来源：蜘蛛抓取(WebSpider)
时间：2023-03-18 07:46
标签：
数据治理什么意思
继土地、劳动力、资本、技术之后，数据现已成为五大生产要素之一。
以海量数据作为支撑，数据要素市场空间十分广阔。但是，虽置身于千亿蓝海市场，大多企业对于自身数据的价值发现和交易都缺乏敏感度。相关数据显示，2020年的数据场内交易占比不足5%。
11月17日，2022中国互联网大会“数据要素流通论坛”在深圳国际会展中心举办。深圳数据交易所总经理宋家骅在主题演讲中透露，深圳数据交易所交易金额超过了11亿元，交易415笔，其中包括14笔跨境数据交易，数据交易应用场景已经超过53个。
在论坛上，深圳数据交易所正式发布了数据开发者培养计划。记者了解到，“开发者培养计划”将由深圳数据交易所联合政府机构、数据源方以及数据流通技术方等模拟数据交易市场，为广大的开发者、高校、学生、企业开发者提供基于数据安全可信的环境，构建基于开发者自身认知的行业应用孵化场景。其目标包括培育数据开发稀缺人才，丰富数据场景应用，以及匹配企业数据业务需求。
宋家骅表示，数据跟其他生产要素不一样，往往需要有一个数据治理和数据开发过程。我们希望联合伙伴一起提供一个很好的应用载体，利用我们的交易平台提供一个集中、安全、可信的数据流通环境。
“以数据资产作为新价值源泉”
近年来，我国数字经济产业迅速发展。在中国互联网大会“数据要素流通论坛”上，工业和信息化部电子第五研究所副所长王蕴辉表示，当前数据要素市场迎来了需求爆发的机遇期和发展的黄金期，我国数据资源丰富，这为数据要素市场化的发展提供了先决性基础。
2020年4月，《关于构建更加完善的要素市场化配置体制机制的意见》公布，这是中央第一份关于要素市场化配置的文件，数据作为一种新型生产要素写入文件。
此后，围绕数据要素市场的政策文件密集出台，不断构筑产业发展的新动能。据工信部信发司副司长王威伟介绍，工信部深入贯彻国家大数据战略，积极推动顶层设计不断完善，制定出台《“十四五”大数据产业发展规划》。推进我国数据要素市场建设，既对提升大数据产业基础能力和产业链现代化水平提出了更高要求，同时也为大数据产业发展带来更广阔、更丰富的价值空间。
其实，在此之前，围绕数据交易的探索就已经展开。2015年4月，我国第一家大数据交易所——贵阳数据交易所正式挂牌运营。其后，各地数据交易所建设进度不断加快，北上广深等城市争先布局。今年以来更是动作频繁，9月16日，苏州市大数据集团有限公司苏州大数据交易所正式揭牌。9月30日，广州数据交易所揭牌仪式举行，标志广东省级数据交易机构正式成立。11月15日，深数所正式揭牌成立，同时启动首批线上数据交易。
值得注意的是，企业是数据要素开发的主体之一，作为企业的新型资产，数据的价值愈加重要。清华大学互联网产业研究院院长朱岩在论坛上表示，以数据要素作为新生产资料，数据正在参与企业生产(运营)的全过程。如数据参与创新，有数据作为记录，可以改变创新合作的模式，如创新联合体；数据参与设计，如BIM(建筑信息模型)等设计模式逐渐成为市场主流；数据参与生产，包括智能工厂等；数据参与流通，如各种各样的电子商务平台；数据参与客服，使智能客服变得越来越普及，等等。
朱岩强调，企业原来以实体产品、资产作为(价值)源泉，现在需要转入以数据资产作为新价值源泉，企业掌握的数据资源规模、数据鲜活程度，以及对数据的采集、分析、处理、挖掘能力决定了企业未来的核心竞争力。
企业如何抢滩数据蓝海？
但是，即便实现了从0到1的突破，从1到N来看，数据要素市场的发展潜力仍有待挖掘。
以数据交易为例，相关数据显示，2020年国内大数据要素市场规模达545亿元，但场内数据交易只占总体交易市场规模的4%，大量数据需求通过非正式渠道进行流通。
论坛上，王蕴辉提醒，数据要素市场存在着优质数据资源匮乏、数据开发利用水平不高、数据交易流动性不足等问题。她称，据测算，我国2021年数据交易额为73亿美元，与数据产量的比例仅为(世界)第一大市场的1/15左右。因此，加强数据流通、开发利用和安全治理，充分挖掘数据要素的价值成为推动数据要素市场培育的关键。
