来自：数据猿 原链接：https://www.sohu.com/a/461805451_400678

游戏、电商、音乐、教育…网易的节奏始终是不紧不慢，却总能准确地瞄准市场的切口，一下打破原有格局。如同云音乐之于音乐领域，严选之于电商领域，在数据智能To B领域，网易也正在悄悄成长为破局者。

近日，网易数帆升级了旗下大数据业务品牌为“网易有数”，宣布将大数据业务重点从“数据管理”转向“数据价值”，新推出机器学习平台、消费者运营、标签画像、流量分析四款产品。

基于之前的大数据开发及管理平台、大数据敏捷数据分析及可视化平台(BI)，网易有数已形成了 “数据中台+数据产品”核心模式，具备为客户提供全链路数据服务能力。

纵观数据智能To B行业，传统认知里存在三类玩家：云厂商、创业型厂商以及传统厂商。每一类厂商都存在一定的问题和不足。比如，云厂商的开放性不强，创业型厂商的技术积累较浅，传统厂商产品对方法论支撑弱等。

随着行业的进一步发展，客户对于数据智能应用的认知越来越清晰，服务需求也越来越具体，以上三类厂商已经无法完全满足客户需求。市场呼唤行业破局者，给客户更好的选择。

那么，新的行业破局者应该具备哪些关键特性呢？开放性、全面性、成熟方法论，是三个核心要素。新升级的“网易有数”，做到了这三点。

企业要避免被单个云厂商锁定

云厂商是数据智能领域的重要玩家，并且他们在技术能力、产品丰富度、生态建设等方面具有领先优势。

但是，云厂商有一个很明显的问题，那就是他们往往过于强势，容易对客户造成绑定，这主要表现在两个方面：

一方面，这些云厂商的产品往往基于其自有技术栈，对开源系统的集成度低。一旦某个客户用习惯了这些云厂商的数据智能产品，往往会受其技术栈的影响，当再使用其他厂商产品或者开源技术时会存在诸多不适应。

另一方面，云厂商往往把数据智能应用当做SaaS，其最终的目的是通过SaaS产品来带动其计算、存储、网络等IaaS资源的销售。因此，云厂商的数据中台、BI、机器学习平台等产品，往往与其云平台深度绑定，自成一体，有意无意的排斥其他云平台。

这一现象，我们可以称之为“云锁定”：企业把自己的大部分业务系统和数据都迁移到某个云平台上，随着系统和业务数据越来越多，企业对该云厂商的依赖也越来越严重。同时，企业从该云平台上迁出数据的成本越来越高，以至于被该云厂商完全锁定。企业的系统和数据，只能用一个云平台。

企业被单个云厂商锁定，会带来一系列的问题，主要包括：

议价能力的丧失。刚开始企业是强势的甲方，云厂商提供物美价廉的产品。但一旦被其锁定之后，企业就丧失了议价能力，即使云厂商提高服务价格也无能为力。

业务受限。对于中大型企业而言，其业务范围广泛，往往需要数据在多个区域之间流动，并实现不同业务系统数据的融合。单个云厂商的能力有限，如果企业被某个云厂商锁定，则云厂商的服务能力也会限制企业的业务开展。

因此，避免被单个云厂商锁定，数据可以在不同云平台上流动，是企业数据上云的重要诉求。

网易数帆2020年已经完成了从“云厂商”身份到“软件厂商“身份的转变，不再开展公有云新业务，业务战略方向转为分布式架构、大数据等软件产品及技术服务。不存在为了销售IaaS资源而在数据智能产品上绑定客户的需求，中立性更强，可以更好实现跨云迁移。网易有数基于开源技术并且具备跨云部署能力，能够有效地避免”云锁定“问题。

数据价值的实现并非单一数据产品、数据中台能支撑

说完云厂商，我们再来看看创业型厂商。创业型厂商倒是不存在上面提到的被技术栈和云平台锁定的问题，但是他们的技术积累普遍薄弱，对开源技术的掌控能力也较弱。上面提到，基于开源技术栈的产品，对于开源的掌控能力尤为关键，这会严重影响到产品体验。

数据价值的实现并非单一模块的数据产品、数据中台就能支撑，而是需要全面的数据智能产品，来实现贯穿业务线各方维度的建设，并结合具体的场景应用实现数据价值。

数据的全生命周期，包括数据收集、数据清洗、数据存储、数据管理、数据分析、数据可视化、数据应用、数据安全等，这既需要数据中台来实现各个系统的数据打通，也需要具体的数据产品来在市场营销、供应链管理等具体业务场景中实现数据赋能。

在这个过程中，创业型厂商的技术和产品局限就特别明显。客户在选择数据智能服务商时，往往对各家厂商的产品和服务体系认知有限，导致采购的技术服务存在不全面等问题。比如，当客户采购了某个厂商的BI产品，随着系统建设的深入需要数据中台产品时，原来的服务商不能满足需求，只能从其他厂商采购。最后的结果可能是，该客户的数据智能系统是多家厂商产品的拼凑，容易带来接口标准不统一、系统无法打通等问题，严重阻碍数据价值的实现。

