在我國數據經濟發展大背景下，再加上疫情沖擊，企業提升數字化能力就尤為重要，多項研究報告預測企業數字化支出在短期內激增。Gartner 的 2020 年 CEO 調查

7、發現，超過 80%的組織計劃增加對數字化轉型的投資，超過其他任何領域。從 2020 年到 2023 年，企業數字化轉型投資預計將以 15.5%的復合年增長率增長，在此期間的總投資將達到 6.8 萬億美元(2)。同時，德勤的調查也論證了這種增長預期。全球 69%的受訪領導者計劃增加對數字化轉型的財務承諾，以應對疫情。平均而言，受訪者計劃在未來12個月內將1260萬美元（占其年收入的 0.57%）用于數字化轉型。這比他們在過去 12 個月的 1090 萬美元中增加了 15%。圖一：圖一：Digital transformation budgets continue to grow vigorous

8、ly Respondents spending on digital transformation Note:Government responses excluded from the analysis.Source:Deloitte Digital Transformation Executive Survey 2021.無論從國內還是國際的視角，在復雜多變的局勢下，在國家政策的推動下，企業都需要加快數字化轉型步伐，優化企業戰略布局、組織運營模式、技術創新能力，以及探索面向未來市場和消費者的新業務模式，達成業務增長目標。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用

9、現狀 4 (3)德勤對企業“韌性”的定義，來自2021 年技術趨勢 第一節第一節 成為數據驅動型企業成為數據驅動型企業 1)1)企業所面臨的挑戰企業所面臨的挑戰對于大多數企業而言，新冠肺炎疫情的沖擊暴露了領導者以前從未發現的組織漏洞。同時，企業共同面臨著國際形勢復雜、消費需求萎縮、生產材料價格上漲、融資成本升高等一系列問題。復雜多變的環境，以及后疫情時代客戶消費習慣、企業行為的變化，對各行各業提出了挑戰，雖然領導者可能無法控制由外部事件決定的變革步伐，但他們可以培養組織有效駕馭變革、抵御威脅和利用新機遇的能力。這里，我們提出“韌性”來代表那些較好地迎接挑戰的企業的共同特征。所謂“韌性”是指：面

10、對挑戰，適應當前局勢并尋求發展的頑強決心(3)。他們在全面評估企業現狀和社會影響后，修訂自身戰略計劃并堅定執行。在這個過程中，數字化轉型和數據的利用成為了重要的一環，數字能力在“韌性”中發揮著關鍵的作用。同時，在這個快速變化的組織內外部環境下，數字化對企業獲取、處理和應用數據面臨新的挑戰：主要展現在以下方面：I.高速的數據增長帶來的存儲、分析與數據創高速的數據增長帶來的存儲、分析與數據創新的平臺成本新的平臺成本互聯網和移動媒體的普及，使信息碎片化、多樣化的特征顯得愈加明顯。企業傳統信息來源多為單一的圖表形式，但是在當下數字化時代，企業需要處理和使用更多樣化的信息，它們可能是音頻、圖像、坐標、博

11、文等等多種信息來源，企業產生和獲取的信息形式碎片化、多樣化，數量級呈指數級別增長，由此帶來存儲、分析與數據創新的平臺成本激增的挑戰。II.II.對于復雜的業務場景，企業缺少明確的數據對于復雜的業務場景，企業缺少明確的數據戰略戰略隨著企業數字化應用的深入，數據正成為企業業務創新的驅動因素，數據洞察正在融入企業的整個價值鏈，催生了復雜多樣的應用場景，包括客戶互動營銷、精準定價、供應鏈優化以及經營分析等等。同時，很多企業在實現落地企業業務場景過程中，往往面臨著與業務戰略脫節、運營模式不匹配、人員能力不足、數據質量和技術平臺不能支撐等一系列問題，這些問題的產生究其根源是企業缺少一個明確的數據戰略。II

12、I.III.企業難以找到發揮數據價值的方向企業難以找到發揮數據價值的方向數據最終不能停留在 IT 部門，需要走到企業前臺，融入并支持企業戰略制定和業務決策。數據的價值最終需要體現在業務場景中，比如如何幫助企業做產品多樣化以滿足不同細分客戶群體的需求等。數據洞察停留在紙面并不能夠創造業務價值，只有將數據洞察嵌入到企業的業務流程中，嵌入到企業的經營管理決策流程中，不僅僅是分析業務，而是實現持續可跟蹤的業務優化，只有將數據與業務人員連接起來，帶著團隊共同目標一起變革，才能實現業務價值最大化。IV.IV.不清楚如何引入新的技術或產品來支持業務不清楚如何引入新的技術或產品來支持業務創新創新當前大多數企業

13、缺乏的不是數據驅動業務發展的意識，而是如何將業務場景具體化，且是找到最適合的技術或者產品來支撐其業務創新。當今，技術變革正在日益加快，完全超過了我們的想象，技術變革帶來新的產品紛繁復雜，對于企業用戶而言，如何在眾多技術和產品中選擇出適合自己企業業務發展需要，且兼容性強的產品是一件耗時耗力的事情，企業迫切需要一個適合自己的一攬子解決方案，進而把專注力放在業務價值創新上。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 (4)Jennifer Belissent,Chief Data Officers:Invest in your data sharing program

14、s now,Forrester,2021.3.11(5)Data Bridge Market Research,Global fully homomorphic encryption market Industry trends and forecast to 2028,2021.3(6)Laurence Goasduff,“Data sharing is a business necessity to accelerate digital business,”Gartner,May 20,2021.GARTNER is a registered trademark and service m

15、ark of Gartner,Inc.and/or itsaffiliates in the U.S.and internationally and is used herein with permission.All rights reserved.5 V.V.人員技能不足以支持創新型數據項目人員技能不足以支持創新型數據項目企業向數據驅動型組織轉型不僅依靠平臺和工具等系統建設，還需要從組織文化角度推動企業各級員工的數據化“滲透率，提升員工的數據能力，建立數據人才庫。這里不止包括員工層級的能力建設，更要從高級管理層提升數據重視情況，建立“首席數據官”,負責企業層面所有數據業務，提升戰略影響力。

16、向數據驅動轉型正在改變工作方式，數據科學涉及了每一個領域，每一個業務部門和職能部門都要參與其中。這樣的轉型需要企業的支持來幫助員工進行調整，包括招聘相應人才、開展系列培訓、增加對應投資等等，這樣才能完成組織整體性的變革。VI.VI.數據的治理、監管和安全的挑戰數據的治理、監管和安全的挑戰隨著中華人民共和國個人信息保護法、網絡安全法、數據安全法、關鍵信息基礎設施安全保護條例的出臺，數據合的安全與合規對所有企業都提出了新的更高的要求。一方面企業要加強數據的共享，加速數據的流動以創造更高的價值，另一方面，在數據共享和流動的同時，如何建立有效的治理架構和機制，滿足監管法律法規要求，保護個人隱私數據不受

17、侵犯，保護企業的核心數據資產的安全這是向數據驅動型企業轉型中度企業提出的新的挑戰。2)2)技術發展的趨勢技術發展的趨勢技術對企業的發展有著不可或缺的作用，技術是提升企業核心競爭力的重要手段，正在成為企業發展的原動力。我們總結當前在數據與分析領域技術發展的五大趨勢：I.數據共享更加便捷數據共享更加便捷數據的發展是一段漫長的轉型史，其本身作為數字化轉型的命脈，在技術趨勢中占據了重要的地位。過去我們會強調企業對于內部數據的管理，關于如何使用數據驅動決策。后來隨著機器學習和人工智能的發展，更多人意識到數據支持人類決策的局限性，他們更多地開始應用新技術和方法，以及新一代基于云的數據存儲來做復雜的建模，讓

18、機器不止增強人類的決策能力，還能做出更多人類無法完成的更實時的、更大規模的決策?，F在我們談到數據共享，隨著互聯網和云技術的發展，企業已經無法滿足于應用自身數據，如何擴大利用外部數據的能力變得至關重要。隨著數字共享技術的發展，數據不再局限在企業內部，企業亟需高效、安全地在市場平臺上購買或出售具有潛在價值的信息資產。盡管目前尚處于早期階段，但數據共享趨勢已日益加速。研究機構 Forrester Research 在最近的調查中發現，70%以上的全球數據和分析決策者都在不斷擴大自身利用外部數據的能力，還有 17%的決策者計劃在未來 12 個月著手擴大數據利用的能力。(4)此外，僅全球 FHE 市場的

19、年增長率就達到 7.5%，預計到 2028 年總價值會達到 4.37 億美元。是什么推動了這種增長？簡單來說，數據在共享時會增加價值。(5)根據 Gartner 預測，到 2023 年，積極提升數據共享能力的組織，其大部分業務指標將勝過同行。(6)當然，伴隨著數據共享趨勢的是隱私保護技術的創新與進步，將信息資產從傳統的安全束縛中解放出來。也正是這強大的數據共享和隱私保護技術幫助企業邁入了數字貨幣化時代。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 6 II.面向行業的云解決方案面向行業的云解決方案云正在重新定義企業如何更快地創新，并在開發新產品和服務以及開展經營業

20、務的過程中如何更敏捷地運行。云服務提供的可擴展性、敏捷性和創新水平使它是未來業務轉型和成功的重要推動者。云不僅僅是滿足企業數據需求的一種技術，這是一次使企業進入一個新的環境，帶入一個充滿業務創新和可能性的世界的技術飛躍。圖圖二二：Cloud drivers of value for enterprises Source:Deloitte Global CIO Survey 伴隨著云平臺的建設，許多企業已經成功構建了扎實的云基礎架構，完成了數據上云的工作與維護，并進一步提出了對云分析服務的定制需求。特別是在新冠大流行的背景下，整個世界對于在線辦公、遠程教育、在線游戲、網絡流媒體等需求產生了井噴，

21、對云上分析服務的認可度顯著提升。為了幫助企業更快速地部署并應用云分析服務，云廠商、軟件供應商正在形成一系列基于云的面向特定業務場景和行業的解決方案，使消費品、醫療、制造、科技等行業實現特有業務的流程自動化。當企業采用了面向行業的云的解決方案后，企業能夠花費更少的時間在基礎配置上，從而更多地去關注自身的差異化競爭特性，加速數字化轉型的步伐。同時，通過與云架構融合，為用戶提供多元定制化的云分析體驗，幫助用戶實現全渠道的數據分析，建立自身優勢。III.人工智能商業化應用人工智能商業化應用當前人工智能技術已步入全方位商業化階段，越來越多的技術商和創業企業成為行業生態圈的一員，以與 5G、云計算、大數據

22、融合作為切入點服務整個行業。人工智能對傳統行業各參與方產生不同程度的影響，正在改變各行業的生態。這種變革主要體現在企業變革、行業變革與人力變革三個層次。圖三：數據處理的發展階段圖三：數據處理的發展階段 對企業而言，人工智能正在從營銷、安防、人力、助理等多方面代替并解放生產力，幫助企業更有效智能地管理與運行流程職能。通過機器學習，人工智能可以集成并打通數據生產、采集、存儲、計算、傳遞與應用的完整數據鏈條，解放企業生產力去聚焦并創新業務。而數據是人工智能底層邏輯中不可或缺的支撐要素，沒有數據，針對人工智能的數據處理將無法進行。有了數據挖掘對數據的清晰、集成、歸約等預處理手段，人工智能才能擁有足夠的

23、數據進行學習。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 (7)The Linux Foundation,State of the Edge 2021:A Market and Ecosystem Report for Edge Computing,2021.(8)Palo Alto Networks,2020 Unit 42 IoT threat report,March 10,2020.7 對行業而言，逐漸成熟的人工智能正在通過技術創新力重塑各個行業，實現各行各業不同的發展與保障，加快推動產業升級。人工智能的參與導致上游產品提供者類型增加，同時用戶也會可能因

24、為產品屬性的變化而發生改變，由個人消費者轉變為企業消費者，或者二者兼而有之。在教育行業，人工智能的應用在逐步深入，應用場景向覆蓋教學全流程方向變革。各個行業都在經歷與融入人工智能帶來的發展與應用。對人力而言，人工智能帶來的變革與解放是空前的。人工智能等新技術的應用將提升信息利用效率，減少企業員工數量。此外，機器人的廣泛應用將取代從事流程化工作的勞動力，導致技術與管理人員占比上升，企業人力結構發生變化。IV.智能物聯智能物聯網（網（AI+IoT）生態發展生態發展在解放供應鏈的進程中，組織的目標是將供應鏈從傳統的后臺成本中心轉變為價值驅動型業務。在這個轉變過程中，越來越多能夠捕獲數據的實體設備接入

25、網絡，從而改進產品和服務，并產生新的收益流。物聯網相關技術已然成為企業的價值驅動因素，因此這就要求企業重新構思如何開展設備管控和監督工作，并重新考慮如何組織、定義、管理和培訓技術隊伍。新實體設備往往會生成和使用大量數據，并需要快速傳輸來實現實時決策，這使得企業需要考慮如何管理和維護新一代聯網設備、無線網絡以及邊緣計算應用，來確保業務的連續性。企業需要同時管理和部署由多家供應商提供的聯網設備、應用程序以及網絡，所需要的部署工作繁重且重復，數據采集頻率、處理時間、準確度及格式問題都需要納入企業 IT 部門的考慮范圍，龐大數據量帶來的數據存儲也不容忽視，而對于遠程環境而言分布式存儲和邊緣計算技術將更

26、為合適。在無線網絡連接方面，5G 和 Wi-Fi 6 這類新型無線網絡技術的問世使得基于物聯網及其他具備低延時特性的應用可以收集和共享大量實時數據。盡管新型無線網絡技術已經提升了性能，但在諸如自動駕駛、增強現實等場景下要求網絡延時低至毫秒級，而這就需要邊緣計算策略來予以解決。據相關行業組織預計，2019至 2028 年期間，在邊緣計算方面的累計支出將達到 8000 億美元，其中，制造業和醫療保障領域表現尤其突出(7)。物聯網技術的興起，也帶來了所有權和安全問題。設備方面，實體設備使得責任界定可能變得更為復雜，此外，遠程設備的所有權以及維護所帶來的責任劃分問題也慢慢浮出水面。相關設備產生的元數據