目前来看，“很多企业对自身企业的数据没有概念，对于自身数据的价值发现和交易并不清楚。”王威伟指出。在此背景下，工信部印发《企业数据管理国家标准贯标工作方案》，组织开展数据管理能力国家标准贯标工作试点，引导企业提升数据管理能力。
与此同时，深数所在全国范围内率先创立“数据合规服务工作站”模式，赋能数据流通交易的“最后一公里”，与合作伙伴共同推动数据要素资源安全、合规、高效的流通。据介绍，目前深数所已设立园区级、协会级、平台企业级、区域级首批示范工作站5个，计划在未来三年内设立100家以上工作站。
在市场建设的过程中，数据治理是一大关键。朱岩在会上分享，数据治理主要包括五项核心内容：以释放数据价值为目标、以数据资产地位确立为基础、以数据管理体制机制为核心、以数据共享开放利用为重点、以数据安全与隐私保护为底线。
作为市场主体，企业同样是数据治理的重要参与方。围绕此，朱岩分享了六条可供企业参考的管理路径。一、编制企业的“数据治理制度”，二、建立首席数据官(CDO)制度；三、打造企业云、链系统，提升企业的数据质量；四、引进数据封装技术，形成企业数据资产；五、以资产数字化为入口，建设企业数字空间；六，面向产业链和产业生态，探索数字空间对接、数据资产交易机制。
朱岩表示，企业数据治理制度的核心理念是促进数据在企业、产业链、产业生态之中的流动，从而推进数据确权、定价、流通、交易，促进数据价值实现。他表示，企业数据治理制度是我国多层次数据基础制度的重要组成部分，希望更多的企业能够建立起自己独特的企业数据治理制度，为探索中国数字经济的发展找到一条切实可行的路径。
数据的“可用不可见”
硬币的这一面，是促进数据流通与交易，另一面，则是确保数据安全。深圳市委网信办副主任张忠亮在接受21世纪经济报道记者采访时强调，“数据只有在流通中才能实现价值，目前市场上的数据流通需求很旺盛，但在促进数据流通与交易的同时，也要做好安全保障，这是产业健康发展的两个轮子。”
数据安全，是指通过采取必要措施，确保数据处于有效保护和合法利用的状态，以及具备保障持续安全状态的能力。在实际情景中，如何兼顾数据使用与隐私保护是一大难题，隐私计算的重要性随之凸显。隐私计算，是指在保证数据提供方不泄露原始数据的前提下，对数据进行分析计算的一系列信息技术，实现数据在流通与融合过程中的“可用不可见”。
香港科技大学计算机与工程系讲座教授和前系主任、中国人工智能学会(CAAI)荣誉副理事长杨强在会上介绍，联邦学习即建立一个全局模型，让模型参数不断成长，但数据不出本地，不被别人所见。他称，这一概念为联邦学习1.0版本，如今进入到联邦学习的2.0版本——可信联邦学习，相较于联邦学习，可信联邦学习效率更高、模型性能更强、同时兼顾安全保护，但要在三方面都要提高标准的前提下要把算法和平台设计好非常难，这时候可以引入人工智能算法，比如“生成对抗网络”，将其与联邦学习进行结合可使本地模型产生一个防火墙，借此可大大降低原始数据受到攻击的可能性。
而对于隐私计算技术的普及应用，开源十分重要。2019年，微众银行正式开源全球首个工业级联邦学习框架FATE，可让企业和机构在保护数据安全和数据隐私的前提下进行数据协作。据悉，FATE已迭代至1.9版本，并于2021年4月在行业内第一次实现了异构联邦学习平台的互通。
针对数据开源，深数所也迈出了关键一步，其联合50家国家单位、智库、高校及大型金融机构、互联网公司共同发起成立开放群岛(Open Islands)开源社区，这是国内首个国际化自主可控隐私计算开源社区，同时也是国内首个依托于数据要素流通场景的数字技术开源社区。
9月3日，开放群岛平台1.0 Alpha开源版本正式亮相。同时，开放群岛社区联合FATE开源社区、百度云、腾讯云、京东科技五家单位，共同发起“隐私计算开源协同计划”，旨在打破数据孤岛、平台孤岛，乃至开源平台孤岛，促进隐私计算平台互联互通。
（文章来源：21世纪经济报道）
导读：本文介绍数据治理有关的名词和概念。当然，与数据治理相关的概念非常多，以下仅罗列几个常见的。
作者：用友平台与数据智能团队
来源：大数据DT（ID：hzdashuju）
01 数据元
1. 名词解释
国标[GB/T 18391.1—2002]对数据元的定义为：“用一组属性描述定义、标识、表示和允许值的数据单元。”
