欢迎访问 快意信息网,社会信息中心 mobile mip

当前位置:快意信息网 > 健康 >

2020爱分析·数据智能厂商全景报告 ... 健康

健康     来源:网络     标签:[db:词语]     发布:2020-10-18 00:20     手机版     MIP

[db:词语]

扫描图中二维码,可下载完整版《2020爱分析·数据智能厂商全景报告》。

报告摘要

在企业推进数字化转型的过程中,挖掘数据的价值以赋能业务已经成为普遍共识。如何实现数据驱动业务的场景化落地,成为企业当前亟需解决的关键问题。

基于对国内各行业甲方企业的调研,爱分析认为数据智能应用呈现以下趋势:

·  对于非结构化数据的价值挖掘的关注度和数据应用成熟度日益提升;

·  企业对于各业务场景中数据智能应用的实时性需求不断增强;

·  数据应用逐步走向平民化,一线业务人员和数据分析人员成为数据应用的重要终端用户;

·  行业内数据智能应用领先企业开始赋能行业上下游生态,将数据智能应用能力对外输出。

·  对于企业数字化转型的过程中如何推进数据智能落地,爱分析提出以下几点建议:

· 数据中台已成为支撑企业数字化转型和数据智能应用的新基础设施,建设数据中台是推进数据智能应用的有效手段;

· 数据中台建设是“一把手工程”,涉及企业各业务部门与系统,需要顶层战略规划先行,自上而下推进,并与组织与业务变革协同;

· 数据中台建设需要以明确的优先应用场景为先导,以实现快速落地和验证业务价值;

· 重视数据治理工作,从企业组织和运营层面制定统一规范,提升数据质量。

目录

一. 新基建背景下,数据智能的应用趋势

二. 数据智能全场景地图

三. 数据智能代表厂商

四. 数据智能厂商解读

关于爱分析

研究与咨询服务

法律声明

1.新基建背景下,数据智能的应用趋势

随着技术发展,各行业的数字化转型都在不断深化,正逐步进入数据智能时代。相比于传统业务模式,在数据智能时代的新业务模式中,数据成为业务系统的核心,企业业务由原先的经验、流程驱动逐步转向数据驱动,企业具备面向全量数据进行数据治理的能力,同时可在数据全生命周期范围内挖掘数据价值,驱动业务决策,整个系统的迭代速度快,商业价值高。

同时,随着企业数据量不断拓展,数据中台开始兴起,中台汇聚企业的业务数据,通过自动化、智能化的数据采集与汇聚,将实时与离线数据打通关联,深度挖掘数据价值,将数据资产化,并开放数据服务至各业务场景中,具备汇聚整合、数据提纯加工、数据服务可视化、数据价值变现等核心能力。

数据智能在不同行业的应用成熟度有所差异,这由各行业的数据积累、基础设施、应用场景等多方面决定。在金融、品牌营销、政务等行业渗透率较高,大部分企业已经开始建设中台,营销与风控是数据智能的主要应用场景;而在传统工业等数字化基础设施薄弱的行业仍有大量数据洼地,数据智能渗透率低。

未来,随着国家大力发展新基建、新技术逐步成熟,传统行业对数据智能的认知增强,各行业数据基础设施逐步完善,数据智能的渗透率将会进一步提升。在金融领域,除了常见的营销、风控以外,还将拓展至市场监管、智能投研等;行业主体也将从银行、保险延伸至证券、基金等;同时,智慧城市与政府公共服务领域将成为数据智能应用的重要行业,包括智慧交通、智慧政务、智慧安防等;在工业领域,供应链管理、智能运维等将成为数据智能率先渗透的场景。

爱分析认为,随着企业数字化转型需求的推动和人工智能、5G、物联网等技术的发展,数据智能将会加速渗透传统行业,呈现出以下趋势:

· 企业大部分数据为非结构化数据,传统基于结构化数据搭建的数据中台难以应对海量非结构化数据应用的需求。未来,企业将针对非结构化数据搭建和优化底层数据架构,同时,融合知识图谱、机器学习等技术,挖掘非结构化数据的价值赋能企业业务。

· 随着数据智能应用的深入,企业追求快速响应的业务需求以及实时计算、流处理等技术应用的成熟,数据智能在传统行业业务场景中的应用实时性需求将不断提升。

· 过去,企业数据开发和应用的参与者和服务用户主要是IT部门和企业决策层,随着企业数字化转型加速,企业业务与数据紧密相关,应用场景不断拓展,要求数据应用走向平民化,数据应用将拓展到普通业务人员及数据分析人员,自助式报表分析和自助式AI建模等工具将加速数据应用平民化的趋势。

· 传统企业主要在内部搭建数据中台,支撑自身业务变革。部分行业中领先企业随着自身数据智能应用走向成熟,开始将数据智能的能力对外输出,赋能产业链上下游,构建产业数字化生态。

2.数据智能全场景地图

爱分析基于对金融、消费品与零售、政府与公共服务等行业企业和数据智能厂商的调研,梳理了21个数据智能重点应用场景,涵盖特定行业及通用职能部门。同时根据调研,爱分析遴选出在这些应用场景中具备成熟解决方案和落地能力的代表厂商,如下图所示。

(注:以下所有场景中的厂商均按音序排序)

爱分析对21个数据智能应用场景的定义以及遴选出的代表厂商如下。

2.1>

2.1.1 IT部门

2.1.1.1 交易型数据管理

终端用户:

企业IT部门。

核心需求:

随着企业业务的线上化和数字化,核心业务交易场景下的数据并发量和响应实时性要求持续提升,要求交易型数据管理在保证高可靠性、一致性的前提下,能满足高并发、实时响应等性能要求;

随着数据处理规模和性能要求的提升,基于传统数据库基础设施进行扩容给企业带来巨大的成本压力,企业需要转向开源技术和分布式架构,降低总体拥有成本,实现弹性扩容。

厂商能力要求:

能够提供面向不同业务处理需求的交易型数据库管理系统,帮助企业构建面向联机事务处理(OLTP)的数据存储与计算能力,满足高可靠性和一致性、高并发、实时处理等性能要求,并具备一定成本优势。

代表厂商:

2.1.1.2>

终端用户:

企业IT部门、业务部门的数据分析团队

核心需求:

在数字化转型过程中,企业需要基于数据分析来支持业务决策,需要采用更适用于联机分析处理(OLAP)的分析型数据管理系统支撑数据分析场景,并满足对大量、多源异构数据进行处理分析的存储与计算性能;

面对业务部门分析需求和数据量的增长,企业面临分析型数据管理的成本压力,需要转向开源和分布式架构,实现更灵活的扩容能力和更低的扩容、运维成本。

随着企业数据应用的深入,业务部门对数据分析响应速度的要求提升,需要降低数据分析工具使用门槛,让业务人员可用。

厂商能力要求:

能够提供面向不同分析场景的分析型数据库管理系统或数据仓库,帮助企业构建面向OLAP的数据存储与计算能力。同时,产品需要具备较高的存储与计算性能,支持灵活的分布式架构部署、弹性扩容和精细化的资源管理,具备面向业务人员提供数据分析服务的能力。