27、所有權也存在爭議，近期一項針對一百多萬臺企業和醫療保健物聯網設備開展的研究發現，其中 98%的設備流量都未加密，57%的設備容易受到中高等級攻擊(8)，數據安全問題的解決刻不容緩。物聯網技術可以極大地改變公司創造和交付價值的方式，但也具備一定的挑戰。企業領導者可能需要衡量相關對各個業務領域的影響，考慮維護管理成本與回報之間的配比。IT部門則需要確保升級無線網絡和邊緣計算功能可以滿足嚴格的延遲和吞吐量要求。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 9 V.數據安全與合規數據安全與合規隨著數據采集手段、交易方式和應用場景的日益多樣化，數據采集與應用的安全與合規，個

28、人信息與數據保護不再只是“紙上談兵”。我國個人信息與數據保護法律監管體系已經逐漸成型：網絡安全法、數據安全法、個人信息保護法構成了我國網絡安全與數據保護的基本法律框架個人信息保護法與 2021 年 11 月生效。這對企業數據的采集、存儲、應用與分發的合規性提出了新的要求，企業需要重新審視自己的數據環境是否符合安全與合規的要求，在安全與合規的基礎上，進行數據資產價值的開發和利用。同時，數據跨境傳輸是全球隱私合規的重點領域之一，在全球數據跨境流動規則框架下，沒有企業可以回避數據跨境流動規則的深刻影響。企業需要高度重視數據跨境流動管控形勢和發展態勢，在全球業務和經營活動中應主動進行合規遵從，對沖和降

29、低風險和不確定性壓力，并將數據跨境風險控制機制化、常態化。根據德勤數據跨境合規治理研究，數據跨境發展面臨以下趨勢：根據德勤數據跨境合規治理研究，數據跨境發展面臨以下趨勢：數據跨境合規主要痛點難點：數據跨境合規主要痛點難點：針對數據跨境發展的趨勢和面臨的難點痛點，企業必須迎接數據跨境合規的挑戰，一方面，了解內部數據跨境現狀和外部監管規則，了解企業數據跨境合規管控重點，另一方面，以風險為導向，建立完善企業數據跨境合規管控機制，搭建立足自身、內外聯動、成本效益并舉、靈活可持續的數據跨境合規體系。具體而言，監管對于跨境傳輸的要求，主要分為兩類：有條件的跨境傳輸和本地化存儲。針對這兩類要求，企業需要采取

30、有效的手段以達到合規要求：3)3)數據成為企業差異化競爭關鍵數據成為企業差異化競爭關鍵在顛覆中蓬勃發展數字化企業毫無疑問比數字化不成熟的競爭對手更具優勢。2021 年德勤數字化轉型高管調查提供了新的證據，表明更多數字化成熟的公司更有“韌性”，能夠更好地駕馭快速變化的競爭環境，因此他們的財務狀況明顯更好。在調查中，報告的凈利潤率和年收入增長顯著高于行業平均水平的公司中，數字化成熟度更高的公司大約是低成熟度公司數量的兩倍。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 10 在調查的領導者中，超過四分之三的人表示，他們組織的數字化能力極大地幫助他們應對了新冠疫情引發的挑

31、戰。尤其是數字化程度越高的企業對此更具有認同感。圖四：認為數字化能力對組織應對挑戰幫助巨大的受訪者比例圖四：認為數字化能力對組織應對挑戰幫助巨大的受訪者比例 資料來源:2021 年德勤數字化轉型高管調查 隨著世界變得更加動蕩，數字化幫助組織應對變化和不確定性的能力將變得更加重要。數據分析和 AI 可以幫助發現異常和機會。與傳統開發方法相比，云平臺、云原生開發方法和低代碼/無代碼應用平臺可以使組織能夠相對快速地開發軟件解決方案。流程挖掘和機器人流程自動化可以加快理解和自動化流程的努力，以應對激增的交易量。聊天機器人可以應對客戶查詢的高峰。在自動威脅檢測和響應的支持下，保持警惕的網絡安全態勢有助于

32、保護組織免受不斷變化的威脅。為了在不確定和快速變化的世界中生存和發展，組織需要快速創新，跟上技術和行業變革的步伐，并培養更大的“韌性”。這是領導者投資數字化轉型的主要原因之一。我們總結出數據能力主要從以下幾個方面增強組織“韌性”：I.促進業務增長促進業務增長面對著疫情環境沖擊下的消費者需求疲軟以及激烈的市場競爭態勢，許多傳統行業由增量市場逐漸轉為存量市場，企業高管如何在銷售收益下滑的情況下找到新的利潤增長點，是組織需要關注的重點。而數據是企業展開一系列探索和變革的關鍵和機會點。以傳統車企為例，隨著智能互聯的發展，車輛本身已經不再只是交通工具，其囊括了音樂、電商等生活場景，有了豐富的數字生態體驗

33、。消費者數據種類越來越豐富，從傳統的銷量數據，到現在有了大量的非結構化數據、消費者行為數據，企業能夠對這些數據加以分析，發現新的業務增長點。從內部供應鏈角度來看，車企可以通過整合各個環節的數據，車輛設計、生產、運輸、售前、售后、運營、培訓等，來優化產業鏈效率，實現流程優化。以經銷商銷售激勵為例，數據驅動下的策略是通過對經銷商的銷售運營數據整體分析，以及按車型、零部件的銷售、價格、銷售情況，制定面向細分產品的方案。從外部客戶角度來看，車企可以梳理客戶消費場景全鏈路，挖掘消費者在選車、購車、用車、保養維修等場景下的客戶痛點，采集線上、線下的進店和試車信息、售后數據以及歷史消費數據，來為客戶提供個性

34、化、定制化的體驗。同時，可以挖掘智能物聯網下新的消費場景，與第三方伙伴合作提供更多的生態體驗，增加客戶粘性，促進業務增長。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 10 II.優化運營效率優化運營效率隨著數字化進程的不斷推進，數字化領先企業已經不僅在業務創新領域發展數據變革，其內部財務、人力資源、行政管理等職能部門也在利用數據開展日常工作，優化流程效率。以數據在人力資源領域的應用為例，在招聘過程中，企業招聘人員經常從外部招聘網站或社交工具上來尋找和識別候選人。僅 LinkedIn 一家公司就通過出售用戶數據獲取權獲得了可觀的年收入最大的客戶是人力資源機構，他們

35、使用數據來招聘潛在員工。推動這一趨勢的一個重要因素是，個人在社交網站上自愿提供的數據往往比企業人力資源系統內的數據更全面、更準確。人力資源主管報告稱，員工在 LinkedIn 和其他社交媒體上的個人資料比他們自己的內部員工記錄更準確、更完整。外部人員數據幫助企業拓寬招聘渠道，做出更好決策。同時，人力資源管理人員運用企業內部的數據也能發現關鍵的見解，例如各部門員工性格分析、技能分析等。例如，日立（Hitachi）的“商業顯微鏡”產品使該公司發現，在更大的團隊中吃午餐的工程師效率更高。以及數據在控制人員流失方面也有相當大的應用，企業可以通過內外部數據預測外部求職行為和挽留風險，預測員工離職的可能性

36、，以便提前做好規劃。當然，負責人員數據的人力資源機構必須更加警惕隱私、安全和機密培訓。在回答誰“擁有”人力資源數據的關鍵問題上，我們對數據透明度的期望正發生轉變。我們希望雇主現在讓員工完全透明地了解他們被收集的數據。III.產品和服務創新產品和服務創新企業在困境中蓬勃發展離不開產品和服務創新發展，數據在創新領域的應用同樣不可小覷。近年來，消費者對遠程理財能力的需求大幅增長，給客戶服務呼叫中心和代理帶來了挑戰。銀行可以通過使用聊天機器人來緩解壓力，提供個性化的財務計劃，加強客戶關系，甚至自動化收債活動。聊天機器人的大規模應用大大減少了企業對人工客服的投入比，通過對歷史聊天及語音數據的分析，航空業

37、運用人工智能語音服務應對了因疫情反復造成的退改簽業務的激增。智能投顧則可以在沒有人為干預的情況下使用數據分析和回歸模型分析客戶當前的財務狀況、目標和投資利益，然后通過聊天機器人或電話提供量身定制的財務建議（如稅收損失收集、目標規劃、退休規劃和自動資產投資），無需咨詢人員的意見。智能投顧的發展可以有效減少未來的人力投入，并通過持續迭代用自動化和 AI 技術為客戶提供更精準的投資建議。IV.優化客戶體驗優化客戶體驗企業對數據的運用能夠讓組織更好地了解其客戶及其不斷變化的期望。對于消費品企業來說，數據可以幫助其快速了解市場變更，跟上消費者需求，占據制勝先機。對于傳統銀行和保險公司來說，數據可以幫助其

38、獲得客戶、增加收入并保持客戶忠誠度，然后提供超個性化的客戶體驗。例如，在銀行業，傳統的大規模獲取客戶活動模式正在被數據驅動的方法所顛覆，傳統的獲客方式通常會引起客戶反感，進而不愿意了解產品，但該方法專注于“購買時刻”使銀行能夠在正確的時間，向正確的客戶提供正確的產品。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 11 借助數據分析，銀行和保險公司有能力在客戶體驗的每一步深入了解客戶群體及其需求，通過深入分析歷史和實時的數據來提供客戶細分和個性化的能力和準確性，幫助做好“最佳推薦”。同時，機器學習可以通過對客戶歷史行為的分析學習，預測客戶接受服務的傾向，估計其生命周

39、期價值及流失傾向等。通過數據驅動的 360客戶體驗，企業可以通過數據結合 AI 為客戶提供智能化、定制化設計的產品和服務，推薦適合客戶獨特需求的產品來完善客戶體驗，進而增加獲客機會。V.數據輔助決策數據輔助決策在數據成熟度最高的組織，員工能夠分析和使用數據進行決策，實現更準確、更高效的業務判斷。在數據成熟度最高的組織，員工能夠分析和使用數據進行決策，實現更準確、更高效的業務判斷。這需要一種數據驅動的文化，包括自上而下在決策中使用數據，以及對正確的數據基礎設施、解決方案、人員和工具的投資。以數字化營銷為例，通過“智能湖倉“架構進行數據的統一管理，并構建數據管理以及機器學習應用決策平臺，在上層構建

40、個性化推薦、購買概率預測、因果分析等一系列營銷智能解決方案。賦能客戶精細化運營能力。人工智能使“以客戶為中心”的營銷能夠實現快速決策，提升客戶體驗。第二節第二節 全球企業數據應用現狀全球企業數據應用現狀 德勤連續 4 年對全球企業高管展開數據應用相關調研，了解企業是如何將數據作為資產，以數據賦能的方式來增強員工和客戶體驗，從而獲得競爭優勢并不斷創新這一目標的。在最新一次報告中，我們調查了來自 11 個頂級經濟體的 2875 名高管，分析他們對企業內數字化戰略和數據分析的了解。參與調研的所有參與的企業都部署了數字化應用，并且都是大數據分析用戶。受訪者必須滿足以下標準之一：負責數字化轉型支出或批準

41、數字化投資，制定數字化轉型戰略，管理或監督數字化實施，擔任數字化轉型專家，或制定或影響有關數字化的決策。圖五：圖五：*受訪者行業分布受訪者行業分布數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 12 在此項調查結果中，我們將一個企業的數字化成熟度通過部署的數字化程度和達到的成果來描繪，并分為四種類型，分別為探路者、變革者、起步者和后進者。以下是全球企業在四象限中的分布情況：圖六：全球企業在四象限中的分布情圖六：全球企業在四象限中的分布情況況 變革者變革者(高成果和高部署，高成果和高部署，28%的受訪者的受訪者)：正在轉型但尚未完全轉型。變革者已確定并在很大程度上采用

42、了與最具代表性數據驅動相關實踐。在 10 種不同類型的數字化部署中,他們的平均數量是 5.9，在 17 種潛在的成果中，他們的平均數量是 6.8。他們是市場領導者，正在成為大數據驅動型企業。探路者探路者(高成果和低部署，高成果和低部署，26%的受訪者的受訪者)：探路者已經具備了邁向成功的能力和行為，但具體的舉措較少。他們正在采取行動，但還不具備變革者的規模。他們在 10 種不同類型的數字化部署中平均達到 1.9 個，在 17 種潛在的成果中平均達到 6.2 個。后進者后進者(低成果和高部署，低成果和高部署，17%的調查受訪者的調查受訪者)：大量的開發和部署活動是這一群體的特點。然而，他們的實踐

43、還沒來幫助他們有效地實現有意義的成果。在 10 種潛在的全面部署中，他們平均達到 5.5個，而在 17 種潛在的成果中，他們平均達到 1.4 個。起步者起步者(低成果和低部署，低成果和低部署，29%的調查受訪者的調查受訪者)：在構建數字化能力方面起步較晚似乎是這一群體的特點。他們最不可能展現領先實踐。在 10 種不同類型的數字化部署中，他們的平均數量是 1.6 個，在17 種潛在的成果中，他們的平均數量是 1.0 個。從調研數據中可以看出，全球企業中四象限分布較為平均，但同時起步者（低部署、無成果）占比仍然相對較多，后進者（高部署、低成果）則相對較少。與上一版調研結果相比較，企業的數字化部署程

44、度及實踐成果都有了較大提升，可以看出企業管理層和數據應用者對數據推動價值創造和競爭優勢保有信心，企業也正在展開一系列以數據為驅動的變革。但這同時也意味著數字化企業的先行優勢會逐漸消失，隨著數字化部署程度越來越高，應用越來越廣泛，領先企業不得不需要付出更大的努力來保持競爭優勢，這就對企業的創新能力提出了更高的要求?！白兏镄汀逼髽I需要利用先進的智能技術和理念進一步推動差異化競爭，“起步者”則應該加快數字化進程建設，完善企業技術基礎架構，努力超越目標，創造新的工作模式和產品服務。從我們對“起步者”的訪談中，我們也發現企業對于數據驅動轉型的顧慮和擔憂，數據安全和隱私監管仍然是企業躊躇不前的重要原因。如

45、何做好數據管理、人工智能及與公司流程的融合對于管理層來說是長期存在的難題。我們認為，企業應建立一系列風險管控措施來消除擔憂，建立信心。首先，企業需在戰略層建立數據應用的決心，可專門指派高管作為“首席數據官”，統籌和協調所有數據相關舉措。其次，需要加強數據應用的透明度，讓相關人員了解數據應用的實際場景。同時，推進數據應用相關審核和執行程序，以確保符合社會、組織的規范和價值觀。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 13 第三節第三節 中國企業數據分析應用現狀中國企業數據分析應用現狀 針對企業數據分析應用現狀，在中國，我們調查了 219 位 IT 及業務高管，其

