数据智能深度报告，看清数据中台和业务中台的未来（附下载）| 爱分析报告
关注 爱分析ifenxi
每天洞察新趋势
——————
《爱分析·中国数据智能行业报告》正式发布
报告编委
报告指导人
金建华 爱分析 创始人&CEO
张扬 爱分析 联合创始人&首席分析师
报告执笔人
李喆 爱分析 首席分析师
崔可家 爱分析 分析师
外部专家（按姓氏笔划排序）
于揚 易观 创始人
王华 互道 创始人&CEO
苏萌 百分点 董事长&CEO
吴明辉 明略科技 董事长&CEO
赵杰辉 滴普科技 董事长&CEO
胡健 一览群智 CEO
姜燕北 泰迪熊移动 CEO
袁国玮 HyperS宏路数据 创始人&CEO
黄向前 新颜科技 CEO
崔晓波 TalkingData 创始人&CEO
崔晶晶 集奥聚合 创始人&CEO
设计师 张赛华
特别鸣谢
点击文末左下角“阅读原文”，可下载完整版《爱分析·中国数据智能行业报告》。
报告摘要
数据智能公司的机会在于业务中台
• 企业数字化转型带来的数据融合和技术融合，促使数据中台出现。
• 单场景的数据中台会逐步与业务中台融合，只有少数核心企业会长期存在数据中台，数据智能公司的机会在于业务中台。
业务中台带来商业模式创新，大数据下半场核心是争夺场景
• 业务中台使得数据智能公司的商业模式能够从技术赋能向合作分成转变，合作分成将大大提升数据智能公司的天花板。
• 大数据的下半场争夺核心是场景。场景本身的价值提升，基于业务中台，实现场景内数据闭环，成为竞争的关键。
跨场景要寻找数据洼地
• 数据智能公司的天花板由单个行业天花板和跨场景能力决定。数据智能在各个行业发展不平衡，金融、政务、品牌营销相对成熟，工业、农业相对处于早期。
• 跨场景要选择数据基础设施较差、格局相对分散的数据洼地场景。技术能力强和具备独特数据资源的公司更容易跨场景。
目录
一. 大数据新篇章——数据智能
二. 数据中台的出现与未来
三. 业务中台带来模式创新
四. 场景争夺成为主旋律
五. 跨场景要寻找数据洼地
六. 三大应用场景相对成熟
01
大数据新篇章——数据智能
1.1 大数据发展历程
整个大数据行业发展分为五个时期，即收集、监测、洞察、决策和重塑。五个时期对应着两大阶段，业务数据化和业务智能化，其中收集、监测和洞察是业务数据化阶段，决策和重塑是业务智能化阶段。
2019年，大数据正式进入业务智能化阶段，开启数据智能新篇章。
图1：大数据发展历程
数据来源：爱分析
2013年，企业开始认知到数据价值，金融、电信、公安等行业开始建设大数据平台并购买大量外部数据，希望通过外部数据快速挖掘数据价值，因此对外输出数据的数据服务公司获得了发展机遇。
2015年，数据大屏等监测业务成为大数据最先成熟的应用，大数据进入到业务监测阶段。政府、央企以及大型国企等优质客群对于数据监测展现应用需求旺盛，BI与可视化公司发展迅速。
2017年，随着大数据平台建设完善以及企业精细化运营的需求不断提升，单纯的数据展现很难满足企业需求，大数据开始与业务场景结合，行业进入到业务洞察阶段。
此时，单纯的数理统计很难满足企业需求，因此出现了大量数据挖掘、数据建模的需求，AI建模平台、数据科学平台开始进入人们的视野。明略数据、百分点、同盾科技、百融金服等公司在这一时期成长为行业内的明星公司。
2019年，大数据从业务洞察进入到业务决策阶段，即由机器形成数据报表或者数据报告，业务人员进行决策，变为机器直接给出决策建议，让机器具备推理能力。例如，在外卖、出行场景，美团和滴滴的系统直接形成最佳调度方式，自动完成决策环节，将任务下发给骑手和司机。这种消费互联网相对常见的场景，将在产业互联网、企业业务场景中落地。
让机器具备推理能力，意味着NLP、知识图谱等认知技术的成熟。数据驱动决策、数据驱动业务发展的企业新需求，必然会带动一批数据智能公司的兴起。
未来，随着技术更加成熟，大数据会从业务决策进入业务重塑阶段。大多数执行环节将由机器来实现，但仍有众多环节需要人参与其中，因此，人机协同会迎来迅猛发展，未来会诞生一批全新的数据智能公司。
1.2 数据智能对企业业务流的改造
当大数据进入到决策阶段，企业业务由原先的经验、流程驱动逐步转向数据驱动，数据中台和业务中台在整个业务链条价值度越来越高。
图2：传统业务模式：流程驱动
数据来源：爱分析
传统业务方式，数据是副产物，业务人员基于行业经验和流程建立业务系统，数据主要用于监测业务进展和洞察规律，最终决策由业务人员进行，整个业务流程迭代速度极慢，很难满足现在快速变化的前端应用，商业价值度较低。
图3：新业务模式：数据驱动
数据来源：爱分析
新业务方式，数据为业务系统核心，基于技术中台的能力，将企业内外部数据打通形成数据中台，由数据中台驱动业务中台，并利用业务中台的组件重构业务系统。由于有中台的支撑，各类开放服务可以对前端应用的快速变化做出响应，因此商业价值会更高。
以美团为例，美团的超级大脑指挥调度着60万送外卖小哥的行动，高峰期一个小时要处理29亿次订单派遣，每天要处理2000万个订单，整个流程完全是基于数据驱动，由系统自动去运转。
图4：数据智能与传统业务方式比较
数据来源：爱分析
1.3 数据智能定义及行业图谱
1.3.1 数据智能定义
进入数据智能阶段后，整个行业呈现出两大趋势：
第一，多技术融合。开源时代，技术门槛越来越低，很多大数据公司具备了深度学习、NLP、知识图谱等技术能力；从客户需求来看，为了指导决策，需要汇聚海量多源数据，其中必然会涉及到非结构化数据的处理，基于复杂网络的推理和决策，因此单一技术很难解决问题。
在BI领域，交互式BI是新热点，将自然语言处理技术与BI相结合。风控反欺诈领域，除了查询个人信息外，也需要通过人脸识别、声纹识别等多种方式去验证。
多技术融合助力一览群智服务银行客户
一览群智是一家以自然语言处理和知识图谱等认知智能技术为核心的人工智能公司，为客户提供一站式AI产品和行业解决方案。自2015年成立以来，一览群智自主研发出智语、智慧、智图、智策四大产品，满足企业在超大规模多源异构情况下的数据治理融合、不同场景下的AI建模和复杂决策分析需求。