代表厂商:

2.1.1.3 数据治理

终端用户:

IT部门数据平台技术开发人员及技术管理人员,业务部门。

核心需求:

企业需要高质量数据,才能让数据支撑业务,需要解决数据质量问题,提升数据治理水平;

企业数据来自于多个业务部门和渠道,且数据标准不同,需要制定可参考、可落地的标准,构建完善的数据治理体系;

数据需要适应不确定性的业务需求,即插即用,服务不断变化的业务创新。

厂商能力要求:

能够提供数据治理标准化、智能化技术工具,提升数据治理效率;

能够基于企业业务场景和数据治理需求提供咨询服务:进行数据资产识别、梳理、补录等数据梳理工作;搭建企业数据模型,规范数据标准,实现跨业务跨系统数据拉通;提升数据质量,管控数据安全,帮助企业做出基于数据的更高效、更准确的决策;建立数据标签体系、数据画像,开放数据共享,实现数据可持续运营和数据资产增值。

代表厂商:

2.1.1.4 数据分析与可视化

终端用户:

企业IT部门,业务部门。

核心需求:

企业不再满足于一般的报表与敏捷式仪表盘,数据分析需要能够解释和支撑业务,需要建立与业务深度结合的数据分析与可视化系统;

传统企业数据分析主要由数据分析人员进行,工作量大,业务人员也无法灵活地进行业务数据分析;需要建立灵活自助的分析系统,让数据分析人员、IT人员、业务人员均可灵活分析;

仅靠企业内部数据难以满足企业决策需求,需要融合全域数据、建设基于数据中台的BI系统。

随着数据量增大,企业对数据分析的实时性和灵活性需求增加,数据分析与可视化成本增加,数据分析和可视化需要逐步走向云端部署。

厂商能力要求:

能够为企业搭建数据分析与可视化平台。平台需要具备更强的数据源管理能力和深度分析功能;能够利用自助图表实时展现自定义指标,实现探索式分析与自助分析,满足业务需求;能够融合自然语言理解、知识图谱、嵌入式分析等技术,实现敏捷化、智能化的数据分析与可视化功能。

代表厂商:

2.1.1.5>

终端用户:

企业IT部门,业务部门的数据科学家、数据分析师、业务分析师等。

核心需求:

企业对数据的应用逐步走向智能化,产生大量预测性分析场景,对IT部门的AI建模能力提出很高的要求;

开发AI模型包含多个阶段,各阶段包含多种路径,各个路径又包含多组可选参数,组合数量过大,因此,AI建模需要大量成本。企业需要AI建模能够实现自动化、智能化、高效化,以提升建模效率,降低人力研发成本,提高人工智能的生产效率;

AI建模语言和工具学习门槛高,需要包含业务分析师、数据分析师、数据科学家等角色的专业数据团队,但大多企业往往不具备完善的数据团队,需要可低门槛使用的数据科学和机器学习平台,实现自助式AI建模。

厂商能力要求:

能够提供自助式AI建模平台,能够基于自动机器学习(AutoML)技术,帮助企业实现机器学习的特征工程、模型选择、参数调优、模型部署、模型优化等过程的自动化或半自动化,从而降低企业AI模型开发的门槛。

代表厂商:

2.1.1.6>

终端用户:

企业IT部门、业务部门。

核心需求:

企业数据应用面临数据孤岛和数据碎片化问题,需要对跨域数据进行汇集和统一治理;

传统企业缺乏数据服务能力,业务人员无法直接将数据应用于业务需求,需要进行数据开发和数据资产管理,并将数据资产转化为业务可用的数据服务;

数据开发涉及复杂的流程,技术门槛较高,面对多个业务部门的需求,企业存在重复开发和建设问题,造成成本浪费,需要建设企业统一的数据资产管理与服务平台,以实现能力复用与服务共享;

厂商能力要求:

能够提供数据中台IT基础设施建设,具备数据集成、数据存储与计算、数据治理、数据开发、数据资产管理、数据服务等数据中台核心技术组件产品和开发实施能力;

具备咨询服务能力,能够根据企业所处行业特点、数据基础状况和业务需求,提供数据资源盘点、数据应用规划和数据资产运营体系搭建等咨询服务。

代表厂商:

2.1.1.7>

终端用户:

企业IT运维部门。

核心需求:

部分应用的架构从集中式转向分布式和微服务架构,使得企业中存在多种应用架构并存的局面,这种异构性使得故障的原因变得更为复杂,增加了运维人员的运维难度,企业迫切需要制定统一的运维标准,提升运维过程的自动化水平和效率;

随着业务创新对IT部门的响应速度要求越来越高,IT不但需要实现应用交付的敏捷化,更需要实现IT支持和响应流程的敏捷化、服务化;

随着企业数字化推进,IT运维不仅针对IT基础设施,还针对多业务系统,企业需要开展智能业务运维体系。

厂商能力要求:

能够提供基于AIOps理念的监控运维管理平台,能够采集软硬件基础架构、网络流量、应用性能、业务性能等不同层次的运维数据,通过机器学习的方式来快速洞察人力难以解决的故障问题,预测可能造成故障的风险和隐患,提升IT运维效率,降低运维成本,保证业务的稳定高效运行;

代表厂商:

2.1.2>

2.1.2.1 智能营销与用户运营

终端用户:

企业销售部门、营销部门。

核心需求:

在用户洞察方面,随着触达消费者的线上、线下触点不断增多,企业不同渠道的用户数据分散割裂,需要整合线上线下数据,为营销活动开展提供支撑;

在用户拉新方面的成本不断攀升,而广告投放等拉新手段的实际效果却难以掌控,企业需要依据效果广告精细化人群投放策略;

在用户转化与留存方面,用户流失现象长期存在,企业亟需提升用户互动的策略性和针对性,提升用户转化率和留存率。

厂商能力要求:

用户洞察环节,能够建立建立客户数据平台(CDP),整合线上、线下自有用户数据,统一标签体系及用户画像,对用户属性进行拆解并建立模型,进行用户精准定位,挖掘潜在用户;

用户拉新方面,能够对效果广告的用户转化链路进行分析, 结合CDP、DMP中的用户数据,策划针对性广告内容,提升广告投放的精准度;

用户转化和运营环节,能够基于数据分析为销售决策提供参考,能够实现自动化营销,具备为企业提供用户运营解决方案的能力,帮助企业增加用户粘性。

代表厂商:

消费品与零售

2.2.1>

2.1.1.1 智能营销

终端用户:

品牌商、零售商的市场部门、品牌部门。

核心需求:

品牌商与零售商在营销数字化转型的过程中,存在大量数据孤岛,数据无法应用于业务,企业需要搭建数据中台,融合信息,对营销业务提供数据支持;

品牌商与零售商面临拉新成本高、客户流失等痛点,需要利用数据智能,基于客户画像数据增强对用户的洞察、进行广告投放后链路分析,以实现精准营销获客,并增加用户粘性,实现自动化营销;

品牌商与零售商需要基于数据智能分析快速掌握细分领域内的市场发展动态,以指导企业调整营销策略。

厂商能力要求:

能够开发智能算法模型,赋能企业在营销全流程中进行客户洞察、客户管理、市场洞察等;

在触达用户阶段,能够依据智能线索提供精准筛选和线索画像,帮企业快速锁定目标客户;

零售行业的标签体系众多、营销体系灵活度高,需要厂商具有行业积累、对用户业务深度理解。

代表厂商:

2.1.1.2>

终端用户:

品牌商、零售商的市场部门、品牌部门、相关业务部门。

核心需求:

消费品与零售企业线下数据采集不够全面,未建立完善的会员体系;线上渠道也面临线上线下分离的现状,因此,企业需要建立线上线下无缝融合的全渠道消费体系;

全渠道下,用户数据分散、割裂,导致品牌商难以形成统一用户画像,企业需要统一用户数据,加深用户洞察,对零售及营销业务提供数据支持;

随着企业全渠道系统增多,系统需要具备全渠道订单路由分配、高并发订单处理、全渠道库存统一管理的能力;

多渠道运营人员进行促销时,需要支持多渠道多种自由组合。

厂商能力要求:

能够提供全渠道中台建设服务,具备对多业务系统的企业底层IT架构进行升级的能力;

具备全渠道中台核心技术组件产品和开发实施的能力,能够集成全渠道数据,并基于全渠道数据分析实现精准营销、库存预测、智能订单派单、智能促销推荐等功能。

代表厂商:

​2.1.1.3>

终端用户:

品牌商&零售商的供应链管理部门、生产部门等。

核心需求:

互联网时代,消费者的购买方式、个性化需求日新月异,企业需要满足用户需求,提前进行产品模块化企划、设计与开发,为用户提供零库存下即需即供、虚实结合的一站式服务,满足用户的个性化需求;

供应链管理极大地影响了企业内部生产运营的效率,企业需要全流程优化供应链,解决订单预测准确性问题、库存问题、信息流不透明问题、内部协同响应速度问题等。

厂商能力要求:

数据是供应链管理的基础,厂商需要借助RFID等产品电子标识技术、物联网技术及移动互联网技术帮助企业获得完整的产品供应链的大数据;

企业需要保证尽快到货的用户体验,厂商需要具备利用大数据提前分析和预测各地商品需求量的能力;

要提升企业内部供应链管理能力,厂商需要依据大数据分析,发现仓储、配送、销售等环节的问题,并不断优化,大幅提升效率、降低成本。

消费品与零售行业产品周转率高,不同产品的供应链管理要求不同,厂商需要具备行业积累。

代表厂商:

金融

2.2.1>

2.2.1.1  零售业务营销与风控

终端用户:

银行信用卡中心,消费金融部门,网络金融部门,个人金融部门等。

核心需求:

用户需求日益个性化、多元化,银行需要增强用户群体的数据洞察能力,挖掘用户真实需求,并需要基于数据分析进行产品设计、渠道选择和营销策划,实现千人千面,从而精准触达用户;

银行需要批量拓展消费端场景,增强场景获客能力;

面对营销效果差、用户粘性低的问题,银行需要建设针对营销结果的闭环反馈,从而发现问题所在;

在零售信贷申请、交易、支付等环节中,对欺诈风险的抵御至关重要,银行需要采用知识图谱、生物识别等多种新技术,实现多维度、实时的反欺诈;

为了提升个人消费贷款的线上信贷审批效率,改善客户体验,银行需要通过多维度数据进行风控建模,提升信贷申请阶段的信用评分效率和精准度,并进一步将风控前置到营销阶段;

面对贷中、贷后可能出现的信用风险,银行需要通过多维度数据优化监控模型,对逾期风险进行提前预警,并对逾期客户制定有效、合规的不良资产处置策略,抑制不良率上升。

厂商能力要求:

能够通过标准化数据产品、联合建模服务或端到端的营销解决方案,帮助银行实现面向多场景的客户洞察、用户触达与转化,实现精细化用户运营,提升获客效率和用户粘性,实现业绩增长;

能够通过标准化数据产品、联合建模服务或端到端的风控解决方案,帮助银行提升反欺诈、信用评分、预警监控、贷后不良资产处置等过程的效果和效率;

能够提供生物识别、用户画像模型、规则引擎、欺诈关联图谱等底层技术,或者提供端到端的反欺诈解决方案,帮助银行实现零售业务的申请、交易、支付等环节的反欺诈,实现双录等合规性措施的线上化和自动化。

代表厂商:

2.2.1.2>

终端用户:

银行小微金融部门,普惠金融部门等。

核心需求:

面对小微企业规模体量小、风险能力承受弱、信用信息欠缺且质量较差的现状,银行需要通过市场、工商、司法、舆情等多维度数据来进行风控建模,并在营销和销售阶段对客户进行筛选,同时并在贷中、贷后进行预警监控,从而建立适用的风险管理机制,以降低小微信贷业务的不良率、逾期率;

城商行、农商行的小微拓客重度依赖客户经理,但过去信贷审批流程主要依靠线下人工手段,客户体验较差,银行需要赋能客户经理推出秒级审批的无抵押信贷产品,以增强客户体验,提升获客效率和客户质量;

在小微信贷申请、交易支付等环节中,面对层出不穷的欺诈手段,银行需要采用多种新兴技术,实现多维度的、更加实时的反欺诈,从而降低欺诈风险,有效保障银行和客户的权益;

厂商能力要求:

能够标准化数据产品、联合建模服务或端到端的营销、风控解决方案,帮助银行实现多维度客户洞察和风控前置,提升信贷审批效率,实现贷中预警监控,降低贷后资产处置成本,最终降低风险管理成本,提升客户体验;

能够提供生物识别、用户画像模型、规则引擎、欺诈关联图谱等底层技术,或者提供端到端的反欺诈解决方案,帮助银行实现小微业务的申请、交易、支付等环节的反欺诈。

代表厂商:

2.2.1.3>

终端用户:

银行公司金融业务部门,对公信贷业务部门。

核心需求:

对公业务竞争激烈,银行需要增强事件驱动的商机洞察能力,及时抓住营销窗口期;

国内存在大量由企业连环担保形成的“担保圈”,潜在传导风险大,随着宏观经济不确定性因素的增加,银行需要增强对“担保圈”企业关联关系的洞察能力,从而及时预知和抵御风险;

对公交易金额巨大,但账户暴力破解、信息窃取、账户盗用等交易欺诈手段日益丰富,银行需要为客户提供增强身份认证手段,以提升其在大金额交易中的额度限制。

厂商能力要求:

能够提供知识图谱等底层技术能力,或提供端到端的对公营销或风控解决方案,帮助银行实现跨行业和企业的关系网络构建,帮助银行提升事件洞察能力,重塑营销与风控过程,从而提升营销效率和精准度,提前预防风险;

能够提供生物识别、用户画像模型、规则引擎、欺诈关联图谱等底层技术,或提供端到端的反欺诈解决方案,帮助银行实现对公业务的申请、交易、支付等环节的反欺诈。

代表厂商:

2.2.2>

2.2.2.1 营销与风控

终端用户:

证券零售业务部,机构业务部等。

核心需求:

从产品设计到销售、售后的过程中,证券公司积累了大量的数据,证券公司需要将一直以来积累的数据打通,并结合业务场景,提高传统业务效率;

需要基于数据智能的客户画像体系帮助证券公司更好地了解客户,确认客户的风险偏好、投资喜好等,为客户推荐理财策略,提供个性化的产品和服务,促进销售结果的达成;

需要搭建以公司和机构为主体的数据智能体系,实现商机发现以及风险管控,驱动机构业务。

厂商能力要求:

证券行业存在大量多源异构数据,需要厂商具备较强的数据治理能力以及大规模数据智能分析能力;

具备开发业务模型、构建标签体系等能力;

具备为证券行业进行数据分析体系的丰富经验。

代表厂商:

2.2.3>

2.2.4 营销与风控

终端用户:

保险理赔部门、精算部门、销售部门等。

核心需求:

保险公司获客难,大部分的保险客户是通过强有力的信任关系引入或数据公司通过流量导入的质量不太高的客户,分层界限比较明显。保险机构需要基于数据智能分析客户意图,将客户需求与产品和服务进行匹配,使低意愿用户逐渐成为高意愿用户;

保险平台需要做好客户的风险控制,对用户进行大量数据分析,判断用户是不是是风险用户,提高风险识别的效率和效果;

不同用户需要不同的保险产品,保险公司需要综合产品风控模型、用户风控属性和用户投保意愿,为用户进行自动智能的保险服务,提升投保效率。

厂商能力要求:

保险营销取决于多个因素,包括个人健康信息、家庭背景、工作情况等,厂商需要具备建立消费者数据库的能力;具备通过多维度标签提取用户画像、提供精准营销线索的能力;

具备大数据分析和用户洞察的能力,能够依据数据分析与统计可掌握消费者的消费行为、兴趣偏好和产品的市场口碑现状,再制定有针对性的营销方案和营销战略,能够输出自动智能保险服务;

具备开发保险行业风控模型的能力,赋能保险企业识别风险用户。

代表厂商:

政府与公共服务

2.4.1>

2.3.1.1 智慧政务

终端用户:

政务数字化部门,应急管理部门,经济管理部门等。

核心需求:

各部门主导建立业务系统,导致系统之间形成“信息孤岛”,数据开放度低,不能有效的统一调度。政府需要基于数据智能将部门壁垒与信息孤岛现象打破,形成统一的数据标准规范服务业务应用;

目前各级政府部门已形成海量数据资源池,但各部门缺乏统一标准,异质数据来源、架构、管理体系无法有效整合,降低了数据的使用效率。政府各部门需要集成数据并在统一的资产管理平台上进行管理,支持上层各业务部门工作;

对于数据的应用水平低,市场主体多,活动频繁,面对少量、动态、多样的大数据,政府宏观调控和经济管理需要多维数据支撑,借助大数据分析,研究市场主体发展变动和经济发展的关系,挖掘社会关键要素之间的隐性关系,有针对性地制定政策、合理调配资源;

在应急管理方面,应急基础数据缺少全面普查统计和更新不及时,且数据处于离散、缺少关联的状态,导致无法高效支持对城市运行状态的全面感知、态势预测、事件预警和决策辅助等业务应用,无法支撑全市“一盘棋”的应急管理模式,需要建立智慧应急统一大数据平台;

厂商能力要求:

政务行业具有海量多类型数据,需要厂商具备大规模数据集成和数据资产管理的能力;

能够依据不同政府部门的业务方面,搭建相应的数据模型与算法,使政府决策的基础从定性向定量转变、从滞后反馈到及时预警,为政府决策提供数据支撑;

各政府部门具备自身特点,在应用数据智能的过程中,有较多定制化需求,要求厂商定制化能力较强,具备较好的服务意识;

政务系统众多,厂商应具备一定平台对接经验;

政务对于数据分析和可视化应用较多,厂商应具备一定数据分析及可视化体系搭建能力。

代表厂商:

2.3.1.2 环境治理

终端用户:

政府环保部门等。

核心需求:

环境管理涉及多业务系统数据,过去管理粗放、信息不通畅。管理部门需要全面梳理环境治理数据,一库归集水、气、污染源等相关环境数据,并实现灵活拓展,实现运营优化;

环保数据的标准化面临着较大挑战,当前环保业务应用的数据类型就高达几十种,来源于不同的数据生产部门,其组织管理方式、标准、参考体系也各不相同,给环境大数据的快速形成与综合应用提出了挑战。管理部门需要对数据标准、数据格式、数据共享交换方式进行统一规范;

环境治理效率低,运营成本高。管理部门需要建立环境监测、分析、执法处置、评价与辅助决策全业务支撑系统,立体化、实时化反映环境质量状况,提升环境治理效率。

厂商能力要求:

传统环境治理系统老旧、不易拓展,数据分散,厂商需要具备数据集成的能力;

环境数据多样复杂、标准不统一,厂商需要具备环境数据治理的能力;

数据之间的关联、融合,才能找到新的洞察,为决策提供科学依据,厂商需要具备数据融合、模型和算法开发的能力;

环境治理数据需要厂商具备环境治理专业知识积累。

代表厂商:

2.3.1.3 智慧安防

终端用户:

公安局指挥部、刑事部、治安防控部、支持部等部门。

核心需求:

公安系统的数据庞大、数据复杂,办案人员需要在大量数据中搜索有用信息。系统需要打破原有信息系统孤岛,进行数据处理与分析,帮助办案人员迅速提取关键数据信息。

违法犯罪活动本身具备隐蔽性、团伙性等特征,在技术高速发展的背景下,又呈现出网络化、智能化、复杂化等新特征,增加了公安人员的办案难度,需要借助智能化系统挖掘潜在隐藏信息和关联关系,通过技术手段支撑“人、事、地、物、组织”等刑侦关键要素;

治安事件发生具有突然性,当团伙发生案件时,若不能现场及时抓捕,需要通过人员关联分析、异常事件挖掘、重点场所关联分析、物品关联分析、团伙关系分析、相似案件推理等一系列智能辅助功能发掘潜在嫌疑人,提高办案效率。;

针对有一定犯罪企图的重点人员,需要利用大数据分析,建立重点人员预警模型,并通过关系图谱与轨迹信息,及时发现违法活动,阻止治安事件发生。

厂商能力要求:

公安领域存在海量的非结构化、半结构化信息,厂商在构建数据智能的应用过程中需要具备建设数据中台的能力;

公安实战经验需要转换为应用模型,需要厂商具备一定公安行业模型和算法积累;

各地公安机关具备自身特点,在数据智能应用场景中,需要较多定制化服务,要求厂商定制化能力较强,具备较好的服务意识。

代表厂商:

2.3.1.4>

终端用户:

政府管理部门、地产运营商、学校等。

核心需求:

传统地产园区多依赖人力进行管理运营,运营成本高,管理效率低。政府和园区管理者需要基于数据智能建设智慧园区,优化园区配置,降低运营成本,提升效率;

园区管理者需要通过数据支持保障园区的安全监管与管理;