46、中 26%來自能源、資源與工業行業，24%來自消費品行業，18%來自金融服務行業，14%來自生命科學與醫療保健行業，11%來自科技、媒體與電信，其余來自政府與公共服務行業。受訪結果如下：圖七：企業數據分析應用現狀受訪結果圖七：企業數據分析應用現狀受訪結果 變革者變革者（高成果和高部署，20%的受訪者）探路者探路者（高成果和低部署，49%的受訪者）后進者后進者（低成果和高部署，11%的調查受訪者）起步者起步者（低成果和低部署，19%的調查受訪者）從調查結果可以看出，低數字化部署量和高成果的“探路者”主要集中在中國的組織中。在下一章節中我們會更細地去剖析中國企業與全球企業調研結果的差異。在上一版調

47、研結果中，我們突出企業對現代化基礎設施和獲得最新最好的技術手段的重視，這并不奇怪，因為這是每一項數字舉措的基礎。同時，數據應用者仍然對數據管理、數據驅動與公司流程的融合持有保留態度，很多應用者暫時沒有做好充分的準備來面對戰略、運營、倫理等潛在風險。但是隨著數字化進程的發展，大部分企業對數據應用已經擺脫顧慮，現在我們更關注于變革者的最佳實踐，關于他們是如何建立企業數字化能力并帶來傲人成果的。在此我們發現了變革者的幾個特征及其領先實踐的影響：在完善基礎設施的過程中關注戰略影響力的建設在完善基礎設施的過程中關注戰略影響力的建設：我們的調研結果顯示，清晰表明企業數字化戰略規劃和企業愿景的組織實現目標的

48、可能性是其他組織的 1.5 倍。因此，企業在建立完善基礎設施的同時，應該注重價值展現、追求影響力，建立長期、可持續發展的動力；建立數據團隊與業務人員的合作伙伴關系建立數據團隊與業務人員的合作伙伴關系：只有當工作流程重新設計，數據才能帶來變革性的成果，可是調查結果顯示，數據在付之于行動的過程中存在脫節。企業需建立業務團隊與數據團隊之間的紐帶，形成創新工作模式，精通業務和分析的個人可以作為紐帶，表達雙方的需求，輔助團隊之間的溝通，才有可能創造最大的績效價值；領先的文化與變革管理，建立員工的信任與參與感領先的文化與變革管理，建立員工的信任與參與感：本次調研的高管普遍強調企業文化是如何促進或是阻礙數字

49、化轉型變革的，足以表明文化變革在數字化應用中的重要性。如何將企業打造成信任、敏捷、創新的組織成為變革管理的關鍵。企業需要搭建員工支持框架，包括溝通、培訓、激勵等等，而不僅僅是通過說教的方式來試圖改變員工觀念。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 14 第四節第四節 中國與全球市場的對比中國與全球市場的對比 我們比較了中國與全球受訪者的調研結果，從四種不同類型組織的分布情況來看，中國企業中“探路者”（高成果和低部署）的比例明顯高于全球平均水平，“起步者”和“變革者”則大致占有各 20%。圖圖八八：中國與全球市場受訪者的調研對比中國與全球市場受訪者的調研對比

50、數據來源:企業人工智能應用現狀報告，第 4 版，德勤分析 這些差異是如何產生的呢？我們繼續往下分析了訪談結果，并揭示了以下發現：大多數的中國企業認識到數字化舉措對于保持競爭力的重要性?！胺浅Ｖ匾迸c“重要”比例之和（97%）略高于全球平均水平（93%）。我們認為，成功建立在明確的戰略基礎之上，當管理層有了數字化認知之后，仍需要建立與之匹配的戰略規劃，并傳達和激勵員工在企業運營中擴展和應用。圖圖九九：數字化舉措對保持競爭力的重要性數字化舉措對保持競爭力的重要性 （單項選擇）數據來源:企業人工智能應用現狀報告，第 4 版，德勤分析 在數字化領域投資方面，大多數公司仍然計劃在下一個財年增加相應支出。

51、從增長幅度來看，中國企業相比全球市場較為下降，尤其是增長 20%數字化投資的比例（21%）低于全球（29%）的水平。這可能是由于疫情沖擊下企業成本控制措施的推行。從投資金額上看，中國企業在數字化方面的投資相當可觀，在 10-100 萬美元的投資方面，超過了全球平均水平。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 15 圖圖十十：下一個財年數字化投資的預期變化下一個財年數字化投資的預期變化 （單項選擇）圖圖十一十一：數字化項目數字化項目/技術投資金額技術投資金額 （單項選擇）數據來源:企業人工智能應用現狀報告，第 4 版，德勤分析 從企業數字化布局目標上看，中國企

52、業更注重以增長為導向的目標，即創造新產品和服務，改善現有條件，并進入新市場。全球企業則平均更關注流程高效、收入增長和改善決策等。我們認為，數據分析應該為企業級戰略服務，我們不能單一地讓數據科學家或者 IT 部門來推動數據戰略，高級業務領導應該與數據團隊通力合作，根據核心業務戰略推動數據戰略。圖十圖十二二：數據分析的重要目標數據分析的重要目標 （選擇 3 個目標）數據來源:企業人工智能應用現狀報告，第 4 版，德勤分析 在布局實施數字化以來取得的成果角度上，中國企業在發現新見解、增加收入、進入新市場和預測需求等大多數參數上，取得了比全球平均水平更高的成功。由此看來，數據給中國企業帶來了新的商機。

53、但是我們也發現了一組對比數字，在“減少員工數量”的成果上，中國企業大幅領先于全球平均水平，也高于最初設置的目標。我們認為，組織在數字化轉型發展中，不能喪失以員工為本的原則，也不能過渡強調效率目標，企業需要尋找在效率、增長與創新及員工體驗目標之間的平衡，以尋求更長遠的可持續發展。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 17 圖十三：圖十三：很大程度上完成的目標很大程度上完成的目標 （達到了很高的完成度的受訪者占比）數據來源:企業人工智能應用現狀報告，第 4 版，德勤分析 從實現目標所需員工技能角度上看，領導能力和管理經驗、數據科學、計算機科學專業是中國企業關注

54、的技能要求。全球企業則更多關注批判性思維、勇氣、靈活性、適應性等員工性格特質。由此也可以解釋為什么數字化的發展在中國企業中給企業員工帶來了“危機感”，我們認為，企業轉型應該給員工建立足夠的信任，幫助員工將轉型融入工作日常中，而不是一味追求技能領域的專業性。企業應該同時關注員工性格特質中勇于挑戰、靈活應變的品質，這些品質能幫助員工更快更好地適應企業轉型的工作。圖十圖十四四：實現目標員工所需的技能實現目標員工所需的技能 （選擇前三項技能）數據來源:企業人工智能應用現狀報告，第 4 版，德勤分析 從促進數據應用的成功因素分析，中國企業往往歸功于強大的數據能力和先進的技術能力。全球企業相對更多關注高層

55、領導的支持、員工的培訓以及正確的用例。這本質是一種文化和變革管理的差距。我們認為，數據轉型涉及每一個業務部門和職能部門，變革也許起初會引起不適，但這對于組織的集體性影響是完全值得的。企業需要給到員工一定的支持來進行調整，仔細規劃新技術如何改善員工體驗和提高價值交付的能力。數領未來，打造數據驅動型企業白皮書|第一章 全球企業與中國企業數據應用現狀 18 圖十五：促進計劃成功的因素圖十五：促進計劃成功的因素 數據來源:企業人工智能應用現狀報告，第 4 版，德勤分析 總體看來，中國企業和全球市場仍存在一定差距，但我們看到了組織正在轉型加速進行時。我們確信，數據是確立當今和未來市場領導地位的關鍵，對于

56、已經處于數字化成熟期的企業，應繼續推動自身的差異化發展，對于“起步者”，應著手加速自身產品、流程和人才方面的數字化轉型，制勝未來。戰略及機制戰略及機制篇篇:工欲善其事，必先利其器工欲善其事，必先利其器|19 第二章第二章 向數據驅動型企業轉型的關鍵路徑向數據驅動型企業轉型的關鍵路徑 數領未來，打造數據驅動型企業白皮書|第二章 向數據驅動型企業轉型的關鍵路徑 6 第第二二章章 向數據驅動型企業轉型的關鍵路徑向數據驅動型企業轉型的關鍵路徑 向數據驅動型企業轉型不僅僅是一個技術議題，而是一個融合了戰略、組織、人才、技術、數據、文化與變革等諸多因素的系統性工程。我們歸納了向數據驅動型企業轉型的關鍵路徑

57、模型，包括了戰略層、能力層和執行層。1.戰略層：戰略層：戰略層需要回答的問題是數據驅動型企業所要實現的愿景和目標是什么？以數據驅動的方式在不同的業務領域能夠創造哪些價值？典型的業務場景及其優先級如何定義？實現目標愿景需要什么樣的運營模式支撐，實現目標的路線圖。2.能力層：能力層：能力層需要回答的問題包括，成為一個數據驅動型企業需要什么技能的人才？企業需要建立什么的從數據到分析到業務產出的流程，以及需要什么技術和平臺能力的支撐3.執行層：執行層：執行層需要回答的問題包括，轉型到數據驅動型企業，企業員工需要具備什么樣的思維模式，如何將數據洞察嵌入業務以及怎么樣實現數據價值的規?；?。第一節第一節 制

58、定數據驅動型企業戰略制定數據驅動型企業戰略 企業向數據驅動型組織轉型的關鍵點之一就是：將數據視為企業構建差異化競爭優勢的核心資產，并在企業高層的支持下，清晰地定義出與企業業務戰略對齊的企業級數據戰略。德勤的相關調研發現，與其他企業相比，那些企業高層制定企業級數據戰略并向員工傳達宏偉愿景的企業，其實現高產出的可能性是其他企業的 1.7 倍。企業在制定戰略的過程中，三個關鍵行動包括：企業在制定戰略的過程中，三個關鍵行動包括：5 向數據驅動型企業轉型并不是一個僅僅由 IT 驅動并交付的行動，更重要的是企業需要產生有價值的數據洞察并實現其業務價值，數據分析場景是向數據驅動型組織轉型規劃的核心要素，領先

59、企業的轉型路徑，都是以場景為核心開展，有效場景構建的關鍵是跳出數據分析的視角，全面審視業務流程和模式的變革，要能夠滿足商用化的要求。同時，數據驅動型企業需要具備整體解決方案的能力，能夠以合適的運營模式進行有效組織，以體系化的方式進行治理，并有復合型人才的支持，技術是企業向數據驅動型組織轉型過程的使能器而不是驅動因素。我們觀察到，很多企業在實踐過程中往往會忽視這一點，很多企業從源系統收集了海量的數據，但在數據洞察、商業決策和業務價值之間沒有形成端到端的能力整合，沒有將分析洞察嵌入到企業核心的業務流程和商業決策過程中，這導致了企業數據沒法真正發揮它的價值和潛力。第二節第二節 基于戰略構建能力支柱基

60、于戰略構建能力支柱 I.人才人才數據驅動型企業需要來不開復合型能力的人才能力支撐，對于一個數據驅動型組織來說，在對數據進行分析和建模時，能夠問出正確的問題，從而獲得洞察來解答這些問題，隨后再采用具有說服力的方式將洞察進行表述，是極其重要的能力；這樣的能力可以是集中體現在一個高水平的個人身上，也可以借由一個團隊通過互補來實現，無論如何，擁有這些的綜合能力，是獲得成功至關重要的一環。復合型人才既能夠處理海量復雜數據，能夠進行數據的分析、可視化也能夠進行數據的管理和數據治理（這些技能也稱之為紅色技能）；同時，復合型人才也要掌握豐富的業務知識，能夠和業務人員進行高效溝通，具備敏銳的商業洞察能力和復雜項

61、目管理管理能力（這些技能也稱之為藍色技能），符合性人才的能力要求如下圖所示：當然，達到數據復合型人才標準的候選人在市場上是炙手可熱，隨著需求量的增加，該類人才呈現結構性短缺的局面。向數據驅動型組織轉型的企業，在從外部引進人才的同時，也需要逐步建立自身的復合型人才培養體系，將數據驅動組織的工作場景和員工個人的職業生涯發展進行聯接，打造數字化培訓和學習環境，為員工進行賦能，打造復合型能力。數領未來，打造數據驅動型企業白皮書|第二章 向數據驅動型企業轉型的關鍵路徑 22 II.流程流程最近幾年，越來越多的企業已經開始致力于將數據中獲得的洞察融合到運營及決策過程中去。隨著組織所面對客戶，員工及運營經驗

62、的日益個性化，那些可以正確理解洞察的企業所獲得的收益將是明確并巨大的。但這還不夠。市場的快速變化需要業務機構能夠從自身的錯誤中學習，并在所關聯的范圍內對其修正。洞察的落地要求將正確的信息，在正確的時間，以正確的方式發送給正確的人。另外，概念驗證中的關鍵成果需要能夠整合到已有的輸出和各個關聯的運營過程中去。在將決策分析融入組織，并成為數據驅動型企業的道路上，我們必須思考整個流程和環節對員工，科技及數據治理等的影響。具體而言，可通過以下六個步驟實現從想法到洞察再到落地，形成用于測試和規?；瘺Q策分析的流程閉環。III.技術平臺技術平臺傳統的報表分析平臺分層體系架構，實現數據從源系統到最終用戶可視化呈

63、現的流動。這種分析架構能夠很好地滿足描述性分析和診斷性分析的業務用例，但是越來越不適用于下一代的預測、規范性與認知分析。而這些分析有賴于機器學習和人工智能來發現和產生洞察。近年來，隨著機器學習與人工智能的業務場景逐步豐富，高級分析被嵌入到更多的業務流程和應用中，包括業務前端提升客戶體驗的觸點和 APP應用，以及減少欺詐、提升效率的后臺應用。同時這些系統應用也產生著比以往任何時候都多的數據，為挖掘數據價值提供了更多的機會。我們必須從這些新的關注點來設計和實現分析架構與平臺。下一代的數據架構要具備更高的靈活性，實施和批處理結構化和非結構化數據，具有可擴展和按需應用的功能，允許用戶進行更大規模的數據