图5：一览群智智能决策平台
数据来源：一览群智
随着数据的不断增长和技术不断更新，数据智能正在从数据监测、数据采集等传统场景逐渐向“智能+”迈进。“智能+”阶段以数据挖掘、数据建模、形成解决方案、辅助决策以及预警分析为典型特征。AI发展逐渐从单步骤快反馈的感知智能向认知智能过渡。
某国内大型银行是一览群智的典型客户，其传统的国际结算业务存在诸多痛点：高人工成本、低人工效率、高经验依赖等，为了解决以上在国际业务中的问题，一览群智推出智能审单专家系统。
该解决方案充分融合OCR与NLP技术，提供了丰富强大的功能，包括报文自动拆解、软条款预警、票据OCR、国际业务知识图谱、单证审核、单单审核等。此外，在核心的实体识别、智能提取与智能比对中引入了自学习机制，可以在业务人员使用的过程中积累数据，以便为模型未来的升级提供数据支持。
同时，系统具备很强的可接入性，能够针对与目前各种不同类型的国结系统进行整合。支持智能与人工方式的双线独立处理机制，能够针对每笔业务实现人工智能无缝切换。
综上所述，一览群利用其一站式技术解决方案，帮助银行大大提高了审单效率和准确度，降低了人员工作量。自动/半自动的审核使得单笔业务审核成本大大降低，提高了国结业务的竞争力和盈利能力。
一览群智在金融、公安、媒体等细分场景已形成标杆案例，正在快速规模化复制的阶段。未来将在纵向上深入垂直行业，同时在横向拓展其余行业。
第二，中台的形成。在企业数字化转型进程中，传统企业需要具备互联网公司那样快速迭代升级的能力，基于数据驱动业务发展，这就需要建立一站式技术能力、统一的数据管理、快速配置开发业务的能力。以阿里巴巴为代表的中台模式给传统企业提供了一条道路，各类中台会在企业内部逐步形成。
因此，爱分析对数据智能的定义是，基于中台、融合多种技术，利用数据解决企业客户的决策需求。
1.3.2 数据智能行业图谱
数据智能由两大部分组成，中台和行业应用。中台包含技术中台、数据中台和业务中台，行业应用则按照不同行业进行划分。
图6：数据智能行业图谱
数据来源：爱分析
技术中台主要是指帮助企业客户搭建技术中台的公司，数据采集、数据处理、数据存储、数据分析等环节的所有工具及平台，包括基础平台、用户行为分析、BI&可视化、数据科学平台、NLP&知识图谱等，典型公司有星环科技、易观、神策数据、思迈特软件、第四范式、天云大数据等。
随着机器学习、AutoML等技术逐步成熟，以及语音识别、计算机视觉等AI感知技术的成熟，技术中台呈现自动化、低门槛化发展趋势。如数据科学平台领域，Google开源的AutoML技术，由机器可以自动实现特征提取，降低了特征工程的门槛。BI&可视化领域，交互式BI成为新的热点，主要是通过自然语言理解的方式，降低使用门槛。
图7：技术中台包含的细分领域
数据来源：爱分析
数据中台主要是指帮助企业搭建数据中台的公司，一类是提供数据服务的公司，基于自身能够触及的数据资源，形成一个第三方的数据中台，并基于数据中台服务企业客户，如TalkingData、个推、极光大数据等公司；另一类是帮助企业进行数据治理、数据资产化的公司，自身没有数据，帮助企业客户搭建数据中台的公司，如数澜科技等公司。
数据中台的价值是将数据资产化，实现不同体系ID账号的打通，为下一步数据应用夯实基础。
数据中台需要汇聚企业的内部数据、公开数据、线上数据和线下数据：
• 内部数据包含企业的各业务系统中实时产生的数据，如CRM、ERP等系统，记录企业日常行为数据。
• 公开数据主要是通过爬虫等方式抓取的数据，如电商网站商品、社交网站的用户评论等。
• 线上数据指通过SDK等方式获取的数据，主要是移动设备上的用户行为数据、LBS位置数据等。
• 线下数据指一类是通过WIFI、蓝牙探针获取的数据，另一类是公安、运营商、银联等高价值数据。
基于数据中台有三种应用方式：数据集，如数据标签、用户画像等；数据模型，融合了数据和算法，如销量预测、风控建模等；数据应用，将数据能力和软件能力封装，形成最终数据产品，如选址、用户账户管理等。如个推通过服务第三方移动APP，可以获取移动设备使用APP的时长，从而推断出该设备用户的用户画像，最终用于广告营销。
图8：数据中台的业务流程
数据来源：爱分析
业务中台主要是指基于数据和技术，结合行业应用，沉淀针对行业应用的模型及产品。业务中台具备业务属性，但本质是一些功能模块组件，企业基于业务中台可以快速封装出业务产品。
几乎不会有数据公司直接搭建企业的业务中台，大部分都是由技术中台和数据中台公司演化出来的。少部分从行业应用切入，在服务大量垂直行业客户后，掌握场景需求后，逐步形成业务中台能力。例如，京东超过70%的商品采购都是机器推荐的，京东自营商品已超过2600万种，只有通过数据形成业务中台才能够实现商品采购，不可能依靠业务人员去完成。
从价值度的角度来看，业务中台能够覆盖场景的全流程，解决全场景问题，实现技术赋能，按照效果进行收费，价值度最高。
图9：业务中台是基于数据中台和技术中台形成
数据来源：爱分析
02
数据中台的出现与未来
数据智能时代，企业业务最为核心的是数据中台和业务中台，因此接下来对数据中台和业务中台的未来趋势进行分析，本章节将重点放在数据中台，重点分析驱动数据中台出现的背后因素以及数据中台的未来格局。
2.1 企业数字化转型诞生数据中台
企业数字化转型核心是连接，利用移动互联网、云计算、大数据、人工智能等技术，帮助企业实现企业内部各部门的连接、企业与用户的连接、企业与上下游供应商的连接，乃至未来企业与整个社会的连接。
现阶段，企业数字化转型仍处于初级阶段，重点是企业内部各部门连接和用户连接，因此，企业当前数字化建设重点是产品业务线上化和连接终端用户。