需要加强园区内部的互动沟通和管理能力,在更大范围内提高园区知名度、服务水平、管理水平;

厂商能力要求:

能够建设数据平台,对园区物联网数据、园区管理数据、企业经营数据等进行规范化管理和数据采集;

具备针对智慧园区应用场景开发数据分析算法与模型的能力。能够构建企业客户需求画像,赋能园区进行产业规划布局;通过数据监控与数据分析,辅助园区优化物业管理、商圈服务等;

具备提供智慧园区咨询服务的能力,提供智慧园区规划、智慧园区运营等咨询服务。

代表厂商:

能源与工业

2.4.1.1>

终端用户:

制造企业研发部门,生产部门,供应链部门等。

核心需求:

制造企业的生产现场有大量传感器,探测温度、压力、热能等各类数据,企业需要建立大数据体系,实现数据利实时采集、处理与存储,完成对数据模型的规范与统一管理、数据质量分析,以及信息系统业务数据与外部数据、机器数据的集成;

生产环节,企业需要实现智能排产、联动生产管理等;

设备运维环节,传统制造商一般采用事后运维,运维计划主要依靠经验制定,效率低、成本高,企业需要建立预测性运维体系;

在质量控制方面,制造商需要在生产过程中使用大数据分析整个生产流程,了解每个环节是如何执行的,一旦有某个流程偏离了标准工艺,系统就会产生报警信号,从而快速发现错误,进而控制产品质量;

在生产工艺改进环节,制造商需要基于足够的数据反馈改进其流程及工艺,但现场试验费时费力,制造商需要对生产过程建立虚拟模型,仿真并优化生产流程,当所有流程和绩效数据都能在系统中重建时,这种透明度有助于其改进生产流程;

在能耗分析方面,传统能耗分析采用阶段性事后分析方式,造成不必要的能源浪费。制造商需要在设备生产过程中利用传感器集中监控所有生产流程,及时发现能耗的异常与峰值,以便在生产过程中优化能源的消耗。

厂商能力要求:

大部分制造企业的自我感知、自我记忆的数据采集感应系统还未建立,需要厂商具备设计和建立数据采集体系的能力;

生产数据复杂多样,需要厂商具备复杂数据结构的数据处理技术、高效的数据库维护和管理机制;

生产企业数据孤岛现象严重,需要厂商具备数据集成能力,实现生产、业务的协同;

能够根据设备实验数据、运行数据、故障数据、售后站点配给数据、备品数据等,结合算法,优化检修流程,降低运维成本;

生产环境不同,不同行业和企业对数据采集、处理过程和挖掘方向也各不相同,需要厂商具备行业专业知识和大数据处理能力。

代表厂商:

3.>

4.数据智能厂商解读

厂商介绍

阿里云创立于2009年,是全球领先的云计算及人工智能科技公司,致力于以在线公共服务的方式提供安全、可靠的计算和数据处理能力。

所属场景(行业-主体-应用场景)

职能部门-IT部门-交易型数据管理

职能部门-IT部门-分析型数据管理

职能部门-IT部门-数据分析与可视化

职能部门-IT部门-数据中台

职能部门-IT部门-自助式AI建模

产品与服务

数据管理:阿里云提供关系型数据库、NoSQL数据库、数据仓库等一系列产品。其中,Ocean 是阿里巴巴和蚂蚁金服自主研发的金融级分布式关系数据库;PolarDB 是阿里云自研的能满足高吞吐在线事务处理的关系型云数据库。

大数据应用解决方案:阿里云提供涵盖大数据计算与分析、数据开发与治理、大数据应用与可视化以及数据应用解决方案等场景的产品和服务。

阿里云机器学习平台PAI:为传统机器学习和深度学习提供从数据处理、模型训练、服务部署到预测的一站式服务。

典型客户

招商银行、兴业银行、中国光大银行、大润发等。

厂商介绍

埃睿迪致力于打造更懂环保/工业的敏捷化数字孪生平台,构建垂直行业的知识图谱和应用。通过提供数字孪生平台能力,赋能所有产业参与者,实现行业模式规模化复制,并与生态伙伴共同建设,使平台成为社会化绿色生产力的基础设施。

所属场景(行业-主体-应用场景)

政府与公共服务-政府-环境治理

能源与工业-工业企业-智能制造

产品与服务

核心产品是iReadyInsights敏捷化数字孪生平台。基于该平台构建的环境大脑、工业大脑、水务大脑、绿色城市大脑等行业解决方案。

“环境大脑”:与环境行业深度融合,聚焦关键环境问题,提供环境监测预警、污染成因分析、环保处理工艺优化、环境综合决策指挥等行业应用。

“水务大脑”:水务大脑重点关注城乡供水、城乡污水处理,将大数据、水务机理模型、机器学习与水务业务深度融合,为水务运营企业和主管部门提供供水用水态势分析、产销差分析、短期长期用水预测、供水与污水处理工艺运行监控预警、水务企业运营分析等专项解决方案。

“工业大脑”:先协助企业实现数字化深度应用,面向设备、产线、厂区级的全过程数字化表现、全生命周期的数据互联。满足企业工况自感知、工艺自学习、装备自执行、系统自组织的智能化目标。

“绿色城市大脑”:从宏观、中观、微观三个层面,从产业、行业、区域、时间多维度,对城市环保、能源、经营、管理、运行相关指标进行监控管理,实时了解城市环境质量现状、经济运行状态、重点企业运行情况,助力园区产业、企业的绿色发展,加快实现城市发展绿色转型。

典型客户

泰安高新区、泉州水务集团、威立雅、北汽新能源、海尔等。

客户案例

埃睿迪帮助某世界500强环境企业构建“数字孪生平台”,通过数字孪生、高压缩数据、大规模并行计算等技术,将集团全国几十条生产线实现数字化建设,对每条生产线的3000余个传感器实现秒级采集和处理,年处理数据量达2万亿条。通过大数据、环境机理模型、环境数理模型的有机结合,帮助该企业提升数字化和智能化水平,动态监测环保处理和排放,实现5~15%的成本节省,设备利用率提升50%以上。通过源头和过程的生产控制,实现企业环保达标,二噁英等排放物控制可达到国家标准的十分之一。

厂商介绍

上海爱数信息技术股份有限公司是一家大数据基础设施提供商。基于大数据基础设施,爱数为政府、公共事业及企业的数字化转型赋能,打造数据安全、数据可用性、数据智能、数据洞察力方案和服务。

所属场景(行业-主体-应用场景)

通用职能部门-IT部门-数据中台

通用职能部门-IT部门-IT运维管理

产品与服务

AnyShare:定位于企业内容管理,并融合大量核心人工智能技术,面向整合业务应用、内容应用开发、文档管理、团队协作和非结构化数据洞察等五大关键场景。

AnyRobot:基于开源ELK(ElasticSearch、LogStash、Kibana)技术,拥有PB级数据处理能力,掌握关联搜索、关系图谱等关键技术,围绕企业IT管理的运维、安全、运营三大难题,并针对不同行业的需求差异,提供统一日志管理、应用监控与分析、云基础设施智能运维、教育大数据、国防大数据解决方案场景。