64、探索分析，能夠跨消費者渠道提供企業級的視圖。同時，關鍵的一點，平臺承載的數據需要得到良好的管理和質量保證。數據治理與數據管理體系的建設和落地，是確保數據發揮價值的重要基礎性支撐。平臺需要提供能力以實現企業級的數據治理體系的建立，包括構建企業級數據模型，明確數據標準體系的建設內容，構建覆蓋整個企業的數據認責體系，構建數據質量管理機制，建立數據治理工作考核機制，推動數據治理工作有效開展。數領未來，打造數據驅動型企業白皮書|第二章 向數據驅動型企業轉型的關鍵路徑 23 第三節第三節 文化變革與行動執行文化變革與行動執行 I.文化與變革管理文化與變革管理在傳統模式下，企業的決策的制定過程往往是憑“直覺

65、”的，這種“直覺”來自于企業內部多年知識和經驗的積累，而基于數據和洞察進行決策模式很可能會受到來自業務部門的質疑，因為他們對數據和“水晶球”般的算法缺乏足夠的理解和信任。企業向數據驅動型組織轉型的過程，解決數據質量和數據獲取的問題僅僅是冰山一角，改變企業根深蒂固的觀念，改變決策思維模式同樣重要。成為數據驅動型企業，需要多層次的合作、溝通、教育和變革管理來支持。如何做變革管理始終是轉型為數據驅動型企業重要且具有挑戰的課題，且貫穿著企業轉型的每一步。在轉型過程中，如何平緩過渡、得到管理層、員工甚至業務上下游合作伙伴的認可與接受，是所有轉型企業均需面對的課題。變革管理始于理念轉變，通過行為參與予以強

66、化，并借助變革成果鞏固。在組織轉型初期，需保證企業內部愿景一致、轉型理念得到有效宣貫，通常借助強化緊迫氛圍、建立變革團隊與高管共識變革愿景實現；在轉型過程中，需借助持續溝通與價值普及、授權企業內部人員參與變革行動，開展共創，使管理者與員工主動支持變革過程；在變革初步完成后，更需充分展示變革成效，并借助知識轉移與賦能培訓持續鞏固信念，進而深化變革，完成企業的最終蛻變。(9)文化上將數據作為企業戰略資產文化上將數據作為企業戰略資產 領先企業已將數據的定位由“資源”升級為“資產”。信息源自數據的提煉萃取，具有更高的業務價值。數據的生產與應用，正在以全新的方式展開。企業需要發出一個自上而下的信號，明確

67、高效的、企業級數據管理是一個勢在必行的戰略舉措。打通內部數據應用通道打通內部數據應用通道 在現有組織架構下，眾多企業都已形成“麻雀雖小、五臟俱全”的部門或團隊，以業務單體開展運作，但在企業轉型升級過程中，將更強調與關注資源的整合與專業精深的提升，打破現有的部門壁壘，實現資源的共享與靈活搭配，從而更加適應未來敏捷、靈活的業務模式。鼓勵創新，數字型決策鼓勵創新，數字型決策 數據賦能不僅僅是一種工具應用，更是一種思維變革，推進企業向數據驅動型組織變革，關鍵在轉變觀念。轉型是一個亦步亦趨、循序漸進、逐步完善的過程，需要項目帶動、重點先行、榜樣引領，更加需要全員參與。全員參與的過程是觀念培養的過程，是文

68、化氛圍形成的過程。要推動員工思維層面轉型，讓組織里面的人愿意接受智能化的應用，或者將來很多決策讓員工基于數據判斷，而不是看員工以前的經驗判斷。于企業而言，首先需要建立組織管理的保障。其次，要強化數據分析知識宣貫，在企業各種業務場景中實現以數據說話，依據事實做決策的氛圍，自然而然地在自身崗位上運用數據思維研究工作。于員工而言，要加強學習，不僅要積極參加企業平臺提供的培訓課程，更要主動運用互聯網資源加強自學，逐步將數據分析理論轉化為數據化化思維，要熟練運用數據分析工具，要善于運用數據分析，向以往成熟的工作程序發起挑戰，用數據指導工作，用數據推動工作，真正將數據積累轉變成資產積累。數領未來，打造數據

69、驅動型企業白皮書|第二章 向數據驅動型企業轉型的關鍵路徑 24(9)德勤數智化轉型升級的企業組織變革II.優化業務優化業務我們將數據經過采集，集成，轉化，加工，分析，可視化，得到了有業務含義的洞察，但是這些洞察并不會自動轉化為業務產出。數據分析的“最后一公里”，即將洞察嵌入到業務流程和決策過程至關重要，而這種嵌入，并不是僅僅是對現有業務模式的改進，數據驅動型企業往往需要組織運作模式的演變。就好像我們將電力引入了火車旅行，如果我們仍舊采取鏟煤時代的行動，效率不會有提升，也不會有效的利用新發現的電力。數據洞察驅動下的業務模式包括：1.以新的方式和客戶進行溝通互動：以新的方式和客戶進行溝通互動：通過

70、智能化的方式實現大規模消費者個性化，提供更加智能，與消費者更相關的洞察和行動建議，提升用戶體驗；2.以新以新的方式制定決策：的方式制定決策：通過整合多數據源以及企業級的智能分析，識別隱藏在數據后面的模式、業務規律，識別企業業務增長、業務組合和效率提升的機會點，制定更加明智的決策。3.以新的方式進行業務操作：以新的方式進行業務操作：基于流程機器人技術和認知技術實現對人類行為的復制和判斷，以機器替代人執行重復性高，規則性強的業務流程，提高流程的智能化和效率，節約成本。機器能夠通過機器人和認知技術復制人類的行為和判斷 值得指出的是，優化業務并不意味著數據洞察和人是對立的，也不是數據洞察完全取代人的經

71、驗，它更多的是能力的增強，是為員工進行賦能，是的員工工作的效率更高，領導層決策更有科學依據，業務模式更加智能和高效。同時，業務優化是一個持續和迭代的過程，需要建立一個常態化監控機制，對優化后的業務表現進行跟蹤和持續的分析，不斷改進模型和業務流程，以實現業務成果提升的目標。III.規?；幠；瘡碗s的機器學習模型可以幫助公司有效地發現模式、揭示異常、做出預測和決策，并產生洞察力，并且日益成為組織績效的關鍵驅動因素。企業意識到需要從個人英雄主義轉向工程性能，從而有效地將數據分析模型從開發轉移到生產和管理。然而，由于死板、脆弱的開發和部署過程，阻礙了產品團隊、運營人員和數據科學家之間的協作。隨著數據分

72、析技術和應用的成熟，大量的工程和運營規程可以幫助組織克服這些障礙，有效地擴展數據分析應用，以實現業務轉型。為了實現數據分析更廣泛的變革性收益，手工分析時代必須讓位于自動化、工業化的洞察力。DataOps使數據管道和應用程序的開發變得更加嚴謹，可重用和自動化，能夠在開發和部署階段，實現數據分析的工業化和規?；?。數領未來，打造數據驅動型企業白皮書|第二章 向數據驅動型企業轉型的關鍵路徑 25 第三章第三章 云云原生數據戰略方法原生數據戰略方法 數領未來，打造數據驅動型企業白皮書|第三章 云原生數據戰略方法 26 第第三三章章 云原生數據戰略方法云原生數據戰略方法 應對數字時代的挑戰，每一個企業或組

73、織的數據源、分析需求和治理要求都不盡相同，并且會隨著時間的變化而變化。云原生數據戰略云原生數據戰略能夠幫助企業或組織處理數據的快速增長，并滿足當下和未來的使用需求，為企業提供管理、訪問、分析和處理數據的全面規劃，幫助企業構建一個完整的端到端數據解決方案。借助亞馬遜亞馬遜云科技云科技專門構建的云原生數據服務、基礎設施和工具，及其專業服務和合作伙伴提供的實施支持，是企業釋放數據價值，構建數據驅動型企業的最佳選擇。第一節第一節 利用新技術、云計算實現打造云原生數據基礎設施利用新技術、云計算實現打造云原生數據基礎設施 1)專專門構建的云原生數據庫門構建的云原生數據庫如今的組織很擁有大量具有潛在價值，但

74、尚未開發的數據。其中一些可能是保存在數據庫、文件和系統中的傳統企業數據；而其他一些則可能是由機器或移動設備生成的最新數據，還有一些可能是非結構化文本數據，或者是存為視頻或音頻記錄的非傳統數據。這些數據在以往很難以經濟高效的方式采集和利用，或者用起來成本太高，因此多半處于閑置狀態。而如今，隨著技術的快速發展，組織正在盡可能地擁抱更廣泛的數據。因此，盡可能全面地采集數據至關重要。在存儲方面，各組織已不再那么注重存儲能夠整齊有序地填入表格中的干凈數據。為了向機器學習算法和高級分析工具提供數據，很多組織正在探索各種機會，以各種云原生數據庫云原生數據庫技術存儲來自物聯網、社交媒體和 AI 的大量非結構化

75、數據，常用的技術包括：關關系型數據庫：系型數據庫：一方面傳統的本地化部署的數據庫服務模式已經難以滿足企業發展和成本控制方面的要求，另一方面越來越多的主流和新興公有云廠商開始將基于云平臺的數據倉庫作為一項服務來提供。這類整合了企業內不同來源的數據，并提供給用戶供其進行實時處理和挖掘。這種轉為云平臺打造的關系型數據庫基于權限的集中式系統，消除了數據必須在同一地點存儲和數據管道的需求。除具備定序和存儲功能外，云數據倉庫通常還提供搜索引擎統計，以用于數據查詢和分析能力。有云的易用性、上下拓展的靈活性、高級數據處理和分析工具相結合，正在推動云數據倉庫市場的顯著成長。鍵值型數據庫鍵值型數據庫：作為一種非關

76、系數據庫，鍵值型數據庫使用簡單的鍵值方法來存儲數據，將數據存儲為鍵值對集合，并將鍵作為唯一的標識。鍵和值都可以是從簡單對象到復雜復合對象的任何內容，具備高度擴展性，允許以其他類型的數據庫無法實現的規模進行水平擴展，因此適用于海量數據場景，例如電商系統、游戲應用程序等。文檔型數據庫：文檔型數據庫：這種數據庫可以讓開發人員使用他們在其應用程序代碼中使用的相同文檔模型格式，從而更輕松地在數據庫中存儲和查詢數據。文檔和文檔數據庫的靈活、半結構化和層級性質允許它們隨應用程序的需求而變化。文檔模型可以很好地與目錄、用戶配置文件和內容管理系統等使用案例配合使用，其中每個文檔都是唯一的，并會隨時間而變化。文檔

77、數據庫支持靈活的索引、強大的臨時查詢和文檔集合分析，覆蓋內容管理、移動應用等場景。內存數據庫：內存數據庫：內存數據庫常用于緩存、排行榜、廣告等應用場景，內存中的數據存儲主要通過消除訪問磁盤的需要來實現最小的響應時間，并實現微秒級別的延遲。數領未來，打造數據驅動型企業白皮書|第三章 云原生數據戰略方法 27 時序數據庫時序數據庫：在過去的兩年中，時序數據庫技術的普及程度大大增加，覆蓋了物聯網應用、業務事件跟蹤、工業遙測等應用場景。時序數據庫會跟蹤并記錄數據變更以及變更的特定時間，并將每次變更的數據作為唯一值插入數據集中來自 IoT 和監控技術的臨時數據規模呈爆炸式增長，在這一背景下，無論是歷史分

78、析還是預測分析都越來越依賴于查詢某個時點的數值，并能持續精準和高效跟蹤該數值的能力。圖形（圖形（Graph）數據庫：）數據庫：充分分析和利用高度關聯的數據可能是一件具有挑戰的事情。隨著數據量的增加和結構化程度的降低，數據關系正呈現指數級增加，這導致數據關系在傳統數據庫模型中變得難以管理，也無法進行查詢。而圖形數據庫不僅能夠存儲數據，而且還能存儲每個數據點關系的相關信息。使用這種模式，就能快速、高效且更為準確地查詢數據之間的復雜關系，在欺詐檢測、身份解析、知識圖譜、推薦引擎等場景用廣泛的應用前景。隨著存儲成本持續下降，聚合和整理海量數據已不會再因成本問題而被叫停。隨著存儲成本持續下降，聚合和整理

79、海量數據已不會再因成本問題而被叫停。此外，現代化的數據架構具備自我修復能力和強容錯能力，無需進行太多的維護，從而可以降低管理和修復成本。因此，增加存儲容量的潛在好處，將遠遠超出可能要承擔的任何成本。機器學習和高級分析能夠在繁復的數據關系中辨別出低顯著性的指標，使機器學習和高級分析的分析能力顯著提升，這是使用傳統的數據存儲和建模技術幾乎不可能做到的。2)2)云原生數據分析服務云原生數據分析服務數據分析用于將原始數據轉化為可行的見解。它包括一系列工具、技術和過程，用于通過使用數據來發現趨勢并解決問題。數據分析可以塑造業務流程，改善決策，并促進業務增長。借助云原生完全托管大數據分析，可以在幾分鐘內配

80、置一個大數據集群，輕松擴縮資源，一鍵式完成高可用部署，輕松的重新配置集群。而專門構建的云原生數據分析服務，可以讓用戶在任意場景獲得最佳性價比。并且大數據于機器學習的聯動，也是云原生數據服務的強大之處。借助云原生的 Serverless 技術可以幫助客戶最大化數據價值的同時最小化運營開銷。亞馬遜云科技提供了廣泛的、專門構建的數據分析服務，包括處理大量非結構性數據（使用 Apache Spark 和 Hive 等開源大數據框架）的 Amazon EMR，處理實時數據流 Amazon MSK，以及用于數據倉庫的 Amazon Redshift。雖然這些服務已經為客戶提供了強大的功能，但仍有客戶希望能

81、進一步幫助他們處理具有高度不確定性或者間歇性的工作負載，不必管理底層基礎設施，并自動根據應用程序需求增減資源。為了消除擴展和管理基礎設施的復雜性，亞馬遜云科技于 2014 年在計算領域引入無服務器、事件驅動的概念。借助亞馬遜云科技的無服務器技術，包括用于實時數據流的 Amazon Kinesis Data Streams、用于數據集成的 Amazon Glue 以及用于交互式儀表板和可視化的 Amazon QuickSight，大量客戶已經實現了自動部署、按需縮放、按需付費。亞馬遜云科技新推出的 Amazon EMR、Amazon MSK 和 Amazon Redshift 的無服務器功能，進