一方面，企业要去连接终端用户是因为企业更加快速、全面地了解终端用户。过往企业主要是通过GFK等市场调研公司来了解终端用户，这种方式效率很低，需要几个月才能出现结果，而且颗粒度不够细。这种方式已经很难适应当前状况，在移动互联网时代，用户关注的热点以非常快的速度迭代，企业必须能够跟上用户的变化，因此，必须要连接终端用户，快速洞察用户的需求。
面向终端用户，会让企业的业务量急剧增长，一家品牌企业，原先只需要面向上下游几百上千家供应商，现在系统需要承载上千万甚至过亿的用户，同时，还需要不断根据用户的需求，上线新的产品功能。
因此，企业不论是数据层面还是技术层面，都需要统一管理、统一调度，需要一个技术平台和数据平台能够支撑，而这个平台又不同于过往的后端大数据平台，这个平台是与业务密切相关的，因此是一个中台的概念。
另一方面，业务线上化意味着企业与用户的交互更加频繁、交互方式更加多样，业务系统必须根据用户需求能够快速迭代升级，需要通过技术手段实时监控业务的运转，并根据业务过程中的用户反馈数据不断优化业务。
基于上述情况，企业必须基于数据驱动业务发展，利用数据更好地了解终端用户的需求，利用数据更好地优化产品与业务。
同时，随着企业业务场景深化，单一数据源已经很难满足企业需求。营销场景中，通过微信小程序、线下门店、官网等方式进入的用户，需要做归一处理；线下零售场景，必须实现“人、货、场”的统一调度，才能保证业务高效运转。
因此，企业必须建设统一的数据中台，汇聚多源数据，对数据进行资产化，实现内外部数据的整合，才能更加有效地支撑数字化转型的需求。
滴普科技以“会员+服务”为核心，助力医美零售门店数字化转型
滴普科技成立于2018年，致力于互联网、大数据、人工智能领先技术产品解决方案研究开发和实施，将互联网沉淀的业务中台、数据中台、人工智能中台综合应用于企业的供应链，生产制造和客户营销服务等领域。
秀域是滴普科技的典型客户之一。秀域是一家集健康减肥、美容、保健、医美为一体的全国性大型连锁经营机构。
在信息化建设上，秀域在企业内部的运营与管理投入较大，但在使用中仍旧会面临诸多问题：
• 业务拓展难：数据和业务的离散导致无法形成可供综合分析、决策、运营的依据，后端系统对于前端需求的响应效率低下，业务拓展与创新难度大。
• 客户管理难：客户数据分散，各个业务板块客户数据未形成统一档案，客户的跟踪服务、复购运营、交叉运营无法基于数据进行直观体现和指导。
• 服务效率低：客户预约、咨询销售、服务提取和诊疗全流程没有自动化的运转流程支撑。客户从进店到购买支付、从服务提取到诊疗的两个核心环节存在极大的效率问题。
图10：滴普科技助力秀域数字化转型
数据来源：滴普科技
滴普科技的解决方案是以会员+产品为核心，不断沉淀客户和标准化产品服务的建设，通过客户、产品、需求场景的有机组合进行业务拓展与创新。
秀域美业的整个数字化升级通过三个步骤来实现：第一阶段，会员营销数字化；第二阶段，产品服务数字化；第三阶段，业务孵化创新发展。
滴普科技解决方案带来的五大成效：
第一，户量与营收提升：打通天猫、美团、自建商城等线上业务渠道，将客户流量导入线下门店，提升秀域的客户体量、市场份额和业务营收。
第二，会员营销及精细化运营：帮助品牌部门面向互联网、新媒体、自媒体等渠道，打造老带新、新带新、潜客开拓、互动吸粉等营销工具，完成消费者互动，会员的全生命周期运营。
第三，可视化可应用的数据资产沉淀：打通秀域旗下不同业务板块的客户数据，支持统一的客户生命周期管理、营销管理和服务跟踪，提升客户复购率，减少客户流失。
第四，服务管控降本增效：建设全渠道统一的数字化系统，将客户接触商品、到店体验、方案咨询、治疗计划、术后观察、客户评价、离店追踪的全服务过程数字化，建设标准的服务流程，提升经营效率，降低运营与管理成本。
第五，应对未来支撑业务拓展与创新：支撑当前1000+门店的经营管理，以及未来3000+门店的快速拓展及业务创新，达到2-3周上线新业务的IT服务效率。
2.2 单场景数据中台会发展成业务中台
企业在建设数据中台过程中，很难一下子建立大一统的数据中台，而会先从单场景出发建设数据中台。这并不是说数据中台具备行业属性，而是企业搭建数据中台是为了解决这个场景的需求。
例如，数梦工场在帮助政府搭建数据中台时，是通过“最多跑一次”、精准扶贫等应用为切入点，直接自下而上搭建数据中台很难实现政府各个部门数据打通，通过一个应用问题，自上而下去推进数据打通，更容易实现。
因此，在发展初期，企业会存在很多针对单场景的数据中台，这些数据中台对企业的价值是将数据资产化，帮助企业探索数据价值。
随着这些单场景的数据中台逐步成熟，业务将逐步由数据驱动，数据不再是业务系统的副产物，而是业务系统的根基，因此，数据中台在越来越多融合业务场景需求后，会逐步发展成业务中台。
这些单场景数据中台的数据处理、资产化能力则会逐步汇聚，形成企业内部的统一中台，支持企业的各个业务场景的发展。也就是说，企业的数据中台会从单场景数据中台向多场景数据中台，最终变成整个企业的数据中台。
TalkingData构建数据中台服务家庭场景
TalkingData 成立于2011年，是国内领先的数据服务提供商。围绕TalkingData SmartDP数据智能平台（TalkingData数据中台）构建“连接、安全、共享”的数据智能应用生态，致力于用数据+科技的能力为合作伙伴创造价值，帮助商业企业和现代社会实现以数据为驱动力的智能化转型。
TalkingData提出“成效合作伙伴”模式，并凭借领先的数据智能产品、服务与解决方案，帮助企业从数据中获取商业价值，已在金融、零售、互联网、智慧城市等众多行业和领域数字化进程的实践中积累了丰富经验。
图11：TalkingData的中台战略
数据来源：TalkingData
TalkingData有着对中台的比较独特的理解。TalkingData一般说的中台战略，并不仅仅是技术意义上的数据平台或者产品平台，也不仅仅是商业模式意义上的业务卓越运营中心+闭环加速中心；所涉及的主体也可能不仅仅是TalkingData本身，也包括能够和TalkingData共同面对某个场景需求、能力互补的合作伙伴。