爱数将AnyShare Family 7与其他产品进行组合,基于人工智能驱动和数据架构底座,构建非结构化数据中台。

典型客户

光大银行、小米、湖南移动、北京大学、天津国土局等。

客户案例

爱数基于AnyShare  Family  7赋能企业实现业务流程自动化。在发票电子化的应用场景中,爱数推出发票内容自动化解决方案,可通过OCR自动识别电子发票的内容,并将识别的内容进行提取,应用于采购入库、财务入账、专票抵扣、固定资产入账等多个环节。

其中,在搜索场景中,可提供全文搜索能力,用户输入“发票”找到想要找的发票;在此基础上还提供了标签搜索和精准的编目搜索。因此,OCR与搜索功能极大提升了非结构化数据内容自动化的效率。

厂商介绍

百度智能云以“以云计算为基础、以人工智能为抓手、聚焦重要赛道“为战略,融合云计算、百度大脑、大数据等百度核心技术,提供了通用的基础云平台、AI中台、知识中台等多层次的平台,以及为各行各业赋能的智能应用和解决方案,助力产业智能化升级。

所属场景(行业-主体-应用场景)

通用职能部门-IT部门-分析型数据管理

通用职能部门-IT部门-数据中台

通用职能部门-IT部门-自助式AI建模

通用职能部门-IT部门-数据分析与可视化

金融-银行-零售业务营销与风控

金融-银行-对公业务营销与风控

金融-保险-营销与风控

能源与工业-工业企业-智能制造

产品与服务

云数据库>

数据中台解决方案:基于百度领先的大数据技术,结合数十年大数据应用实践和To B服务经验积累,为企业构建采、存、管、用大数据基建体系,提供一站式数据资产构建和分析应用平台能力,让企业的大数据应用更高效、更低门槛,高效实现数字化运营、驱动业务增长。

数据可视化Sugar:自助BI报表分析和制作可视化数据大屏的强大工具,组件丰富,开箱即用,无需SQL和任何编码。

AI中台解决方案:依托百度大脑十余年AI技术与能力的积累,面向金融、能源、制造、城市、互联网、教育、运营商、政府等行业提供智能中台解决方案,助力企业构建统一的AI基础设施,实现AI资产的共建共享、敏捷的智能应用开发,加速企业智能化升级。

金融联合建模:利用软、硬件结合的加密方式,使金融机构与其他企业在敏感数据可用不可见的前提下,实现联合建模操作,并在金融业务中有效利用建模结果。产品优势:安全可信的建模环境、丰富多样的算法储备、灵活便捷的平台功能。在零售金融风控反欺诈、保险定价及理赔反欺诈等场景获得了广泛的应用。

百度数字员工IPA:以“智能引擎”为内核的业务运营自动化产品方案,能够为企业打造场景化的虚拟数字员工,助力企业业务智能化升级。通过综合应用语音、图像、NLP等AI技术,结合业务策略和人机协同,面向风控审核、营销运营、财务审核、合规稽核、投研分析、保险理赔、合同审核等业务场景提供自动化运营解决方案。

工业数据智能方案:基于强化学习、深度学习、机器学习等一系列AI算法能力,在不同细分工业领域,提供工艺参数优化、异常预警、能耗优化、智能预测、排产排程等场景的专业模型训练能力,助力工业企业实现智能化大生产。产品提供多种数据接入方式,有丰富的数据分析预处理算子,零代码模型配置训练能力,预置多类开箱即用算法。为工业数据价值探索奠定了基础,赋能工业企业降本增效。

典型客户

百信银行、度小满金融、中国人寿财产保险、泰 康保险、太平洋保险

厂商介绍

百分点作为一家数据智能技术企业,拥有完整的大数据和认知智能产品线,基于行业知识及数据中台建设经验,提供面向政府和企业数字化转型的行业解决方案,构建了政府级、企业级和SaaS服务三大业务体系,涉及数字城市、应急管理、公共安全、零售快消、制造和房地产等多个领域。

所属场景(行业-主体-应用场景)

政府与公共服务-政府-智慧政务

政府与公共服务-政府-智慧安防

政府与公共服务-政府-环境治理

消费品与零售-品牌商&零售商-智能营销

消费品与零售-品牌商&零售商-全渠道中台

职能部门-IT部门-数据中台

通用职能部门-IT部门-数据分析与可视化

产品与服务

大数据操作系统(BD-OS):以百分点大数据全栈技术能力为支撑,提供数据接入、治理、处理、管理、服务能力,实现一站式数据全生命周期管理,做到数据“进得来、管得了、治理好、看得见、控得住、可共享”,帮助客户高效、低成本的管理数据资产,发挥数据效能。

商业智能系统(Clever>

政务大数据解决方案:实现数据汇聚、数据管理、数据应用、数据运维、数据评估的全生命周期的管理,为数字政府基础库、主题库、专题库建设和上层业务应用提供一体化的数据服务支撑。

公安大数据治理服务解决方案:针对公安多源异构数据进行融合治理,通过综合自动化工具和手工治理及定制化软件,实现对数据全生命周期管理,构建共享全景数据视图,提升公安数据信息效能和价值。

生态环境全景大数据解决方案:以天空地一体化生态环境监测数据为基础,开展大数据资源规划、数据库设计,建立科学数据采集机制,提升数据归集质量与效率,形成生态环境信息资源目录,汇聚生态环境质量数据、污染源数据、业务数据和其他委办局有关生态环境的数据。

应急大数据治理解决方案:按照“数用分离、智能驱动”的思路,依托大数据全栈技术和产品,构建符合应急管理需求的应急大数据治理体系,实现数据接入、处理、存储、应用等全生命周期的管理。

零售数据中台解决方案:面向零售企业提供一站式中台解决方案,实现数据接入、数据治理、数据建模和数据服务的全生命周期管理,实现数据资产化。

全渠道用户数字化经营:通过对消费者全渠道数据的融合治理,结合数据挖掘分析、算法模型、行业运营经验等,帮助客户构建全域会员运营体系,提升企业与会员的数字化互动能力。

典型客户

国家市场监督管理总局、北京市海淀区统计局、深圳市应急管理局、常州市生态环境局、中国免税品集团等。

客户案例

百分点为某市应急管理局建设智慧应急统一大数据平台,实现局内10个业务系统数据、21家“安委办”单位应急数据、市域物联网感知数据和互联网数据的汇聚,以及对安全生产、自然灾害、城市安全等多领域的591类、1.6亿条应急数据的标准化和全生命周期管理。在此基础上,对数据进行关联、融合,构建三大专题库,为危化品监测管理、安全生产管控、城市安全建设提供数据支撑,并通过数据挖掘分析、可视化、数据建模等智能化服务,支撑全市及各区智慧应急应用体系建设。

厂商介绍

邦盛科技成立于2010年,是中国金融实时风控领军企业,大数据实时智能处理技术领军企业,产品主要包括实时交易反欺诈、申请反欺诈、信贷授信风控、智能案防等产品。

所属场景(行业-主体-应用场景)