82、一步擴展了其數據分析的無服務器能力，讓客戶能夠更輕松地將數據分析擴展到更多用戶，最大化數據價值，同時降低成本。數領未來，打造數據驅動型企業白皮書|第三章 云原生數據戰略方法 28 第二節第二節 構建數據一體化融合分析能力構建數據一體化融合分析能力 1)建立現代化的智能湖倉架構建立現代化的智能湖倉架構在當前業務發展日新月異的情況下，傳統的數據倉庫與數據湖已經無法有效滿足數據分析的需要。傳統數據倉庫適合對成熟的數據進行數據分析，但支持的數據結構較為單一。數據湖雖然支持多種類別數據的價值挖掘，但缺少有效統一的數據管理功能，無法保證源數據的質量。要想從種類結構日漸變化的數據中獲取最佳洞見，用戶必須有能

83、力輕松在數據湖與專用存儲系統之間移動數據。但隨著系統中數據規模的持續增長，數據移動也變得越來越困難。為了解決這一挑戰、進而從數據中獲取最大收益，智能湖倉架構應運而生。作為一類現代化數據架構，智能湖倉將數據湖、數據倉庫以及所有其他專用服務接入統一且連續的整體。使用戶可以通過正確的工具完成正確的任務，同時提供以迭代及增量方式構建架構的良好敏捷性。在添加新數據源、發現新的用例/需求以及開發新的分析方法時，可以通過更靈活地調整智能湖倉中的相應組件，借此滿足當前及未來的各類需求，幫助用戶從容運用數據資源以及蘊藏其中的重要價值。智能湖倉的構建應通過以下五大關鍵要素聚焦實際業務并賦能客戶。靈活擴展，安全可靠

84、靈活擴展，安全可靠首先是靈活擴展、安全可靠。作為整個架構最基礎、最重要的組成部分，數據湖的可靠性和大容量的數據存儲能力，是確保整個智能湖倉架構有效應用的基礎。數據湖的基礎組件應具有可用性、可擴展性，以及大容量的、根據用戶使用習慣自動分層的數據存儲能力，從而確保整個智能湖倉架構得有效應用。同時也意味著數據湖的成本在擴展性可用性很高的情況下，依然能保持最佳的安全性、合規性、審計能力及成本可控性。專門構建，極致性能專門構建，極致性能其次是專門構建和極致性能。具體來看，智能湖倉需要為用戶提供多樣的數據分析的服務集合，要能夠實現日常數據的查詢，也要能夠針對日志數據進行實時監控，還要能有效處理流數據等功能

85、，使得用戶可以更加有針對性為不同的需求挑選不同應用，來縮短獲取洞察時間，實現業務的突破。數據網格，跨域創新數據網格，跨域創新第三點則是數據網格（DataMesh），跨域創新。在賦能員工創新與構建數據驅動型組織的過程當中，數據網格架構的一個主要優勢是允許不同的業務部門和企業部門獨立運營，并將其數據作為產品提供。這種模式不僅可讓企業擴大規模，而且還將維護產品的端到端責任賦予作為數據領域專家的數據生產者。通過數據間的壁壘打通與無縫移動，使得一個復雜查詢就可以實現跨湖、倉、數據庫實現數據查詢。協助用戶消除數據煙囪和信息孤島，有效構建高效的數據分析引擎。統一數據治理統一數據治理第四，自動統一地管理數據。

86、以更快的移動、存儲和分類數據并采用受管理的存儲簡化數據管理來快速構建數據湖。通過集中定義安全、管控和審計策略以及執行一致地策略來簡化安全管理。并建立流通的數據標準，在組織內部和與合作伙伴輕松安全地共享數據。深度智能分析深度智能分析最后是敏捷分析和深度智能。用戶首先將數據基礎設施現代化水平進行有效提升，然后讓數據真正地產生價值并且真正地能夠挖掘出價值，最后通過深度融合的機器學習服務對決策進行更好地輔助。將數據、數據分析服務與機器學習服務無縫集成，可以為企業提供更智能的服務，幫助企業更好地挖掘數據智能，實現數據驅動價值的目標。數領未來，打造數據驅動型企業白皮書|第三章 云原生數據戰略方法 29 智

87、能湖倉架構圖：智能湖倉架構圖：2)打破數據孤島，數據無縫流動打破數據孤島，數據無縫流動在數據治理的要求下，數據應該在各個部門和系統中互聯互通，然而隨著業務的發展，業務需求和業務定義也處于常態的變化之中，業務需求的多樣性也持續要求著企業加強在業務單元之間的信息串聯互通能力。在數據治理的要求下，數據應該在各個部門和系統中互聯互通，一方面既滿足日漸多樣且復雜的業務應用場景，另一方面保障多業務場景互聯互通后的數據質量。由此帶來的數據定義和數據格式也發生了轉變。如果不使數據流動起來互通，保持更新和使用，就會生成越來越多的臟數據和無法利用的數據，帶來巨大的管理和存儲成本。為了解決上述問題，數據共享和數據民

88、主化的理念逐漸步入企業的視野，越來越多的技術手段支持企業以低成本、低配置、低基礎建設的方式為企業提供數據共享“抓手”，保障數據質量為基礎去打破數據孤島，幫助企業促進數據共享與民主化，通過實現數據互聯互通放大數據價值；同時，企業也需要同步建章立制，通過內部機制或管理辦法明確不同的數據生產者、消費者之間的權限、數據標準、質量要求等應用細節，對“抓手”的使用進行規范和指引，并設置數據共享管理機制。在技術支撐方面，越來越多的主流和新興公有云廠商開始提供基于云平臺的數據倉庫服務，這類云數據倉庫不需要企業提供基礎設施配置，支持不同賬戶、不同角色、不同地區在設置好的倉庫中進行數據的共享。同時，數據庫中由表、

89、視圖或函數等元素所構成的的數據產品的訪問可以分別在數據生產者和數據消費者側進行控制，落實數據生產、維護、訪問、應用的權限配置。最終為企業提供一種安全、即時、成本可控的方式提供滿足業務個性化需要的數據視圖，實現數據的互聯互通，為企業的洞察分析能力的提升和業務數字化提供有效支持。以亞馬遜云科技為例：Amazon Redshift Federated Query 是一種聯邦查詢能力，可實現實時數據集成并簡化 ETL 處理流程。用戶可以直接在云原生數據倉庫 Amazon Redshift 中連接實時數據源，并借此提供實時報告與分析結果。同時，借助 Amazon Redshift 物化視圖，可以通過表達

90、虛擬化技術來加快查詢執行速度 在機制設計方面，需要充分兼顧數據共享的暢通程度和數據標準落實情況；對于同時作為數據生產者和消費者的業務部門，落實數據標準制定、質量監控和優化職責，明確不同部門的相關業務數據的共享權限與應用范圍；對于數據倉庫管理部門或中臺部門，需要設計數據共享管理機制，一方面，在中臺層面或企業層面明確數據共享的基本要求，包括標準要求、權限配置等，另一方面，通過考核、檢查、意見征集等管理手段，實現共享激勵，弱化業務單元之間的數據壁壘。數領未來，打造數據驅動型企業白皮書|第三章 云原生數據戰略方法 30 3)融合數據分析與機器學習融合數據分析與機器學習企業的數據從最開始的收集到最后數據

91、驅動型決策的整個過程中涵蓋了四個主要方面，分別是數據收集，數據統一，數據分析和解決方案實施，整個過程中，機器學習和人工智能技術都有用武之地，企業應該部署相關能力來強化自身的數據戰略。在數據收集端，合約信息可以通過圖像識別，文本提取，嵌入式圖像識別信息系統、語音識別等手段來建立企業自身的數據資產；數據統一端主要關注數據標識和涉及的數據隱私問題，人工智能和機器學習技術可以通過以往的標識策略學習并推斷可能的標識方案，文本分析等技術也對合規問題的解決提出了高效的施行方案；人工智能和機器學習最主要的應用場景就是對數據的分析上，有如此多的數據輸入，機器學習相關技術可以幫助企業實現人群細分、和行為預測，而正

92、是這些分析結果形成了企業的競爭優勢，為企業下一步的成效改革提供有力支撐。精密的機器學習模型有助于企業更高效地發現規律、找出異常、進行預測以及做出決策，形成洞察。通過人工智能與機器學習技術的相結合，從三個方面為企業發起助力，即認知自動化、認知參與和認知洞察力。目前，很多企業數據湖/數據倉庫準備就緒，數據分析人員也想快速利用機器學習模型進行探索創新，經常會因為機器學習理論或編程門檻偏高而放棄。以亞馬遜云科技為例：Amazon Redshift ML 是 AI 賦能云原生數據倉庫的范例，它通過使用簡單的 SQL 語句使用 Amazon Redshift 中的數據創建和訓練機器學習（ML）模型，簡化了

93、機器學習(ML)的操作。企業可以使用 Amazon Redshift ML 自動執行數據準備、預處理和問題類型的選擇，可使用多分類、預測類在 Amazon Redshift 中創建模型，例如，企業可以預測交易是欺詐性的、失敗的還是成功的，客戶是否會將活躍狀態保持 3 個月、6 個月、9 個月、12 個月，還是要將新聞標記為體育、世界新聞或是商業內容。借助實時數據攝取+Redshift Serverless+RedshiftML，可以實現直接使用數據倉庫構建機器學習模型、接入流式數據，實現動態模型訓練與更新，并具備面向不可預測的流式數據進行彈性伸縮的模型推理。在認知自動化方面，主要通過機器學習技

94、術實現機器人流程自動化（RPA），可以看到人工智能設備自動化了那些傳統上需要訓練有素的工人才能完成的任務。其中手寫和字符識別，例如 NLP 和 OCR 技術可以幫助企業降低風險和成本，支持更為復雜和繁瑣的日常辦公需要；認知參與體現了人工智能的“代理”特性，認知系統使用例如圖像，音頻，視頻等非結構化數據信息，為客戶定制化產品和服務并創造新的收益。由此也產生了一些新型的應用場景，這些場景需要人工智能接觸到更復雜的信息并完成數字化任務；認知洞察力是指從收集到的數據流中需要隱含的關系和相關問題的答案，從而獲得更深入和可操作的洞見。有了足夠數據量的支持，人工智能做出觀察和預測的準確性也得到提高，人工智能

95、不僅可以了解已經發生的事情，分析正在發生的事情，還將帶著洞察預測接下來會發生的事情，這有利于管理層制定商業戰略，幫助員工提升效率。數領未來，打造數據驅動型企業白皮書|第三章 云原生數據戰略方法 31 第三節第三節 重塑創新引擎，實現數據驅動的業務價值規?；涞刂厮軇撔乱?，實現數據驅動的業務價值規?；涞?數據驅動型企業在從公司戰略到數據/洞察戰略并實現規?；瘧玫牡缆飞?，戰略和分析能力要齊頭并進。如下圖所示，從企業戰略出發，沿著企業的價值鏈設想構思業務用例并進行優先級排序。選擇典型業務場景進行概念驗證，設計企業的數據戰略以及未來的運營模式，同時基于概念驗證的發現，調整和細化業務用例，最后通過

96、規?；膶嵤?，實現業務價值的落地。圖十圖十六六：從戰略出發到業務價值規?；瘡膽鹇猿霭l到業務價值規?；?1)企業戰略企業戰略向數據驅動型企業轉型的起點是企業戰略，通過對企業戰略的解讀，探索數據能夠帶來的業務變革可能性以及可能的領域，理解數據要如何承接與對齊業務戰略的要求，探索如何利用數據創建/改善企業的競爭差異，如何利用數據驅動產品和服務的創新，如何利用數據提高運營效率和利潤水平？同時企業還需要對數據分析的成熟度進行評估，理解企業當前在數據與分析方面存在哪些短板，識別哪些能力需要補齊。企業還需要定義數據與分析的價值范圍，明確分析的策略。2)用例構思用例構思通過對企業的業務戰略進行解讀，明確了數據

97、在哪些領域可以承接企業業務戰略，接下來具體的就是要落實到具體的業務用例上。在業務用例構思環節，我們可以基于業務戰略進行價值樹的分解，例如為了實現收入增長目標，企業可以在價格與銷量上進行優化，而價格與銷量的驅動因子包括定價，銷售機會，消費者覆蓋/滲透等 9 個因子，針對每一個因子我們分析，有哪些分析場景可以應用到業務優化過程中，即識別和構思分析用例。數領未來，打造數據驅動型企業白皮書|第三章 云原生數據戰略方法 32 除了從業務戰略目標出發識別的業務用例，還有一類用例是從數據自身出發，包括數據資產目錄管理、數據標準管理、數據質量的管理和評分等，這一類用例，是幫助企業怎么更好的管理好數據，為數據資

98、產化打好基礎。在得出一個初始的業務用例構思列表以后，進一步需要基于對用例涉及業務范圍的理解、對業務影響程度估算用例對業務價值帶來的影響，并對用例適用的業務范圍，業務目標，關鍵用戶，數據需求，算法，可視化和應用方式等進行定義，得出用例卡片。3)排定優先級排定優先級完成業務用例的構思以后，需要基于業務用例的業務價值大小、業務需求緊迫性以及技術實現的復雜度，排定業務用例的優先級。企業在排定用例優先級的過程中，首先要定義優先級評定的框架，確定通過哪些主要的維度進行評估，確定評定的尺度和評分的標準。接下來，需要進行業務影響評估，分析每一個業務用例影響的業務范圍，使用的頻率。接下來還需要對該用例涉及的數據

99、的質量進行評估，包括數據的可得性，數據質量，數據在安全與合規上有什么要求。最后綜合以上步驟，對候選業務用例進行優先級的排序，選擇典型業務用例，規劃用例實現的路線圖以及定義哪些業務用例優先進行概念驗證。4)概念驗證概念驗證對典型的高優先級業務用例進行概念驗證，在概念驗證階段，依據業務用例定義的數據需求，先進行數據探索，理解數據的可得性和質量，理解數據以及數據背后是否能否發現一些初步的和業務用例相關的規律與模式?；跀祿剿鞯慕Y果對業務用例進一步細化，包括數據處理、分析模型算法的選擇、分析結果的呈現方式等。接下來，數據工程師、算法工程師、業務分析師組成聯合團隊執行概念驗證的具體操作。對概念驗證的關