中台战略是企业面向情境，用中台战略要素（场景、流量、数据和技术）构建的一系列面向最终客户价值的举措和商业模式构建，其中可能涉及到目标企业和所有相关的参与者，包括战略合作伙伴、客户、渠道伙伴等等。
中台战略的构建，从功能上说，包括构建数据中台、构建技术中台、以及构建业务中台。其中数据中台的本质是将数据资产化，技术中台的本质是将流程自动化，业务中台的本质是将应用场景化。
目前TalkingData与家电厂商形成战略联盟，构建家庭场景下的同源数据模型（打通家庭场景下的大小屏幕、分析决策机制），形成数据产品（家庭画像、家庭白名单、家庭电子钱包等），支持家庭场景业务（例如家居、健康、养老、教育等大宗生活消费的获客、场景消费分期中数据的支持）。
同时，TalkingData也探索性的在金融业务上与战略合作伙伴合作，依托伙伴强大业务中台能力，形成面向场景消费金融情境的技术中台+数据中台。
TalkingData创始人崔晓波表示，在未来的一段时间中，TalkingData将继续深挖家庭场景的数据价值，夯实数据能力，面向消费金融、家庭营销等场景与合作伙伴一起不断探索，砥砺前行。用数据的心智去超越！
2.3 垂直行业的数据中台呈现寡头格局
图12：未来数据中台的业务模式
数据来源：爱分析
数据中台的能力最终由汇聚的数据种类和数量决定，数据中台本身的能力会影响基于数据中台之上承载的业务中台能力，同时，业务中台之上的业务系统产生的数据，也会不断反馈到数据中台。因此，数据中台的能力会越来越强，具备很强的马太效应。
当企业完成了数字化转型第一步，企业内部和用户连接后，企业的下一步将是连接上下游厂商，实现与上下游厂商的系统对接和数据对接。连接了终端用户，了解用户需求后，企业的生产环节必须适应用户的需求，这就要求企业不仅仅是改造自身的生产系统，同时也要对上游供应商的系统进行改造升级。
以滴滴为例，从2016年开始，滴滴开始将自身的业务系统能力提供给出租车公司、汽车租赁公司，从最早的“梧桐”系统，到后面的“谷雨”系统，帮助这些公司实现系统升级。
垂直行业中，随着核心企业连接更多的上下游厂商，核心企业的业务量会越来越大。业务量越大，数据越多，系统的智能化程度会越高，反过来会带动业务进一步增长。因此，核心企业承载业务的数据中台天然具备优势，能力会越来越强。未来只有核心企业才会搭建数据中台，基于数据中台能力，核心企业可以服务自身业务事业群和上下游厂商。
综上，数据中台未来将呈现出寡头局面，只有少数企业会搭建数据中台，大部分数据智能的机会都将是基于数据中台之上的业务中台，搭建业务中台的价值将决定数据智能公司的天花板。
03
业务中台带来模式创新
现阶段搭建数据中台依然存在机会，但未来数据中台形成寡头效应后，大部分数据智能公司的机会来自业务中台，因此，业务中台的前景和天花板更加值得关注。
3.1 业务中台将改变数据智能公司的商业模式
业务中台具备业务属性，能够沉淀行业Know-how，搭建业务系统，真正解决企业的业务场景问题，这是技术中台和数据中台都不具备能力。
图13：基于业务中台服务最终客户
数据来源：爱分析
对企业而言，基于业务中台能够快速搭建企业的业务系统，从而满足企业与终端用户的交互需求，另一方面，企业会将业务需求不断反馈给业务中台，让业务中台对业务场景的支持力度变强。
数据智能公司提供数据和技术能力，在基于企业的数据中台构建出业务中台。同时，业务中台能够降低数据应用的定制化问题。在沉淀行业Know-how过程中，业务中台会将各个产品功能模块化，能够基于功能模块快速搭建数据产品。平台能力越强，沉淀模块越多，定制化程度越低，搭建业务系统的速度越快。
业务中台能够辅助数据智能公司快速形成数据产品时，数据智能公司才能够帮助企业实现数字化转型，服务模式才能够转变成运营模式。
因此，数据智能公司和企业客户，通过业务中台，共同去服务最终客户。业务中台使得数据智能公司不再是站在企业客户背后，完全不触碰业务的技术产品外包商，而是站在企业客户旁边的数据技术合伙人。数据智能公司和企业客户的合作模式，不再仅仅是提供技术，作为技术赋能方，而是需要帮助企业客户在数字化转型过程中，更好地服务最终客户，服务模式将转变成联合运营模式。
3.2技术赋能与合作分成模式比较
目前，数据智能行业有两种业务模式，一种是传统的技术赋能模式，另一种是较为创新的合作分成的方式。
图14：技术赋能
数据来源：爱分析
技术赋能模式，基于技术中台或者数据中台形成行业解决方案，服务头部公司。通过头部公司积累业务场景能力，形成最佳实践赋能合作伙伴，并通过合作伙伴服务其他公司。
过往技术赋能公司往往面向企业的单点问题，解决单场景需求。进入数据智能阶段后，企业的需求更加复杂，各部门协同效应越来越明显。单一场景价值度有限，多场景才能发挥更大价值。
例如金融信贷领域，营销与风控必须结合，单单解决风控问题，实际落地时效果非常一般，因为最初吸引的流量很大程度会决定风控水平。因此，风控前置、营销风控一体化成为金融客户的新需求。
图15：合作分成
数据来源：爱分析
合作分成模式，通过头部企业客户合作运营业务，帮助企业客户解决完整场景问题，实现与企业客户的合作分成。数据智能公司的业务模式由提供技术、产品、咨询能力输出，变成重视运营能力，成为企业的技术外脑。
这类模式目前已经在少数领域和公司开始执行，如金融领域的助贷业务，营销领域帮助线下流量方提升广告价值，媒体领域百分点和人民出版社共同运营的“党员小书包”等。
3.3合作分成门槛高
但并不是服务所有场景的数据智能公司都适合采用合作分成模式，从技术赋能到合作分成需要两大前提条件：
• 成效可量化。合作分成的本质是成效分成，数据智能公司的服务成果必须可量化，需要非常清楚地计算出数据智能公司进入到业务场景中产生的价值。
• 具备运营能力。合作分成意味着数据智能公司要长期参与到业务过程中，深刻理解客户业务场景，具备业务运营能力，能够根据企业客户的需求，快速开发新产品及应用，不断迭代升级，满足企业的需求。