金融-银行-零售业务营销与风控

金融-银行-小微业务营销与风控

金融-保险-营销与风控

产品与服务

零售业务营销与风控&小微业务营销与风控解决方案:针对银行金融业务在实时反欺诈中面临的性能瓶颈,邦盛科技基于“流立方”以及机器学习、关联图谱等底层核心技术,打造了实时智能风控系统,实现涵盖“事前风险感知”、“事中实时决策”、“事后案件调查”的统一的风险防控。

保险行业解决方案:针对保险业务不同产品,如健康险、意外险、车险等面临的欺诈风险,基于流式计算,提供基于指标和规则的风险识别判断,通过系统方案建设,建立起事中风险识别的两核风控体系;实时决策的机器学习,解决模型黑盒问题,进一步优化风险识别准确度,提供疑点提示,提升运营效率;运用关联图谱,通过图结构进行风险模式匹配,欺诈团体划分。

典型客户

中国农业银行、招商银行、渤海银行、平安银行、兴业银行等。

厂商介绍

餐道深耕餐饮和零售行业,品牌服务涵盖全渠道管理SaaS平台+业务数据双中台,作为行业连接器主要为国内餐饮及零售企业提供总部及区域管理应用系统、门店端管理应用系统、骑手管理系统、聚合配送平台、BI数据分析、全渠道运营等一体化的O2O解决方案。

所属场景(行业-主体-应用场景)

消费品与零售-品牌商&零售商-全渠道中台

产品与服务

中台系统:为所有系统供应商之间的数据流转提供中转服务和聚合服务,所有系统供应商只需要跟业务中台对接,就可以达到会员通、商品通、交易通、营销通目的。

前台应用:前端商家管理系统打通各大主流外卖平台,整合多渠道订单、商家数据、高效管理运营订单,提供智能点餐功能;搭建运营管理平台,统一管理多渠道门店信息;接单管理实现多样化接单方式;配送管理系统则对接顺丰、闪送等数十家配送公司,为商家提供骑手管理、配送监控等功能,科技管理外卖派送业务;数据分析系统为管理人员提供专属移动BI报表,实时了解不同门店、不同时段营业及销售情况,提供给餐厅进行分析与决策。

典型客户

汉堡王、吉野家、周黑鸭、锅圈食汇、老乡鸡等

客户案例

德克士全国门店众多,需要解决“数据孤岛”的问题,并具备用运营分析可视化能力。餐道为德克士打造订单管理系统,打通各渠道数据,同时提供标准数据结构、定义数据内容,为不同渠道的数据制定规则,保证各平台数据的格式与定义一致,打破“业务孤岛”与“数据孤岛”,避免重复造轮子。同时,餐道提供OCRM报表,帮助商户从不同角色管理多渠道的数据和用户反馈,客户可通过数据分析找出运营问题所在。目前,道已经覆盖德克士2190多家门店,其中80%都是加盟店。

厂商介绍

创略科技是一家数据技术和AI公司,致力于差异化地为中大型B2C企业提供AI驱动的客户数据技术解决方案,助力企业优化与客户数据相关的应用场景,包括客户洞察、个性化营销、客户生命周期价值管理、客户体验提升等。创略科技服务上百家大中型国内外公司,覆盖零售、汽车、金融、旅游、教育培训等行业。

所属场景(行业-主体-应用场景)

营销与销售部门-智能营销与用户运营

产品与服务

智能客户数据中台(CDP):创略科技的旗舰产品,主要是通过用户数据采集、打通、分析和激活,基于AI及丰富的算法模型,运用于企业的个性化营销、精细化客户运营、沉睡客户唤醒、交叉销售、客户体验提升、智能分析等场景。

厂商介绍

创新奇智是一家发展快速的人工智能商业化公司,聚焦金融、制造、零售等领域,围绕数据智能和视觉智能两大版块,为企业提供 AI 相关产品及解决方案。

所属场景(行业-主体-应用场景)

通用职能部门-IT部门-自助式AI建模

通用职能部门-IT部门-IT运维管理

消费品与零售-品牌商&零售商-供应链管理

产品与服务

创新奇智Orion自动化机器学习平台:快速构建具备AI能力的基础设施和场景应用,一站式完成数据处理、算法训练、模型部署及后续的迭代管理,打通从数据层、AI层到应用层的能力连接,赋能企业AI中台建设。

创新奇智ABC一体机:基于Orion自动化机器学习平台,打造融合AI、大数据、云和行业场景应用的软硬一体化设备,提供两个方向的智能化服务——面向企业数据中心的智能运维和能效管理;面向核保核赔、合同比对等常规业务的智能业务场景落地。

智慧供应链:为零售品牌商提供智慧供应链管理。基于创新奇智Orion自动化机器学习平台,充分考虑需求波动、事件影响、KPI绩效及若干外部环境等诸多数据,提供SKU级别的高精度需求预测与补货建议,继而实现人工可控的智能补货决策功能,提高现货率、周转率、降低货损及缺货率等指标,使供应链补配货场景实现精细化运营。

典型客户

邮储银行、华电电科院、玛氏等。

客户案例

如今的风电行业早已从增量市场过渡到存量市场,伴随着风机规模的不断扩大、机组服役年限的持续增加,保证风机健康、高效运行,提高风场运营效率等问题成为风电企业现阶段最重要的工作之一。华电电科院采用创新奇智Orion自动化机器学习平台,从风场智慧运维出发,快速构建具备AI能力的基础设施和场景应用,仅用时1周就完成了 Orion自动化机器学习平台的部署实施,在3个月内实现了对所有风机模型的建立、优化,风机故障预测评估准确率提高了10%以上。

厂商介绍

DataCanvas是一家数据科学平台提供商,为金融、交通、地产、制造等多行业客户提供数据分析能力、实时能力和AI能力的建设。通过DataCanvas数据科学平台提供的机器学习分析和实时计算能力,帮助数据分析师和数据科学家快速协同开发,实现模型管理和应用支持,在科技创新、人工智能等前沿领域为客户业务创造更大价值。

所属场景(行业-主体-应用场景)

通用智能部门-IT部门-自助式AI建模

金融-银行-小微业务营销与风控

金融-证券-营销与风控

政府与公共服务-政府-智慧政务

产品服务介绍

DataCanvas数据科学平台:包括DataCanvas>

典型客户

浦发银行、海信集团、山东城商行联盟、鹏华基金、中原银行等

客户案例

某银行要建立适用于新型组织架构下的敏捷机制体系,构建线上化、数据化、智能化的服务场景和生态圈。DataCanvas采用人工智能技术预测客户需求,智能匹配营销策略,基于流计算技术实现营销执行过程中的自动监控及销售业绩的实时展现;采用AI+RPA的智能流程组合,充分利用OCR、NLP智能识别模型,实现智能审批、智能报销、智能开户、自动比对等流程优化设计;依托机器学习及图计算技术,对可疑账户进行关系数据分析、多层关联信息挖掘,形成风险防控网。建立企业级模型开发平台,实现智能工具的快速推广及应用。

厂商介绍

DataEye是一家致力于成为全球移动广告情报中心的大数据公司,为垂直领域提供移动广告情报分析的数据工具服务及定制化数据服务,推动行业移动营销的创新及发展。

所属场景(行业-主体-应用场景)