100、鍵發現進行解讀，對比分析結果與業務假設哪些是吻合的，哪些有差異，差異產生的原因是什么，有什么新發現，這些新發現對業務優化有什么啟示。最后基于概念驗證的結果，總結在數據、技術、應用不同層面對數據戰略會產生什么影響。借助開箱即用的 AI 服務，敏捷構建驗證原型，快速上線部署測試。亞馬遜云科技的 AI 應用服務可以為您的應用程序和工作流程提供開箱即用的 AI 功能。它可以輕松與您的應用程序集成，幫助處理常見的一些場景，如個性化推薦、語音和視頻識別、欺詐檢測、圖像識別等。這些服務基于 A 電商業 務所采用的相關技術，并且持續優化相關的 API，幫助客戶獲得高質量和高準確 度的推理結果。最重要的是，您不

101、需要具備機器學習經驗，即可將亞馬遜云科技 的 AI 服務集成到您的業務應用中。Amazon SageMaker Canvas 允許產品經理、運營、業務分析師以可視化的操作方式，不需要機器學習經驗，也不需要編寫程序代碼，即使沒有算法工程師幫助也可以自動清理和組合數據，并就能構建機器學習模型，選出性能最佳的模型，生成精準的預測?？焖衮炞C機器學習創新場景，在云上成為了可能。數領未來，打造數據驅動型企業白皮書|第三章 云原生數據戰略方法 33 5)數據戰略與運營模式數據戰略與運營模式在概念驗證的基礎上，進一步明確數據驅動型企業的數據戰略，包括數據驅動型企業的愿景，數據發展戰略以及對業務模式變革的影響。

102、同時對非技術性的運營維度進行設計和評估，包括數據組織、數據管理和應用的流程、數據人才與能力要求和數據治理。最后明確數據運營和技術運營的模式。6)業務用例細化業務用例細化在明確了企業的數據戰略與運營模式的前提下，企業需要重新審視業務用例，并對業務用例進一步細化。包括遠期，中期和近期企業分別要實現哪些業務用例，明確業務用例實現的組合和路線圖；基于路線圖制定明確實施規劃，以及實施各個階段對資源的需求，資源既包括軟硬件分析環境和設施，也包括 IT，數據和業務人員的參與，以及對外部供應商的需求。進一步評估業務用例帶來的業務影響，對商業用例進行定稿，作為后續行動成功衡量標準的基準。結合項目計劃和資源需求分

103、析數據舉措的對組織結構的成本影響以及估算項目實施成本。7)規?；瘧靡幠；瘧迷谕瓿闪藰I務用例細化以后，數據驅動型企業開始按照計劃執行項目行動舉措。這包括軟硬件基礎設的設計與環境部署；開始數據治理相關的設置與啟動工作；進行數據的采集、集成、加工與處理；按照運營模式要求，進行數據相關組織的設置與調整；成立項目管理辦公室，對項目群進行管理，執行溝通與變革管理相關工作，推動數據業務用例的規?；_發落地與應用。借助平臺快速將創新應用規?；?，以亞馬遜為例，Amazon SageMaker 通過完全托管的基礎設施、工具和工作流程，協助不 同類型的用例構建、訓練和部署機器學習(ML)模型，消除了機器學習過程

104、 中每個步驟的繁重工作，讓開發高質量模型變得更加輕松。它提供了用于 機器學習流程中的不同組件，企業投入更少的工作量和更低的成本就可以讓模型 更快地投入生產。第四節第四節 數據治理與數據安全數據治理與數據安全 隨著數字化文化的普及，越來越多的企業開始使用業務系統，利用計算機技術幫忙解決處理問題，數字資產管理的意識也日益提高，但由此也帶來了一些問題。例如不同來源的數據質量良莠不齊，數據格式五花八門，不同業務部門互不了解對方的數據資產，產生大量數據冗余，形成數據孤島，此外也存在隨時被外部攻擊的安全問題。以上問題的產生，使得數據治理的概念應運而生，數據作為一種數據資產應該實現人人均可訪問，團隊之間打通

105、以及靈活可擴展的效果；數據治理應該實現更快的移動、分類和存儲數據，采用受管理的存儲簡化數據管理、集中定義安全、管控和審計策略，且策略保持一致的執行、在組織內部和與合作伙伴間可以輕松安全地共享數據。對于數據質量管理的衡量，也提出了三點要求，經過數據治理的數據需要具備及時性，即是否能夠在數據需求定義要求的期限內獲得最新的數據，或按要求的更新頻率刷新數據值；數據的準確性，即數據是否符合數據標準中的業務定義；數據的完整性，即業務需求的關鍵數據項在系統中是否有定義，或者關鍵數據項是否都采集了數據。數領未來，打造數據驅動型企業白皮書|第三章 云原生數據戰略方法 34 數據治理的框架一般包括數據治理頂層設計

106、、數據管理、數據應用與服務的從上至下指導和從下而上推進的多層次、多維度、多視角方位框架。為了搭建數據治理的合理框架，需要從數據戰略和組織架構出發。數據戰略的制定需要企業從內外部進行分析和預測，明確制定目標，即應對數據資產的管理由分散模式轉為集中模式，由此制定實施計劃并進行及時的回顧和考核。數據治理是一項全局性的工作，有效的組織架構是數據治理成功與否的有力保證，為達到數據戰略目標，建立體系化的組織架構、明確職責的分工是非常必要的。企業應根據自身的組織架構設計數據治理組織架構，對治理層、決策層以及執行層應承擔的責任和享有的權限進行明確和分工，整合資源投入，以更為有效地改善數據管理局面。數領未來，打

107、造數據驅動型企業白皮書|第三章 云原生數據戰略方法 35 第四章第四章 數據數據驅驅動型企業的典型業務場景與案例動型企業的典型業務場景與案例 數領未來，打造數據驅動型企業白皮書|第四章 數據驅動型企業的典型業務場景與案例 36 第第四四章章 數據驅動型企業的典型業務場景與案例數據驅動型企業的典型業務場景與案例 第一節第一節 汽車汽車 近兩年來，受國際國內疫情的發生反復以及原油價格的飆升，汽車銷售受到了一定的沖擊。就國內來說，隨著疫情防控和復工復產的統籌推進，車企和經銷商的生產經營活動正逐步回歸正軌，廣大汽車從業者應認真總結本次疫情緊急事件帶來的沖擊，并以此為契機升級企業管理機制，運用數據提升企

108、業治理和經營管理的現代化水平。場景一：軟件定義汽車（自動駕駛運行模擬）場景一：軟件定義汽車（自動駕駛運行模擬）背景：背景：在萬物互聯、以及 CASA(連接性、替代動力系統、共享出行和自動駕駛)帶來的顛覆性變革的背景下，主機廠、供應商面臨著一個多世紀以來最大的課題：軟件定義汽車。Lyft 是美國和加拿大最大的交通服務網絡之一，其工程師使用從其自動駕駛車隊收集的數 PB 數據，每年運行數百萬次模擬，以提高其自動駕駛系統的性能和安全性。業務遍及 200 多個城市，每月促成 1400 萬筆搭車交易。Lyft 使用 亞馬遜云科技實現了業務的快速發展，管理著其呈指數級增長的數據，利用云產品支持 100 多

109、種微服務，從而增強客戶體驗的每個方面。方案：方案：保即使在 Amazon EC2 競價型實例由于需求量大而無法使用時模擬仍可運行。利用 Amazon S3 構建數據湖來存儲和訪問不斷增加的從自動駕駛汽車和模擬中所收集和存儲的數據量達到 PB 級的信息。該公司利用 Auto Scaling 等產品，在高峰時段，管理數量高達 8 倍的乘客，并利用 AmazonRedshift 獲得客戶見解，為其拼車產品 Lyft Line 提供支持。使用 Amazon Kinesis 通過系統收集生產事件，并利用 Amazon DynamoDB 的可擴展性實現了多數據存儲，其中包括一個為所有乘車服務存儲 GPS

110、坐標的乘車跟蹤系統。成果：成果：在 6 個月內將每次乘坐的 IT 成本降低 40%向領導和開發團隊提供詳細的成本指標允許工程師減少浪費并驗證支出減少使工程師能夠制造新工具并節省資金 場景場景二二：云數據中心云數據中心(CDH)賦能賦能 BMW 數據驅動型解決方案數據驅動型解決方案背景：背景：在過去幾年里，寶馬集團一直致力于使用數據和預測分析來保持其在汽車行業數字化轉型領域的前沿地位。同時該集團也面臨數據分散、不易獲取、IT 設施陳舊，支持新的需求反應速度慢的挑戰。為此，寶馬集團需要開發具有足夠敏捷性的解決方案，支持各內外部需求，同時賦能數據使用者實施訪問的權限，并遵守隱私和安全法規要求。數領未

111、來，打造數據驅動型企業白皮書|第四章 數據驅動型企業的典型業務場景與案例 37 方案：方案：重新構建其本地部署數據湖，并將其遷移至 亞馬遜云科技，云數據中心(CDH)可處理并整合來自車輛傳感器和整個企業其他來源的匿名數據，使創建面向客戶的應用程序和內部應用程序的內部團隊能夠輕松獲取這些數據。轉向了混合式托管服務，通過差異化組件以及創建能夠擴縮以滿足數據工程師需求的環境來降低設置的復雜性。借助云上數據門戶，使用高級搜索算法和可輕松查詢的數據幫助 CDH 用戶發現可信賴的數據集，進而生成全新的洞察。成果：成果：普及大規模數據使用，每天處理來自數百萬車輛的數 TB 遙測數據這賦能寶馬集團運用從 CD

112、H 攝入、收集和細化的車隊數據更好地解決問題，將問題解決在萌芽之時為寶馬集團開發數據驅動型 IT 解決方案奠定了基礎，加速創新 場景場景三三：在自動駕駛領域連接和管理大量設備的在自動駕駛領域連接和管理大量設備的 IoT背景：背景：自動駕駛對基礎設施的核心需求就是海量數據的采集和處理。Momenta 的測試車利用安裝在車上的各樣傳感器，在汽車行駛過程中隨時感應周圍的環境，進行靜態/動態物體的辨識、偵測與追蹤，并結合高精度地圖數據，實現自動駕駛的能力。一輛測試車，每天路面測試產生的數據可達 TB 級。除了測試車以外，隨著 Momenta 面向高/快速道路的 Mpilot Highway 和面向泊車

113、場景的 Mpilot Parking 發布，也會產生大量的數據需要處理。一個穩定、可靠、高性能、易擴展的 IT 基礎架構，對高速成長的 Momenta 來說非常重要。方案：方案：使用 Amazon S3 進行車端傳感器數據收集，一方面車端系統會在行車過程中隨時根據傳感器采集到的信息進行駕駛決策，另一方面，每一輛測試車也會在路面測試中實時地、智能化地篩選和采集高價值數據，傳回上云后通過眾包標注，供模型訓練使用。借助亞馬遜云科技 IoT 服務，構建車云一體的數據平臺，實現實時位置回傳、指令下發、車輛控制以及大量 IoT 設備的管理。在深度學習模型訓練方面，Momenta 將所有在車端采集的有效數據

114、傳回云端，云端根據這些數據產生更好的算法，再推至車端，車端更新之后，使得算法更加穩定、精確度更高，這就形成了一個閉環。利用云上機器學習基礎設施，對底層和訓練框架進行優化，以實現對特有場景的支持成果：成果：在公司創新加速時，更加穩定高效。通過使用 Amazon IoT 服務，Momenta 只用了兩周時間，就快速搭建出一個量產自動駕駛解決方案的產品原型，并且驗證了設計方案的可行性。提升開發效率，節省運維成本。使用云上機器學習基礎設施，使 Momenta 能夠以經濟高效的方式快速訓練模型并進行調優。此外，Momenta 維持了非常精簡的運維團隊。同樣的規模，如果不用云，至少需要 10 人以上的運維

115、團隊。Momenta 的業務覆蓋全球市場過程中，一方面可以通過亞馬遜云科技全球的區域實現快速部署；另一方面可以有更多機會利用整個亞馬遜的全球資源進行市場拓展。數領未來，打造數據驅動型企業白皮書|第四章 數據驅動型企業的典型業務場景與案例 38 第第二二節節 消費品與零售消費品與零售 目前，零售企業對于數據的應用仍然不足，61%的零售商不能快速獲取信息以應對多變的環境；88%的零售商難以從數據中獲取可執行的洞見；平均只有 43%的數據被零售商視為可操作；僅有 16%的零售商利用數據發展和提升競爭優勢。對于客戶旅程中所產生的大量數據，零售商應有的放矢地進行使用，例如在客戶參與、銷售與規劃、線上線下

116、門店運營、供應鏈和分銷、數據科學以及核心零售業務應用程序等場景中進行數據驅動模式布局。場景一：場景一：精細化分層，數據賦能消費者體驗升級精細化分層，數據賦能消費者體驗升級背景：背景：個護行業某頭部美護發品牌由于新銳品牌不斷強勢崛起，面臨存量競爭激烈，以及店鋪會員規模急速提升的問題。提升高價值會員長期價值貢獻與溢價能力成為品牌亟待深挖優化的一大課題。品牌需要從產品思維轉換向用戶思維的運營模式。核心是圍繞消費者全生命周期，精準聚焦各階段各渠道目標消費者的需求，增強和消費者的互動，提升消費者的終身價值，實現以消費者為中心的數字化轉型。方案：方案：站內外精細化運作會員觸點，以新會員專享入會禮做高效承接

117、,有效提升用戶回購頻次，回購率較歷史大促上升明顯。打造會員心智，提升高價值會員粘性：通過店鋪不同優惠券權益與人群核銷率數據分析發現，員人群已形成領券及會員日心智，表現為發券面額與領券率成正相關，并與會員日等特定活動有高相性；同時激活了部分優質沉睡會員，有效提高了高價值會員的長期價值?？腿壕毣謱?，群聊互動玩法承接：通過深挖私域人群畫像并進行分層，利用差異化的權益吸引入群，打造基于人群消費價值的群聊分層體系。成果：成果：會員日運營效果高于同行同層 TOP5 品牌均值，新會員綁卡率、會員人群活躍率均較之前實現了有效提升。通過細分化運營策略，有效提高了會員進店瀏覽轉化率，從而實現消費者精細化運營提