图16：合作分成两大条件
数据来源：爱分析
做增量市场价值优于存量市场。帮助企业降低成本同样可以合作分成，但本身存在很明显的天花板，企业原先在这项业务的投入成本就是天花板。对企业客户而言，创造新收入、新增长的业务价值度还是会高于节省成本的业务。
3.4 合作分成提升数据智能公司天花板
图17：从技术赋能到合作分成
数据来源：爱分析
数据智能的项目兼具IT属性和业务属性，仅仅解决IT需求价值度远远低于业务需求，而解决业务需求需要深入到业务场景中，也就是需要数据智能公司越来越贴近场景，只有在场景中，数据才能发挥价值。从技术赋能到合作分成，代表着数据智能公司与场景融合得越来越紧密。
合作分成意味着数据智能公司可以获得企业的业务预算，而不仅仅是IT预算，能够大幅提升数据智能公司在单一行业的天花板。以消费金融为例，技术服务只占到整个市场的1%，而助贷业务可以占到10%，市场规模增大至原先的10倍以上。
技术赋能基本都是项目制的收费模式，随机性强、受企业预算限制。合作分成意味着只要业务继续进行，就可以持续按照最终利润和成效分成，业务持续性强，不受企业预算限制。
合作分成意味着数据智能公司深入到业务场景中。数据智能公司对客户应用场景理解能力已接近企业客户本身，远远超出其他供应商。同时，合作分成代表着数据智能公司与企业客户深度绑定，企业客户的替换成本大幅提升，轻易不会更换供应商。
04
场景争夺成为主旋律
业务中台会不断沉淀行业Know-how，业务中台的能力和价值度会越来越强，未来数据智能公司的护城河都将是通过业务中台来建立。
业务中台本身是与场景强绑定的，因此，场景价值度会越来越大，对场景的争夺将是数据智能行业的主旋律。
4.1 数据价值降低，场景价值提升
4.1.1 直接对外提供标签和画像的业务模式受到政策限制
从《网络安全法》、《个人信息安全规范》等来看，政策对于个人隐私信息的保护日趋加强，个人隐私信息的范围也在不断扩大，从身份证号、手机号到出生日期、家庭住址等。
现阶段，基于设备ID对外提供标签和用户画像的业务模式尚属于合规范畴，但未来随着政策持续趋紧，基于设备ID提供数据服务的模式，同样会受到限制，也就意味着，未来直接提供基于个体的标签和用户画像对外的服务模式，会受到很大影响。
未来数据服务的模式主要是通过数据模型和数据应用对外提供服务，也就是数据必须要与场景结合，形成符合业务场景需求的数据产品。因此，提供数据服务的公司必须增加对场景的理解，即使是掌握银联、运营商等核心数据的公司，同样在贴近场景。
银联系公司银联智惠从最初主要以提供API接口服务为主，逐步将自身业务做重，更加贴近金融机构的场景，提供营销、风控建模等一站式服务。联通系公司智慧足迹，虽然本身具备联通大数据全量的信令数据，但其服务模式也在更加贴近应用场景，帮助企业客户解决选址、城市规划等业务需求。
4.1.2 场景深化，单一数据源价值正不断降低
业务中台的能力越来越强，沉淀的场景Know-how越来越多，意味着场景在持续深化。正如前文所言，场景深化过程中，会出现数据融合、技术融合，因此单一数据源能够发挥的价值逐步降低，场景理解的门槛正逐步变高。
以金融为例，最初运营商的数据在反欺诈环节会发生很大作用，直接通过验证手机号等身份信息就可以实现，但在强调风控前置、营销风控一体化的今天，反欺诈需要跟前端流量获取等营销环节打通，需要根据金融机构的风险偏好触及到相应的信用人群，才能做好风控，需要根据场景需求使用数据。
4.1.3 基于场景的数据闭环会越来越重要
图18：基于场景的数据闭环
数据来源：爱分析
单一场景的数据中台驱动形成业务中台，由业务中台支持业务场景落地，而业务场景又会不断反馈数据给到数据中台，整个流程会实现数据闭环，循环往复，最终会使得业务更加智能化。
场景本身会产生数据，这些数据应用在场景内不会受到限制。例如微信生态内的用户个人数据非常敏感，但基于微信数据，提供微信生态内的个性化广告、个性化服务的业务，数据本身不出场景，不受到太大限制。
场景内产生的数据价值未来一定会超过外部数据。场景中产生的是正在发生的“热数据”、“活数据”，用户在使用Google、百度等搜索引擎时，在搜索结果页上的每一次点击（或者翻页）都会作为行为数据被记录下来，这些数据才能真实反映用户当前在这个场景的偏好。
场景内产生的数据，一定会是最适合场景本身需求，场景内形成的反馈闭环，能够帮助算法持续迭代和产品的关键突破，使用户体验不断突破边界。
4.2 头部客户资源和业务中台构建场景壁垒
场景的价值度在逐步提升，这一过程中，能够将场景理解沉淀，同时形成反馈闭环的，一定是业务中台，因此，业务中台是构建场景壁垒的第一个核心因素。数据智能公司能够不断沉淀对场景的理解能力，建立自身的护城河。
FICO、SAS这样的公司能够牢牢占据金融市场，即使Experian这样有核心数据源的公司也很难替换前者的原因就在于，FICO和SAS在服务大量客户中，对金融场景非常了解，沉淀了很多模板和规则在平台上。
在业务中台沉淀场景理解过程中，服务行业头部客户是构建场景壁垒的第二个核心因素。单个垂直行业，头部企业面对的客户量最大，业务最为复杂，同时头部客户会引领行业发展，代表行业的未来，因此，头部客户的业务需求最有价值，最值得沉淀在业务中台之上。如果只服务腰部客户，存在被腰部客户带偏的可能。
图19：业务中台与头部客户的价值
数据来源：爱分析
同时，头部客户具备灯塔效应，同时能够辐射产业链上下游企业。头部客户的需求一定是最复杂的，要求一定是最严格的。因此，服务头部客户的案例更具备说服力，有助于同领域推广。同时，头部客户作为产业链的核心企业，上下游存在很多依附公司，获取头部客户，意味着能够服务其产业链上下游的企业。
05
跨场景要寻找数据洼地
数据智能公司的天花板由当前场景和跨场景能力决定。
场景价值提升，基于场景形成数据闭环，意味着依靠场景建立的壁垒会越来越高，其他数据智能公司越来越难以进入，未来数据智能公司越来越难以跨场景，天花板由当前场景决定。