理想的情况应该是怎么样的呢？

我们以连锁零售龙头企业名创优品的数据智能系统建设为例，来说明客户的需求及解决方案。

该企业在全球超80个国家拥有近4000家门店。随着业务的拓展，原有的数据架构无论是从功能上还是性能上都无法满足企业复杂的大数据管理与分析需求。

要建设新的数据智能系统，该客户的需求集中在两个方面：

通过统一的数据中台建设来对数据进行集中管理，消除数据孤岛；在营销、供应链管理等方面探索数据智能应用场景，以数据赋能业务，提升业务经营效率。

针对该客户的需求，网易有数为其提供零售行业全链路数据中台+数据产品解决方案：

设计并建设数据中台全局架构，“数据向上、业务向下”同步思考，打通了会员、产品、门店、交易支付、供应链、公共六大数据域，消除了信息孤岛。

名创优品零售数据中台架构图

在数据融合的基础上，网易有数帮助客户建设会员中心、产品中心、门店中心三大主题数据中心，统一消费者、产品、门店的数据的采集、加工与分析应用，设计并搭建管理者和店长看板，结合业务实际情况梳理各用户关注的数据指标及提供数据分析思路，为各类用户提供快捷的数据获取与探索分析渠道。管理看板能直观显示关联数据，帮助管理者实时掌握经营动态。

由于网易有数具备全链路数据服务能力，其数据中台和数据产品本身就是高度融合的，不存在多个厂商产品拼装带来的系统割裂问题。

以最终结果来看，数据赋能业务的实际效果也很明显：该零售客户不同门店会员复购率提升5-10%，会员销售贡献提升10-50%；数据公共层指标数量下降40%，模型数据下降30%，硬件成本下降15%；业务部门的数据响应时间从天级别直接下降到分钟级别。

成熟的数字化方法论，重塑对数据价值的认知

工欲善其事必先利其器，企业的数字化转型，需要两个“利器”，一个是数据智能产品，另一个是一套成熟的数字化转型方法论。

人永远无法得到认知之外的收益，企业也是如此。

数字化方法论，就是要解决企业的认知问题。如果将数据智能平台和工具比作生产力，则数字化方法论就是生产关系。当生产关系与生产力相匹配时，才能最大程度发挥出生产力的潜能。

我一直在思考，欧美企业为什么比中国企业管理效率高。

一方面是现代的市场机制和企业制度是欧美国家率先建立起来的，对现代企业的管理当然也更加熟悉。另一方面，欧美企业对数字化工具的应用要远远强于中国企业。连华为当年都要花费几十亿美元从IBM引进一整套供应链管理、研发管理流程。

信息化有其管理方法、流程，数字化、智能化也应该有相应的方法。企业的数字化转型并不只是对某个工具的利用，而是要借助数据平台来重构企业整个的业务流程和管理体系，甚至还会涉及到企业组织架构的改变。

所以说，成熟的方法论是企业实现数字化转型的重要基础。数据智能厂商是否有自己的一套成熟方法论，也是其竞争力的重要体现。传统的大数据厂商往往缺乏合理的方法论体系，导致其产品设计和交互体验较差，功能拼凑现象比较严重。

网易有数提出了“数据生产力“方法论，是经过网易集团自身的云音乐、严选以及外部各行业头部企业等业务的实践和打磨。一个完整的数据智能体系包括数据中台和前台业务两个方面：

数据生产力模型

借助数据中台，把不同业务孤岛的数据连接在一起，同时通过标准化的数据管理，形成高质量、廉价的数据，通过标准化服务的方式提供给数据产品。数据产品作为前台业务，它负责将数据中台的数据，转化为商业决策，应用到业务系统中。这些场景化的数据产品，和数据中台一起，构建了企业智能化的基础，最终实现将数据转化为生产力。

至此，数据中台与前台业务实现联动，打通数据管理、数据治理、数据挖掘分析、数据可视化、数据场景应用的全链路，辅助企业进行智能决策，以数据赋能业务流程和企业管理。

小结

我们对比了云厂商、创业厂商和传统厂商的差异，并指出他们存在的不足。在市场上，以网易有数为代表的厂商给了客户另外一种选择，与上面这三类厂商相比，网易有数作为一个破局者，有自身鲜明的特点：

开放性，网易有数实现跨云部署，将自主权将还给客户；另外，网易有数基于开源技术栈，并对开源技术有很强掌控力，同时也积极回馈开源社区，在ApacheSpark最近发布的版本中，有数团队工程师的贡献名列前茅，团队还诞生一位ApacheSparkCommitter。

全面性，网易有数具备涵盖数据中台和数据产品的全链路数据生产力，数据产品与数据中台融合度高，并在多个领域具有不俗的实力。Gartner 2019以及2020年报告，先后将网易有数列为Cloud ABI领域标杆厂商和数据中台（Data Middle Office）领域标杆厂商。

方法论，网易有数有一套成熟的企业数字化转型方法论，知道数据赋能业务的关键节点，帮助客户“避坑”，并已经在多个行业头部客户那得到有效验证。

依据中国信通院的数据，2019年我国数字经济规模已经达到了35.8万亿，占GDP比例达到了36.2%。其中，产业数字化规模达到28.8万亿元，各行各业的数字化转型已经成为我国数字经济的核心驱动力。

企业需要优秀的服务商，来帮助其实现数字化转型。以上，我们梳理了企业在数字化转型过程中可能会遇到的问题，分析了不同类型厂商的优劣势情况，希望对企业的数据智能厂商选型提供一些借鉴。