118、效。場景二：產品組合與匹配場景二：產品組合與匹配背景：背景：傳統的產品組合優化方法成本高、速度慢、容易出現人為錯誤，并且依靠每年一次的手動審查無法最大限度地提高產品的可靠性和可持續增長，而且手動審查無法滿足當今消費者快速變化的期望。某智能手機品牌使用數據驅動進行產品組合優化可以幫助零售商做出更好、更可持續的決策，以有效地為客戶提供他們需要的產品。方案：方案：預測消費者需求和下一步行為。數據分析可以根據過去的購買行為預測消費者的下一步行為及其對市場趨勢的反應。這使零售商能夠更好地了解哪些商品預計需求量較大，從而能夠更明智地決定哪些商品需要優先進貨。分析多源的客戶數據。利用機器學習挖掘和分析來自相

119、關品牌、競爭對手和社交媒體的數據，然后將這些見解與零售商客戶的消費行為進行比較，幫助以更低的成本開展更準確的產品組合預測。此外，算法可以在數據發生變化時自動更新結果，使零售商能夠實時跟蹤消費者的需求。數領未來，打造數據驅動型企業白皮書|第四章 數據驅動型企業的典型業務場景與案例 39 成果：成果：及時、成本更低的產品組合規劃：通過使用 AI 技術實現產品組合規劃過程的自動化，零售商可以實時分析消費者的期望，同時避免年度手動審查的運營成本。更有效的庫存決策：數據可以生成更準確的產品推薦，使零售商能夠就庫存做出 更明智的決定。場景場景三三：蘇泊爾云上數字營銷蘇泊爾云上數字營銷背景：背景：近年來，蘇

120、泊爾產品營銷策略重心逐漸從傳統“線下”向新興“線上”轉移。如何第一時間將創新營銷思路快速、穩健落地，將強大的系統精準投入到策略營銷實踐中，蘇泊爾將目光瞄準了基于云的整體解決方案。方案：方案：“電子保修卡”：通過“一物一碼”和產品型號碼綁定，幫助用戶將產品保修服務、購買消費，包括周邊配件支持等信息存在云端，方便隨時調用，讓消費者獲得更輕松愉悅的售后服務體驗。在新客獲取方面，蘇泊爾重點聚焦掃碼入口的建設，通過使用 Amazon Aurora 云原生數據庫托管服務，對比過去基于本地 SQL server 的方式，支持“一物一碼”掃碼訪問的并發連接數從原來的 10+擴張到 3,000+，效率提升百倍以

121、上，完美滿足前端使用需求。構建營銷數據湖，蘇泊爾將獲得無盡的創想空間，為各種數據分析工作流的引入打好“地基”，更好地支持從傳統 CRM、BI 向精細化流量運營及自動化營銷的演進。成果：成果：全面拉近與消費者的距離，滿足個性化需求，大幅提升用戶體驗，增強消費者粘性?；趤嗰R遜云科技，蘇泊爾成功引入容器化，大刀闊斧地打造云原生應用?；趤嗰R遜云科技和合作伙伴的賦能，蘇泊爾志在打造自己的企業消費者業務與數據平臺，并從精細化流量運營邁向營銷自動化與智能化體系。第第三三節節 工業制造工業制造 作為助力本輪科技革命和產業變革的戰略性技術，以深度學習為代表的新一輪人工智能技術呈現出爆發趨勢，工業智能迎來了發

122、展的新階段。通過海量數據的全面實時感知、端到端的深度集成和智能化建模分析，工業智能將企業的經營管理分析與決策水平提升到了全新高度。目前，相當一部分制造企業已經構建了傳統的數據管理體系，以數據的存儲、關鍵詞檢索為主。但企業內部業務流程復雜各異，傳統的數據系統較為粗放，難以有效的沉淀并在業務場景中賦能企業員工，缺少可用性、易用性，發展瓶頸較為明顯。因此，部分制造業的龍頭企業正在積極推進部署基于人工智能技術的新一代數據體系，為業務賦能、賦值、賦智，助力企業在激烈的市場競爭環境中占據一席之地，并實現業務增長。場景一：場景一：智能湖倉搭建解決企業“數據孤島”智能湖倉搭建解決企業“數據孤島”背景：背景：T

123、CL 全品類業務存在“煙囪”和“數據孤島”問題；其賬號系統的管理方式不利于數據驅動的發展，TCL 在海外推廣服務方面存在較大困難，其原有自建平臺能力投入有限，無法聚焦平臺的業務創新，基礎架構擴展性較差。TCL 應當通過數據更好地了解最終用戶的行為，實現統一的賬號管理體系，為最終用戶提供個性化的體驗，提高平臺的可擴展性。為滿足 TCL 企業的相關需求，達成其成為數據驅動型企業目標，TCL決定搭“智能湖倉”，包括中央數據湖存儲層、數據倉庫、數據分析、運營分析以及數據環湖移動等重要組件。數領未來，打造數據驅動型企業白皮書|第四章 數據驅動型企業的典型業務場景與案例 40 方案：方案：整合全球的 Io

124、T 設備數據、App 運營和營銷數據、智能電視運營數據、CRM 數據、電商銷售數據、智能語音數據等全部數據到以 Amazon S3 為中心的數據湖通過新建部分系統，補齊數據，將 TCL 的數據庫、數據倉庫與數據湖打通，消除數據孤島，讓全品類 IoT 設備的數據和業務系統實現互聯互通，海外業務與國內業務實現數據統一利用亞馬遜云科技豐富的大數據分析和機器學習工具，挖掘數據智能，開啟集團全業務場景的數智化轉型成果：成果：智能湖倉為 TCL 實現全品類業務數據的融合與資產化，形成了以下四個方面的突破：加速產品互聯接入：接入難度降低，周期縮短，由 30+人天降至 1 人天提升產品的附加值：改善產品的用戶

125、認知和體驗，促進品牌認可和單品銷量降低業務研發成本：能力共享復用，研發效率改善，相關業務研發費用減少 50%促進產品和業務創新：業務試錯成本和周期降低，數據沉淀促進業務智能化 場景場景二二：數據流程分析助力增產升能數據流程分析助力增產升能背景：背景：隨著數據分析能力的提高，預測分析正演化為一種有力的工具，可以大大提升預測效率以及運營和績效。通過有效監測與分析數據，關注數據異常流程，從而優化生產模式是自動化制造企業不可避免地數字化之路。從所有大眾工廠接受的綜合數據（通過鏈接機器和舊的應用程式），改進大眾的生產流程?；谡麄€企業的標準平臺，跨工廠擴展生產中的解決方案（如數字車間管理解決方案）。方案

126、：方案：通過可擴展性的數據湖為工廠提供標準，并通過標準方法中獲得的實施速度，靈活性和文化理念幫助加速項目的落地實施。將生產效率和生產率提高 30%。通過物聯網核心和亞馬遜云科技平臺服務將車間連接到一個中央數據目錄，使用 ML/AI 完成繁重的工作，并為整個企業建立良好的安全標準。通過一系列微服務驅動和擴展平臺功能，大眾商業社區可以迅速采用這些微服務，而不用基于每個用例。成果：成果：整個工廠都已經在使用現有的標準解決方案，使大眾汽車的建設者群體能夠普遍參與進來。微服務和藍圖形式的核心資產能夠使大眾業務在數字生產平臺(DPP)上快速實施現成的解決方案。第第四四節節 技術、媒體與通信技術、媒體與通信

127、 在技術、媒體和通信領域，數據應用的成熟度因行業而異。電信公司在擁抱數據方面往往走得最遠，這要歸功于該行業長期以來對運營效率和客戶獲取/保留的關注。數據技術已經廣泛用于面向客戶的活動，如聯絡中心和客戶參與，以及后臺活動，如制造和物流。展望未來，使用數據分析進行預測，并打造更多權限用戶體驗，可以將大量客戶數據轉化為有價值的見解，從而進一步促進業務增長。數領未來，打造數據驅動型企業白皮書|第四章 數據驅動型企業的典型業務場景與案例 41 場景一：場景一：大宇無限大宇無限借助云原生數據服務進行業務創新，挖掘云上價值借助云原生數據服務進行業務創新，挖掘云上價值背景：背景：深圳大宇無限科技有限公司成立于

128、 2016 年，是一家全球互聯網科技公司，致力于用科技讓世界每個角落充滿期待。旗下以 Lark Player 為代表的多款泛娛樂類和工具類移動應用滿足全球用戶對泛娛樂內容發現、探索、消費和創作的需求，多元化的產品矩陣隨時隨地為全球用戶提供個性化的生活娛樂體驗。大宇無限需要為全球的 App 用戶提供個性化體驗。其面臨的首要挑戰是如何利用大數據系統高效地分析數據、了解用戶的消費行為和國家文化特征，從而實現精準推薦。目前，在大宇無限核心業務前臺服務器端，用戶請求的高峰期數值已經達到 10 萬 QPS，需要處理的用戶行為事件達到數十億。同時，隨著業務和用戶群的不斷增長，云成本也在大幅提升。因此，如何在

129、滿足高效處理大量數據的同時保證成本最優就成了大宇無限迫切需要解決的問題。方案：方案：大宇無限通過云原生的技術探索，提高大數據系統的性能效率，以此來支持業務的快速發展和用戶量突增。同時利用云原生的工具，快速降低成本，實現持續的優化，釋放活力，促進業務穩步發展。經過大數據團隊調研，進行了數據架構的現代化改造，將 Amazon EMR 大數據業務負載遷移到全托管的 Kubernetes 容器化平臺 Amazon Elastic Kubernetes Service(Amazon EKS)上。借助 Amazon EMRon EKS，大宇無限將大數據和前端應用統一到 Amazon EKS，實現了整體系統

130、的微服務化、容器化和高度的自動化，簡化了運維管理。在亞馬遜云科技數據架構現代化的基礎上，大宇無限也在利用云上 AI 服務實踐更敏捷的機器學習創新賦能業務。針對用戶的個性化喜好，大宇無限也充分利用亞馬遜云科技機器學習平臺 AmazonSageMaker 進行精準視頻推薦。成果：成果：Amazon EMR on EKS 將最小資源單位從虛擬機變成了容器，幫助大宇無限更細粒度地管理資源，提升了整體的資源利用率。Amazon SageMaker 有效地縮短了模型持續迭代和調優推薦算法更新的周期，大宇無限始終為用戶帶來新鮮感，將最大的歡樂傳遞給用戶。場景場景二二：云計算助力云計算助力 FreeWheel

131、 構建云原生數據架構構建云原生數據架構背景：背景：FreeWheel是業界知名的高端視頻廣告管理技術和服務提供商，主營業務為高端視頻媒體廣告服務。作為全球視頻廣告和數字廣告領域的先行者，目前，FreeWheel 廣告平臺正在被 90%以上的美國主流電視媒體和運營商使用。數字廣告行業交易需求不斷變化，高度依賴數據驅動，對 FreeWheel 不斷發展的業務提出了新挑戰。為此，FreeWheel 走上了云原生改造之路，希望可以借助云服務的大容量、高擴展和自動化等特點，實現現代化應用轉型。方方案：案：選用了 Amazon Lambda 無服務器計算服務，并使用 Amazon Elastic Kube

132、rnetes Service(Amazon EKS)容器編排服務，將業務應用“平移”上云，在保持現有架構不變的情況下完成了應用遷移，使FreeWheel 系統具備了資源彈性擴展能力。數領未來，打造數據驅動型企業白皮書|第四章 數據驅動型企業的典型業務場景與案例 42 采用 Amazon Aurora 和 Amazon DynamoDB 替換原本的 MySQL 數據庫集群，使用 Amazon S3 搭建廣告數據湖。另外，在廣告預測業務方面，還利用 Amazon SageMaker 的分布式訓練集群，大幅縮短模型的迭代周期，效果倍增。成果：成果：云原生數據服務更適合于像 FreeWheel 這樣的

133、業務敏捷性高、成本預算嚴格控制的企業，以及需求多變，應用快速迭代、快速交付的業務場景，包括 Web API、事件驅動、存在波峰波谷的業務需求，以及數據流等。第第五五節節 生命科學與健康管理生命科學與健康管理 精準醫學（在考慮醫療選擇時考慮個人的遺傳、環境、歷史和生活方式）已成為一種有效且成本低廉的疾病治療和預防形式。醫療數據（個人數據以及匿名歷史醫療數據）的可用性和數量不斷增加，這使醫療從業者能夠更精確地滿足患者的需求并采取適合的治療。同時，醫療保健組織不僅為患者做出醫療決定，他們還將做出運營決策，與企業一樣，醫院需要確保供應充分滿足需求。場景場景一一：精準醫療和個性化健康精準醫療和個性化健康

134、背景：背景：如何使用預測性見解，根據個人的生活方式、現實環境、生物識別數據和基因組學，主動診斷、預防和治療未來的疾病。德勤通過機器學習算法技術幫助客戶實現多維數據聯通，依靠 AI 智能定位、關聯用戶信息為專業人員提供完整背景。進一步提高生物標志物分析的效率并加快藥物開發過程 方案：方案：查找跨多個數據集的連接。通過機器學習算法將治療結果與健康數據集（例如患者數據、醫學文獻、生活方式信息、基因構成和病史）連接，從而為醫療保健專業人員提供詳細的見解和預測以采取行動?？焖偈占头治龊Ａ繑祿?。借助 AI 和機器學習功能，企業可以比手動流程更有效地收集、存儲和分析大量數據。幫助他們能夠根據大量患者的遺傳

135、變異數據更快地進行研究，并更快地開發靶向療法。開發個性化的治療和護理。通過 AI 數據分析，醫療保健提供者可以發現、呈現和利用基于個人獨特特征的信息。這有助于為每位患者提供個性化的護理。成果：成果：早期診斷可提高效率并降低成本。全面詳細地了解患者的醫療狀況和基因構成，實現早期診斷。早期治療通常更有效、成本更低，并能夠促進健康的生活方式改變。更有效的治療。專為個人設計的藥物（而不是“萬能”的藥物）可以更有效地治療醫療問題，并節省資金和資源。更健康的社會規范。對生活方式如何影響醫療保健結果的更實證、數據驅動的理解可以告知和促進更健康的社會行為。數領未來，打造數據驅動型企業白皮書|第四章 數據驅動型