现阶段，因为数据智能仍然处于发展早期，因此，数据智能公司依然能够跨场景。本章节将分析重点分析哪些数据智能公司能够跨场景、如何跨场景。
5.1 基础设施薄弱、竞争格局分散的场景容易进入
如前文所言，占据场景的核心是搭建业务中台和获取头部客户。数据智能渗透率较高、基础设施相对完善的场景，如金融、公安等领域，都已经开始搭建业务中台。而工业、零售等基础设施薄弱的场景，也就是数据洼地场景，目前还处于搭建数据中台和技术中台的阶段，这是数据智能公司的机会所在。
一旦基础设施完善，企业开始搭建业务中台时，数据智能公司必须直接解决业务问题，需要有较强的业务场景理解能力，此时对新进入公司而言难度很大。
因此，现阶段数据智能公司已经很难跨场景到金融，因为金融场景的数据基础设施已经很完善，新进入者必须直接帮助金融机构解决业务问题，很难与现有数据智能公司所竞争。
竞争格局相对分散的场景同样更容易进入，格局分散意味着相对头部公司众多。对新进入者而言，有机会找到尚处于数字化起步阶段的头部客户，通过服务这类头部客户，能够快速积累行业经验，占据一席之地。
例如，政务领域持续会有公司进入，尽管政务场景的基础设施已经趋于完善，但考虑到政府部门众多，同时省市级部门都有独立预算，格局相对分散，有些政府部门刚刚处于数字化转型的初期，因此，仍然会有机会进入。
5.2 技术能力、数据资源是跨场景的条件
图20：跨场景的条件
数据来源：爱分析
数据智能公司如果能够跨场景，必须存在相对通用性的核心能力。因此，完全面向垂直场景解决行业应用问题的公司很难跨场景，跨场景公司一定是具备搭建中台的能力。
三大中台中，业务中台与场景会深度绑定，很难跨场景。相对而言，技术中台和数据中台场景属性相对较弱，具备跨场景的能力。因此，对于数据智能公司而言，具备帮助企业搭建数据中台和技术中台能力的公司，能够进入其他场景。
搭建数据中台和技术中台的数据智能公司，一类是技术能力很强的公司，面向基础设施相对薄弱的场景，能够通过自身技术能力，帮助企业客户完善基础设施，完成技术中台和数据中台的搭建。
例如，明略科技能够从公安领域，切入到工业、零售等领域，主要是在公安领域处理海量数据时积累的数据治理和知识图谱建设的能力。在金融领域时，明略科技最初也主要服务保险这个基础设施相对薄弱的场景，没有直接进入到银行体系。
另一类是具备独特数据资源的公司，有些场景的企业客户还停留在数据收集阶段，有独特数据资源的公司能够基于自身积累的数据，帮助企业客户补足数据缺失的空白，快速开展应用落地。
例如，联通系公司通过自身积累的位置信息数据，辅助政府实现城市规划设计的研究分析，帮助大型商超基于客流数据进行选址。联通系公司本身是不具备这方面的场景理解能力，但因为位置数据的独特性，因此，可以进入到政府、零售等行业。
随着政策逐步收紧，独特数据资源公司未来价值度会有所降低，而且从长期来看，场景内数据会价值度更高。因此，数据资源公司的跨场景能力长期来看会弱于技术能力很强的公司。
除了通过技术和数据跨场景外，投资并购也是跨场景的方式。行业内头部公司，可以通过投资收购的方式，快速获取一个场景经验和客户资源，实现跨场景。
国外第一家上市的大数据公司Splunk，通过收购Caspida，快速建立对安全细分场景UEBA领域的场景经验，从而快速提升在安全领域的市场占有率。
06
三大应用场景相对成熟
帮助企业搭建业务中台能够大幅提升数据智能公司的天花板，也就是数据智能在单个行业的潜在市场规模。具体落地各个行业，行业本身的基础设施成熟度和商业成熟度，影响了当前的市场规模。
6.1 金融、品牌营销、政务领域相对成熟，工业和农业仍处于早期
基础设施成熟度主要与行业的信息化、云化、数据资产化等有关，而商业成熟度则与该领域数据智能处于什么阶段、数据智能对业务环节改造程度有关，气泡大小表示数据智能在该行业当前的市场规模。
图21：数据智能在各个应用场景的成熟度
数据来源：爱分析
目前来看，数据智能在金融、品牌营销、政务领域相对成熟，零售、医疗等领域即将进入成熟阶段，而工业、农业等依然处于早期，数据智能在各个行业发展极为不平衡。
6.2 金融
金融是数据智能非常成熟的行业，在基础设施和商业应用方面都领先于大部分行业。
基础设施方面，金融的信息化、云化一直是走在最前面，每年金融IT预算投入超过1,500亿元，几乎所有金融机构都已将业务向云化迁移。同时，金融大部分数据都是结构化数据，数据标准化程度高，因此，数据资产化程度很高。
以招商银行为例，根据财报，招商银行2018年已经实现三分之一的应用迁移到云架构，数据湖不断扩容，入湖数据比上年增长53.91%，形成1.7万个数据项。
商业应用方面，从2013年开始大数据就在应用于风控、反欺诈等场景，到现在已覆盖信贷完整业务场景，从前端营销获客、到风控反欺诈、再到贷中监控、贷后催收。在普惠金融领域，数据智能已经可以替代业务人员进行审批、授信，实现“秒级审批”、“秒级放贷”。
新颜科技基于数据提升平台风控能力
新颜科技是一家专注技术驱动产品创新的金融科技公司，通过云计算、机器学习等技术，逐步打造了以人工智能为核心的先进技术体系，面向非银信贷、银行、保险等领域提供多场景、覆盖信贷全生命周期的智能风控产品设计与开发。凭借在深度学习方向丰厚的技术沉淀，新颜科技迅速跻身行业领先地位，目前日峰值调用量过千万，合作机构超过2,500家。
在智能风控领域不断深耕的过程中，新颜科技服务了多家持牌消费金融机构，也累积了众多知名互联网金融公司及银行等合作伙伴。通过多场景、全流程的业务覆盖，构筑金融科技“护城河”，助力金融机构“降本增效”。
在某互金平台旗下的多种消费分期产品中，有一款针对蓝领人士推出的信贷业务，该业务的平均授信额度稳定在2,000元左右，一经推出便在目标客群中获得了超出预期的热烈反响。但风控方面的缺失导致平均坏账率达到5.6%，伴之高居的逾期率和欺诈案件的时有发生，导致业务规模的增长进入瓶颈期。