营销与销售-智能营销与用户运营

产品与服务

DataEye-ADX游戏行业情报分析工具:是一款专注于游戏行业广告投放的情报分析工具,利用海量数据存储、AI视觉智能等核心技术,通过抓取并持续追踪手游广告素材以及营销创意,针对性解决游戏行业成本高、渠道难、创意难的买量痛点。

DataEye-Tidea添弈全案营销服务:借助DataEye-ADX海量数据支持,深入手游买量市场,基于精准的买量素材分析,针对不同类型游戏定制爆款创意,有效解决手游买量创意短缺、素材产能不足的难题。

DataEye-EDX电商一体化服务:为电商提供数据化选品、优质货源对接、信息流广告投放、广告素材制作、物流资源对接等全流程一体化服务,解决直营电商营销痛点。

典型客户

腾讯游戏、三七游戏、网易游戏等

客户案例

DataEye与客户合作升级《梦幻西游》、《梦幻西游网页版》、《梦幻西游三维版》买量营销打法,为客户提供了受众分析、竞品分析、市场基本面分析、素材策略等多维度策略分析及广告素材制作服务。《梦幻西游》系列自2020年大范围买量营销推广以来,招回大量“老玩家”的同时吸纳大量“新玩家”,《梦幻西游网页版》除开Android端、移动端H5、PC端微版等,仅iOS端月流水便已过亿。

厂商介绍

袋鼠云成立于2015年11月,是行业领先的企业数字化基础设施供应商,公司基于数据中台的先进理念,研发打造了云原生一站式数据中台PaaS“数栈DTinsight”,帮助客户建设数字化基础设施,构建全域数据共享中心,让数据产生价值。

所属场景(行业-主体-应用场景)

通用职能部门-IT部门-数据中台

通用职能部门-IT部门-IT运维管理

通用职能部门-IT部门-自助式AI建模

通用职能部门-IT部门-数据分析与可视化

产品与服务

云原生一站式数据中台PaaS“数栈DTinsight”具备云原生、自研核心引擎、金融级安全三大特性,覆盖数据源采集、离线计算、实时计算、数据挖掘、数据治理、数据资产管理、数据共享服务等整个数据中台生命周期,是完全自主可控的大数据基础设施产品,提供了灵活开放的部署能力,可以按需选择不同的子产品单独或组合输出,可兼容Hadoop体系、MPP数据库、Oracle等多种第三方引擎。

算法开发AIWorks:提供了从数据处理、模型训练、模型预测、服务部署的一站式服务,可通过简单的拖拉拽形式即可完成AI模型的训练、发布、管理及运维,帮助银行AI分析师实现金融风控、精准营销等业务场景。

数据化运维平台EasyDO:一款开箱即用的数据化运维平台,为企业提供运维数据统一采集、统一存储、智能分析、全景监控能力,保障企业业务稳定高效运行;提供系统性能和成本优化建议,降低企业IT运维成本。

数据可视化平台EasyV:无需编程,通过拖拽即可搭建数据大屏;预置大量可视化图表,供自由组全合;支持多数据源接入,支持秒级动态数据请求;可支持自定义组件开发,可扩展性高。

典型客户

中国平安人寿保险、招商证券、华夏银行、国家电网、浙江大学等

客户案例

随着证券交易数据越来越多,证券公司需要对数据进行实时计算和实时监控,进而快速处理问题、响应客户。基于此,招商证券对于客户统一识别、账户查询、反洗钱、客户运营等方面有了更高、更新的要求。袋鼠云基于数栈 DTinsight帮助客户构建实时数仓,实时汇聚证券交易、融资融券、个股期权等多个领域数据流,推进企业UCM(统一客户模型)体系构建,解决超大规模数据计算问题,满足秒级响应需求,快速响应各业务系统数据应用需求。招商证券只需要关注业务逻辑及数据建模,通过SQL化开发,可快速响应业务部门实时数据需求。基于数栈 DTinsight平台,招商证券进行实时数据开发的效率提升2倍以上,实时任务排错及解决时间减少了80%,实时业务消费数据的时效从秒级提升到毫秒级。

厂商介绍

滴普科技成立于2018年,是一家全场景数据智能服务商,基于云原生互联网框架,综合5G、IoT、大数据、AI、云计算等新技术,形成可高度扩展的商业智能和产业智能的平台产品,为企业提供全场景数据智能服务。

所属场景(行业-主体-应用场景)

通用职能部门-IT部门-数据中台

消费品与零售-品牌商&零售商-智能营销

政府与公共服务-公共服务-智慧园区

能源与工业-工业企业-智能制造

产品与服务

商业智能>

产业互联智能DEEPEXI®X系统:DEEPEXI® XData为一站式数据开发治理套件,DEEPEXI® XMesh为以数据为核心的工业数据智能化IoT平台,DEEPEXI® XEdge为云原生边缘计算解决方案,实现云边端协同, DEEPEXI® XMind 为AI场景赋能算法平台,提供低成本快速交付AI能力。

典型客户

秀域、OPPO、绿地贸易集团、新希望乳业等

客户案例

翡标奢品(Customized luxury goods)是一个具有开创性的非标轻奢品互联网电商APP平台,拼团和分销的模式,是翡标奢品销售的重点。翡标奢品与滴普科技携手打造全渠道数字化零售平台,利用平台上数十种促销工具高效开展业务,降低获取流量成本,实现快速引流吸粉,激活团长或分销商的分销热情,助力企业获取实时在线且有商业决策意义的全链路数据,构建运营端、分销端、会员端、供应商端的全链路销售体系。

厂商介绍

第四范式成立于2014年底,是领先的人工智能平台与技术服务提供商,打造了全栈式企业级AI产品体系,解决企业智能化变革中面临的数据治理难、AI应用门槛较高、落地价值受阻、算力投入激增等实际难题。

所属场景(行业-主体-应用场景)

通用职能部门->

金融-银行-零售业务营销与风控

消费品与零售-品牌商&零售商-智能营销

产品与服务

全栈式企业级AI平台“先知”:标准化、低门槛的人工智能应用开发平台,助力企业轻松落地AI应用,覆盖机器学习从模型构建到应用上线的全流程,自动化构建、应用、更新模型,无需机器学习专业技能。

银行零售业务营销与风控解决方案:通过高维数据挖掘客户潜在需求,完成精确的客户获取与精益的客户管理,向真正有需求的客户推荐和销售产品,典型应用场景如信用卡分期营销、现金分期营销、基金产品推荐、理

本文标签:[db:词语]

本文地址:http://www.k0358.com/jiankang/gCkmjlnlj.html 转载请注明出处

上一篇: 猎豹移动:微软发布8月例行更新 Windows 10亦受影响
下一篇: 2020中国厨卫产业创新发展峰会高规格亮相

本站所有文章均来自搜索引擎和其他站点公开内容,如有侵权或表述不当,请联系并标明身份和情况后立即删除,E-mail:ainba_cn@163.com
copyright © 2012-2019 www.k0358.com 快意信息网 - 快意信息网,社会信息中心 移动版 MIP