136、企業的典型業務場景與案例 43 場景場景二二：醫院管理，塑造更智能的醫院醫院管理，塑造更智能的醫院背景：背景：新冠疫情大流行下，醫院患者的人流量不斷創造新高，巨大的壓力使得醫療資源極度緊張，如何通過數據預測患者數量的高峰和低谷，并相應地有針對性的調整醫院人員配置和資源水平，已經成為了各個醫療保健組織不得不重視的問題。德勤使用數字化智能監測統計醫院人流數量，并通過算法模型進行智能資源分配。方案：方案：未來資源需求的預測：數據挖掘、建模和分析應用可以幫助組織根據歷史數據和實時情況分析做出面向未來的預測。例如，確定最佳庫存以滿足醫院再入院率的上升，或者需要哪些新機器/用品來滿足季節性需求。全面分析大

137、量詳細數據，提供更清晰的健康狀況圖景。識別具有高影響力的模式和趨勢：對各種數據源的 AI 支持的徹底分析，從而揭示潛在的影響的趨勢和模式，例如，供應短缺的高風險地區。成果：成果：更快的資源水平調整，導致更低的成本和更好的結果。幫助醫療保健組織在面對未來可能出現的情況時，更快地做出反應（甚至采取先發制人的行動），降低成本并創造更好的健康結果。在重大風險發生之前預測并解決它們。數據預測分析可以重點關注大規模風險領域，幫助組織避免機構失敗和患者的次優健康結果。第第六六節節 金融服務金融服務 金融服務業正面臨包括數據監管制度、合規風險等外部挑戰，也面臨著敏捷性需求以及業務目標與轉型需求不匹配的內部挑戰

138、。因此，金融服務業都在尋求數字化轉型的成功路徑，開放數據、提升客戶體驗、價值鏈去中介化等顛覆性力量在不斷塑造著金融服務業的未來。場景場景一一：應用數據來預測、預防和檢測欺詐和可疑的金融交易應用數據來預測、預防和檢測欺詐和可疑的金融交易背景：背景：某商業銀行面臨嚴峻的交易欺詐挑戰，需要更快速、更準確地預測和發現欺詐，以減少年度欺詐損失，更好地管理欺詐解決客戶體驗，提高客戶和合作伙伴的信任度和交易合規性。德勤通過機器學習等 AI 下的數據驅動做技術檢測銀行價值鏈中的交易和收購欺詐，同時運用圖分析技術通過識別交易雙方的關聯方信息，實現反欺詐。方案：方案：在解決欺詐問題的過程中，數據驅動的方式可以實現

139、以下三個方面的助力：實時監測欺詐行為：銀行部署的機器學習模型，可以監測實時交易的可疑數據，并立即發出警報。發現人工不注意的可疑活動：銀行使用 AI 模型可以在大量數據中快速準確地識別可以活動，這將使銀行能夠分析可疑交易和轉賬。同時還可以幫助減少誤報的數量，從而降低合規成本。標記消費者交易欺詐：機器學習模型通過研究傳統和非傳統數據中的歷史交易模式，使用異常監測發現異常賬戶活動，進而預測未來交易的潛在欺詐。數領未來，打造數據驅動型企業白皮書|第四章 數據驅動型企業的典型業務場景與案例 44 成果：成果：以自動識別和分析個人和組織的風險因素，不斷掃描眾多數據源中的線索，從而再潛在欺詐發生前加以解決。

140、減少欺詐，提高信任：銀行可以使用監測模型顯著減少整體欺詐，從而提高客戶信任度和整體客戶體驗。減少人工審計、降低欺詐檢測成本：數據支持的欺詐檢測模型可以減少人工審計的需要，從而潛在地降低銀行欺詐檢測操作的總體成本。場景場景二二：數字化核保提升運營效率數字化核保提升運營效率背景：背景：傳統保險核保方法的最大局限在于，它們依賴于與具有相似屬性的人群相關的精算和統計數據，而不是根據被保險人的實際。某保險企業盡管過去幾年對獲客和保單續保的數字化進行了大量投資，但進展依舊緩慢，未能有意義地擴大其現代化核保的投入，使得核保效率低下。德勤通過引進數字化策略和 AI 等技術幫助客戶改進核保流程和風險評估，減少決

141、策時間，并改善終端客戶體驗和續保率。方案：方案：自動化核保過程：通過文本挖掘和 NLP 技術賦能無需人工干預的自動化核保平臺，大大減少了處理申請所需的時間。定制化保險申請：機器學習模型使得保險公司用較少的信息準確評估風險，有利于簡化保險申請并消除侵入性的測試和問題，使得整個過程更具人性化。簡化風險評估：使用機器學習，保險公司可以識別不同類別的風險，便于后續業務的定價和評估。成果：成果：加速流程改進：通過數據驅動的 AI 技術，保險公司可以加快開發和部署數據增強和數據驅動的產品購買旅程。降本增效：自動化的核保流程可以簡化調查和問卷的人工接觸點，降低核保成本提高利潤，并實現業務增長。第第七七節節

142、公共事業公共事業 在公共服務中，數據的應用和成熟度往往因政府機構不同、現有基礎設施對原有系統的依賴以及工作人員的流暢性而異?？v觀公共服務領域，一個共同的趨勢是越來越多的數據驅動的智能化技術被使用，這更好地支持了政府雇員，同時減少或消除了他們專注于重復和耗時的人工活動的時間。場景場景一一：賦能數字化政府事務，提升辦公效率賦能數字化政府事務，提升辦公效率背景：背景：某機構因處理繁多的書面材料而備受困擾，其用于將書面材料信息錄入后臺系統和數據庫的時間過多。許多后臺功能都依賴于紙質文檔的信息，這使得數字化轉型迫在眉睫，而下游人工數字化的缺乏也造成了效率瓶頸。德勤通過布局流程自動化、自然語言處理和計算機

143、視覺等技術推進該政府的文書工作處理數字化與智能化，加快了書面材料的處理速度。數領未來，打造數據驅動型企業白皮書|第四章 數據驅動型企業的典型業務場景與案例 45 方案：方案：捕獲和準備數據：廣泛使用計算機視覺來數字化紙質文檔，并使用自然語言處理，支持對采用數字形式提交的表單和應用程序進行智能搜索。流程自動化：自動化系統與機器學習相結合，幫助了解評估策略，以及制定特定標準下的潛在行動計劃，。進度可視化：智能自動化可以顯示案例狀態，電子通知和賬戶余額，并形成一體化流程以衡量服務水平，并不斷提高程序性能。成果：成果：后臺自動化作為政府機構的一項基本賦能技術，幫助政府減少開支，提高工作效率，以幫助政府

144、機構應對人力不足的持續壓力。場景場景二二：傳統能源領域的智慧變革傳統能源領域的智慧變革背景：背景：遠景能源是全球領先的智慧能源技術服務提供商，業務包括智能風機的研發與銷售、智慧風場軟件服務、智慧能源解決方案以及能源互聯網技術服務等。遠景能源對云平臺服務提供商的靈活性、便利性與性價比提出了非常高的要求。方案：方案：全球基礎設施建設：幫助遠景能源的全球業務實現更低的延遲性和更高的吞吐量，并確保他們的數據僅駐留在其指定的地區。遠景能源選擇了 Amazon RDS 幫助管理其多種不同類型的數據庫。無論是 Oracle、MySQL、LDAP、還是 SQL Server，使用者都能通過 Amazon RD

145、S 獲取其完整的功能。Amazon RDS 既幫助遠景能源承擔了耗時的數據庫管理任務，又提供了經濟高效的可調容量，讓遠景能源專注于應用程序和業務。云上托管大數據平臺 Amazon EMR 服務提供高可靠性、高彈性的大數據解決方案，在有效控制成本的前提下，對遠景能源飛速發展的格林威治項目的大數據管理提供了可靠的基礎架構支持。成果：成果：亞馬遜云科技憑借其平臺的可靠性、業務的靈活性、業務覆蓋的全球性為遠景能源在美國的智慧風場業務提供了專業的云服務支持，使得遠景能源的商業模式可以從美國這樣成熟的電力市場開始探索，為遠景能源進一步的全球戰略的實施奠定了堅實、可靠的平臺基礎。戰略及機制戰略及機制篇篇:工

146、欲善其事，必先利其器工欲善其事，必先利其器|應用篇：“信而有征”投資管理成熟度模型在企業中的應用 46 第五章第五章 總結總結與展望與展望 數領未來，打造數據驅動型企業白皮書|第五章 總結與展望 47 第第五五章章 總結與展望總結與展望 過去兩年，受新冠疫情的持續沖擊，越來越多的企業意識到提升數字化能力對企業生存和發展的必要性。在今天對絕大多數企業而言，“成為數據驅動型企業”已經不是一道選擇題，而是一道必答題。同時我們調研也發現，中國企業在數字化戰略、數字化投資、數字化布局、數字化成效等不同領域，從全球視角和國內視角，既有共性也存在著差異，這意味著中國企業既要借鑒全球企業已經具備的領先實踐，同

147、時也要立足自身，根據中國市場的獨特性，制定適合自身的數據戰略。在向數據驅動型企業轉型過程中，云原生數據戰略是重要的基礎前提，利用云原生數據基礎設施，提升系統的效率、可用性和可擴展性，并降低成本。打破數據孤島，通過整合化分析，讓數據實現跨組織、跨部門、跨產品流動，敏捷的靈活的分析能力幫助企業從數據中萃取業務洞察，數據驅動的智能化創新將業務洞察嵌入企業的業務流程，優化企業的商業模式，文化與變革管理保障組織在轉型過程中具有敏捷性和適應性。行業領先企業已經做出表率，他們將數據作為企業的核心資產加以管理和利用，無論是在推動業務增長，提高運營效率，創造用戶體驗創新，還是質量保障與風險控制都創造了新的業務價

148、值，幫助企業建立了競爭優勢。站在今天，展望未來，技術革新的步伐將永不停歇，量子計算、指數級智能和環境體驗可能會在未來十年或更長的時間內主導整個數字化領域。新技術的出現以及伴隨新技術應用而出現的新的應用場景將給企業帶來全新的機遇與挑戰。那些提前做好準備，不斷嘗試創新的企業將會成為最后的贏家。我們呼吁，對于那些正在嘗試向數據驅動型企業轉型的企業，或者在該領域已經取得初步成績，甚至在該領域已經成為最佳實踐者的企業，面對日新月異的技術變革，要時刻保持“歸零”心態，主動擁抱變革。企業既要腳踏實地，解決好當前所面臨的現實業務問題，同時也要“仰望星空”，找到自己的北極星。企業要勇于嘗試、勇于創新，利用數據智

149、能發現新的市場需求，為客戶創造全新的體驗，以“數據”作為新的變革要素重塑組織與市場，在加速向數據驅動型企業轉型的旅程中，創造新價值，實現新增長！數領未來，打造數據驅動型企業白皮書|第五章 總結與展望 48 參考文獻：參考文獻：1.“十四五”數字經濟發展規劃,中華人民共和國中央人民政府 2022.1.122.International Data Corporation,“IDC reveals 2021 Worldwide Digital Transformation Predictions;65%of global GDP digitalized by 2022,driving over$6.

150、8 trillion of direct DX investments from 2020 to2023,”2020.10.293.2021 技術趨勢報告，德勤管理咨詢4.2022 技術趨勢報告，德勤管理咨詢5.Jennifer Belissent,Chief Data Officers:Invest in your data sharing programs now,Forrester,2021.3.116.Data Bridge Market Research,Global fully homomorphic encryption market Industry trends andfor

151、ecast to 2028,2021.37.Laurence Goasduff,“Data sharing is a business necessity to accelerate digital business,”Gartner,May20,2021.GARTNER is a registered trademark and service mark of Gartner,Inc.and/or its affiliates inthe U.S.and internationally and is used herein with permission.All rights reserve

152、d.8.The Linux Foundation,State of the Edge 2021:A Market and Ecosystem Report for Edge Computing,2021.9.Palo Alto Networks,2020 Unit 42 IoT threat report,March 10,2020.10.Deloittes State of AI in the Enterprise,4th Edition,Deloitte AI Institute and the Deloitte Center forIntegrated Research,202111.德

153、勤數智化轉型升級的企業組織變革12.德勤 2021 年全球首席執行官調查，202113.The AI Dossier,Deloitte AI Institute,2021數領未來，打造數據驅動型企業白皮書|52 關于德勤 Deloitte（“德勤”）泛指一家或多家德勤有限公司，以及其全球成員所網絡和它們的關聯機構（統稱為“德勤組織”）。德勤有限公司（又稱“德勤全球”）及其每一家成員所和它們的關聯機構均為具有獨立法律地位的法律實體，相互之間不因第三方而承擔任何責任或約束對方。德勤有限公司及其每一家成員所和它們的關聯機構僅對自身行為及遺漏承擔責任，而對相互的行為及遺漏不承擔任何法律責任。德勤有限公

154、司并不向客戶提供服務。請參閱 了解更多信息。德勤是全球領先的專業服務機構，為客戶提供審計及鑒證、管理咨詢、財務咨詢、風險咨詢、稅務及相關服務。德勤透過遍及全球逾 150 個國家與地區的成員所網絡及關聯機構（統稱為“德勤組織”）為財富全球 500 強企業中約 80%的企業提供專業服務。敬請訪問 345,000 名專業人員致力成就不凡的更多信息。德勤亞太有限公司（即一家擔保有限公司）是德勤有限公司的成員所。德勤亞太有限公司的每一家成員及其關聯機構均為具有獨立法律地位的法律實體，在亞太地區超過 100 座城市提供專業服務，包括奧克蘭、曼谷、北京、河內、香港、雅加達、吉隆坡、馬尼拉、墨爾本、大阪、首爾、上海、新加坡、悉尼、臺北和東京。德勤于 1917 年在上海設立辦事處，德勤品牌由此進入中國。如今，德勤中國為中國本地和在華的跨國及高增長企業客戶提供全面的審計及鑒證、管理咨詢、財務咨詢、風險咨詢和稅務服務。德勤中國持續致力為中國會計準則、稅務制度及專業人才培養作出重要貢獻。德勤中國是一家中國本土成立的專業服務機構，由德勤中國的合伙人所擁有。敬請訪問