经初期咨询与评估，该平台自2018年9月以联合建模的方式接入了新颜科技智能雷达等产品。在有针对性地调整和优化了自有机器学习模型之后，该平台平均坏账率最终降低至3%左右。随着风控水平的提升，该公司也同步增加了导流渠道，月均交易金额由1,500万稳步提升至近4,000万，月均毛利提升400%。
图22：某商户2018年业务发展
数据来源：新颜科技
新颜科技智能雷达在帮助平台提升风险控制能力、快速扩张业务方面起到了重要作用。通过模型计算与客户反馈，在使用智能雷达、智能探针等产品服务后，客户坏账率普遍能够真实降低2-5个百分点。
6.3 品牌营销
品牌营销是数据智能发展最早、最为成熟的行业，大数据在最先落地的就是品牌营销中的广告业务。
基础设施方面，线上营销场景是完全云化、数据资产化，活动等线下营销场景也可以通过WIFI、蓝牙等方式实现对用户行为的完全跟踪。品牌企业自身的云化、数据资产化也在快速推进中，DMP平台从最初只面向广告场景，逐步演变成面向所有营销环节的数据中台。
商业应用方面，品牌营销在广告场景中已经实现完全自动化，数据智能对广告场景已经进入业务重塑阶段。在其他营销场景中，基于社交数据的营销自动化、基于海量数据形成消费者画像等业务也趋于成熟，基于数据进行业务决策是品牌营销中相对普遍的情况。
HyperS宏路数据为品牌广告主搭建数据中台，实现个性化营销
上海宏路数据技术股份有限公司（以下简称HyperS宏路数据）创立于2008年，是行业领先的智能数字产品运营商，长期服务汽车、消费品和金融领域的众多国内外头部企业、全球500强客户。
从企业第一方数据监测分析，到多渠道多触点的用户数据融合，以及跨屏跨设备的用户数据激活，HyperS宏路数据帮助企业打通投放、行为、业务数据，构建完整增长闭环，实现精准获客与精细化运营，有效提升ARPU值。
为了精准刻画人群特征、实现个性化营销和数据驱动业务场景与运营，某全球顶尖快时尚品牌不得不面对以下难题：
（1）愈发繁杂的数据源：随着进入数字化营销时代，该品牌获取的数据愈发零散，且这些数据往往都是孤立存在，它们既有线上数据，也有门店销售、门店电子支付等线下数据。
（2）零碎的消费者画像：层出不穷的媒介载体，日益碎片化的触达时段及场景，让企业愈发难以真正了解消费者的意愿。
（3）CRM达到瓶颈：该品牌现有的CRM系统，无法满足海量数据和增量的处理计算，也无法跟踪消费者全生命周期动态。
图23：HyperS宏路数据企业增长云产品体系
数据来源：HyperS宏路数据
HyperS宏路数据为该品牌设计搭建了具备海量数据存储与运算能力的数据中台，打通并整合包括天猫商城、官方App、会员中心、微信H5、线下门店、电子支付数据、门店大屏扫码等多个数据源，真正实现数据资产的有效统一整合。
基于数据中台所整合的海量消费者数据，该品牌快速搭建完整的全景用户画像标签体系，深入洞察目标客群特征。
优惠券和促销活动是该品牌提升互动和转化的重要方式。基于数据中台里丰富的用户标签，该品牌能够按需快速挑选目标人群并根据业务场景分组，同时针对这些人群投放个性化优惠券。通过分析后续几天的购买数据，该品牌惊喜发现某几组人群的优惠券转化率为100%。该品牌真正开始以数据为导向，精准策划活动触达，在提升消费者下单复购的同时，有效降低营销成本。
HyperS宏路数据董事长袁国玮表示，未来HyperS宏路数据将继续探索将世界领先数据智能技术和中国本土营销智慧的结合，与实体企业一起打造+互联网的、面向未来的高效运营模式，让世界见证产业互联网领域的中国力量。
6.4政务
政务领域的基础设施相对成熟，但商业应用成熟度大多数场景仍然处于洞察阶段。
基础设施方面，政府部门信息化投入一直很大，电子政务市场投入超过2000亿元。同时，政务云化进程很快，在我国334个地级行政区中有235个地级行政区已经建设或者正在建设完成招标政务云，整体占比超过70%。数据资产化方面，各个省市政府都在成立大数据局，通过大数据局实现政府内部数据的统一管理。
商业应用方面，早年政府主要是建设数据大屏，利用数据实现对业务的监测。随着各地政府数据的统一管理，基于各个部门的数据能够实现更深度的数据洞察，促使政府工作更加精细化开展，如精准扶贫、政策精准推送等。
智能语音提升服务效率，集奥聚合赋能政府客户
集奥聚合是中国领先的大数据及人工智能场景化应用解决方案提供商。致力于提高行业效率，公司坚持走科技创新道路，利用新兴技术为B端企业赋能，不断为客户创造价值。
经过几年的努力，现已经形成了人工智能—AI建模平台、智能语音、图文识别，风控安全--反欺诈识别、设备指纹、信息核验，智能风控--决策引擎、信用评分, 智能营销—易获客、营销评分等四大产品技术体系。
政府是集奥聚合关注的重点行业之一，并且其智能语音产品已经在工商、交通、公安、人社等多部门落地应用。在某人社厅服务热线中，主要会面临整体呼叫量巨大、周期性起伏大、问题集中度高以及数据分析需求强等问题。
集奥聚合智能语音平台通过语音导航热线，用户通过简单按键即可进入自助语音办理业务，精准进行人群分流，高效与人工协同配合，有效降低现有客服人员工作压力，提高服务质量与客户满意度，提升整体服务效率，降低电话排队时间。根据数据分析显示，集奥聚合智能语音导航系统上线后仅一个月内，已帮助该人社厅分流业务达30%，自助化服务率比原来提升3.5倍，节省约100人工的工作量，将整体ROI提升3-5倍。
此外，随着政府机构服务意识的提高，呼叫中心业务不断增加，但绝大部分呼叫中心抽检录音率不足3%，再根据随机抽查结果对通话有问题的座席进行专业训导，根本无法持续保证服务质量。
图24：集奥聚合智能语音质检分析
数据来源：集奥聚合
通过集奥聚合智能语音质检分析平台，预先设定好质检规则，自动实现100%全量质检，可实时获取服务质量不高的通话录音，人工质检员只需要针对必要的录音文件进行确认质检，从而极大提高工作效率及服务水平。并且智能分析模块可对海量语音数据做到全方面系统化分析挖掘，如热点分析、需求分析、聚类分析等多维度分析方法，有效进行录音数据价值利用，助力政府机构进行舆情掌控及民意需求挖掘。
未来，集奥聚合将密切关注市场动态和行业变化，通过技术优势打造更多极具革新的产品。
6.5零售
尽管零售行业的整体信息化水平较低，但受到互联网业务冲击，零售行业是最积极拥抱数据智能的行业。
基础设施方面，零售的信息化程度和IT投入较低，当前零售IT投入只有200亿左右，但零售的云化和数据资产化在快速推进，特别是在线上线下数据打通方面，零售企业受到政策限制较少，这方面进展甚至超过金融行业。
商业应用方面，限于当前零售整体基础设施还相对薄弱，大部分零售行业的数据应用还处于早期阶段，在“人、货、场”三个核心因素方面，除了基于用户的应用相对成熟外，针对卖场和商品的数据应用仍然处于相对早期阶段。
互道为零售商打造智慧中台，支撑超级门店
成立于2014年的互道（NEXTTAO），是一家基于智慧中台的零售行业解决方案提供商。自成立以来，互道已成功服务了绫致、太平鸟、海澜之家、GAP、蔚来汽车、星巴克等国内外知名企业。
互道的核心产品是一款将“实时海量数据中台”和“高并发在线业务中台”合二为一的企业级数据智能中台——“源力DataForce”。互道以此产品为基础，成功打造了一套新一代的数据化实时零售系统。
图25：基于互道DataForce智慧中台的零售系统规划示例
数据来源：互道
随着零售线上线下渠道的融合，零售企业的电商平台、自有商城、社交平台、线下门店等渠道的业务系统割裂，无法实现统一的营销及会员管理，也难以支撑智能化的数据分析。
“源力DataForce”在不影响企业原有系统使用的情况下，帮助企业完成ERP、CRM、WMS、POS等割裂业务系统的整合及碎片化数据的集中处理，让企业建立自己的数据银行，同时保证线上线下商品、订单、会员等数据的实时在线更新，并以此为零售企业新零售业务的拓展和智能化提供有效的数据支撑。
此外，互道“源力DataForce”的中台架构兼具强兼容和扩展性，系统内封装完成了适用于各种业务场景的复杂逻辑处理，支持近千个API标准数据接口，支持企业快速对接零售智能应用和业务相关小程序，帮助企业减少原有业务系统的改造，降低新零售业务系统的研发投入成本。在互道中台之上，互道也提供门店数据智能终端“盈力ShopForce”、全渠道会员中心“FansForce”等数字化应用。
“源力DataForce”能够协助企业迅速构建业务中台，便于统一管理各业务模块，实现全渠道营销促销统一、多场景促销校验和360°精准的会员、商品、活动的管理分析等前端应用。系统具备高并发计算优势，支持10亿数据量秒级响应、百万级SKU、1,000万以上会员以及千万级的日订单吞吐量。
绫致集团是互道服务的典型客户。绫致集团旗下主营ONLY、VERO MODA、SELECTED、JACK&JONES及J.LINDEBERG五大品牌，拥有上万家门店、数千家奥特莱斯折扣店，多家海外店，门店采用全直营模式，年销售额达百亿级，目前是中国最大的服装集团。
面对快速变化的前端业务场景，绫致集团原有的业务系统架构面临着数据分散割裂、系统性能到达瓶颈、会员购物体验差、不能满足新业务需求、店务管理落后、会员管理过于粗放等痛点。
基于智慧中台架构，互道为绫致提供了新一代智慧零售解决方案，助力绫致集团实现离散系统整合、全渠道数据整合、全渠道会员场景衔接等需求，拥抱新零售。
互道认为，企业未来的发展将更多基于数据的整合和流通，并基于数据驱动业务决策和执行。因此，企业级数据系统将是继ERP之后最重要的企业级核心系统。互道致力于用智慧中台帮助传统品牌零售企业实现转型，并成为一家影响世界的企业数据技术服务领袖公司。
6.6医疗
与零售行业相反，医疗行业是信息化成熟较高，但商业应用方面相对滞后的行业。
基础设施方面，医疗行业基本都已经实现了信息化，但存在大量非结构化数据，因此，医疗行业整体的数据资产化进展相对较慢。
结语
大数据行业经历近十年发展，已经进入到数据智能阶段，数据正在改造企业的业务流程。场景价值的提升，使得大数据行业竞争关键从争夺数据变成争夺场景。
展望未来，当知识图谱等技术在各行各业全面落地，人机交互技术愈发成熟后，大数据将由决策进入到下一个阶段，业务重塑阶段。届时，人机协同将成为主流，通过人与机器的配合，充分发挥人的创造力和机器的计算力，推动整个行业的升级。
关于爱分析
爱分析ifenxi是一家专注于科技创新领域的研究机构，通过判断技术应用及行业发展趋势，以公司价值研究为内核，服务于企业决策者和机构投资者。爱分析重点关注技术和数据创新，以及由此带来的商业模式、行业与市场以及产业链变革机会，覆盖领域包括金融、企业服务、教育、汽车、零售、房产、医疗及工业等。
截至当前，爱分析已调研以上领域优质企业超过2500家，涵盖一、二级市场，并撰写超过百份榜单及行业报告，系统积累了各行业及公司研究方法和评价体系，建立起了广泛、专业的影响力。同时，爱分析已服务众多客户，包括各行业标杆公司、上市公司及主流一二级机构投资者。
法律声明
此报告为爱分析制作，报告中文字、图片、表格著作权为爱分析所有，部分文字、图片、表格采集于公开信息，著作权为原著者所有。未经爱分析事先书面明文批准，任何组织和个人不得更改或以任何方式传送、复印或派发此报告的材料、内容及其复印本予任何其它人。
此报告所载资料的来源及观点的出处皆被爱分析认为可靠，但爱分析不能担保其准确性或完整性，报告中的信息或所表达观点不构成投资建议，报告内容仅供参考。爱分析不对因使用此报告的材料而引致的损失而负上任何责任，除非法律法规有明确规定。客户并不能仅依靠此报告而取代行使独立判断。
北京爱分析科技有限公司2019版权所有。保留一切权利。
注：点击左下角“阅读原文”，可下载完整版《爱分析·中国数据智能行业报告》。
点击图片，了解金融科技论坛详情或报名
榜单
咨询、合作、进群，请联系爱分析小秘
微信 ifenxi419