数据元由三部分组成：对象、特性和表示。数据元是组成实体数据的最小单元，或称原子数据。例如个人信息中，手机号为数据元，“135********”为数据元的值；性别为数据元，“男”和“女”为数据元的值。
2. 主要作用
作为最小颗粒度的数据，数据元是对数据进行标准化定义的基础，也是构建统一、集成、稳定的行业数据模型的基础。
在企业数据治理中，数据元是需要标准化的对象，一个数据元对象有且只有一个数据特性，每个数据特性对应一个数据表示。例如：人员的性别中的“男”是一个数据元对象，用数字“1”来表示。
3. 应用举例
数据元早期在金融、医疗等领域应用非常广泛，国家相关单位发布了关于数据元管理的一系列技术标准和行业标准，如《CFDAB/T 0301.3—2014食品药品监管信息基础数据元 第3部分：药品》。图1-1所示为食品药品监管信息基础数据元标准。
▲图1-1 食品药品监管信息基础数据元标准
02 元数据
1. 名词解释
元数据是描述数据的数据或关于数据的结构化数据。
你是不是看了这个定义依然一头雾水？那我们来举个例子。一本书的封面和目录向我们展示了这样的元数据信息：图书名称、作者姓名、出版商和版权细节、图书的提纲、标题、页码等。
2. 主要作用
在数据治理中，元数据是对数据的描述，存储着数据的描述信息。我们可以通过元数据管理和检索我们想要的“书”。可见元数据是用来描述数据的数据，让数据更容易理解、查找、管理和使用。
3. 应用举例
元数据是业界公认的数据治理中的核心要素，做好元数据管理，能够更容易地对数据进行检索、定位、管理和评估。用哲学的思维理解元数据的话，元数据其实解决的是我是谁、我在哪里、我从哪里来、我要到哪里去的问题。
元数据是建设数据仓库的基础，是构建企业数据资源全景视图的基础，清晰的血缘分析、影响分析、差异分析、关联分析、指标一致性分析等是数据资产管理的重要一环。
如果说数据是物料，那么元数据就是仓库里的物料卡片；如果说数据是文件夹，那么元数据就是夹子的标签；如果说数据是书，那么元数据就是图书馆中的图书卡。
03 主数据
1. 名词解释
主数据是企业内需要在多个部门、多个信息系统之间共享的数据，如客户、供应商、组织、人员、项目、物料等。与记录业务活动、波动较大的交易数据相比，主数据（也称“基准数据”）变化较慢。主数据是企业开展业务的基础，只有得到正确维护，才能保证业务系统的参照完整性。
主数据具有3大特性、4个超越。
2. 主要作用
在数据治理中，主数据用来解决企业异构系统之间核心数据不一致、不正确、不完整等问题。主数据是信息系统建设和大数据分析的基础，被认为是企业数字化转型的基石。
3. 应用举例
不同行业、不同领域的主数据的内容不同。例如：在制造型企业中，核心主数据有物料、BOM、设备、客户、供应商、人员等；在金融行业中，客户、客户关系是主数据管理的核心；在政府各部门，人口、法人、证照等是主要的主数据。
04 业务数据
1. 名词解释
业务数据是业务活动过程或系统自动产生的既定事实的数据，也称交易数据。业务数据来自三个方面。
第一，业务交易过程中产生的数据，例如计划单、销售单、生产单、采购单等，这类数据多数是手动生成的。
第二，系统产生的数据，包括硬件运行状况、软件运行状况、资源消耗状况、应用使用状况、接口调用状况、服务健康状况等。
第三，自动化设备所产生的数据，如各类物联网设备的运行数据、生产采集数据等。
不论源自何处，业务数据的共同特点是：时效性强，数据量大。
2. 主要作用
业务数据主要面向应用，为业务应用提供服务，例如生产、销售、采购、设备管理、系统管理等。
3. 应用举例
表1-1是某企业的产品销售记录，这是一种非常重要的业务数据。
▼表1-1 某企业的产品销售记录
05 主题数据
1. 名词解释
主题数据是根据数据分析的需要，按照业务主题对数据所做的一种组织和管理方式，其本质是为了进行面向主题的分析或加速主题应用的数据。
主题数据是分析型数据，是按照一定的业务主题域组织的，服务于人们在决策时所关心的重点方面。一个主题数据可以由多个主数据和交易数据组成。主题数据一般是汇总的、不可更新的、用于读的数据。
2. 主要作用
主题数据是按照一定的业务主题域组织的，服务于各种数据分析或应用开发。
3. 应用举例
主题数据与行业或领域有较大的关系，不同行业关注的主题是不一样的。即使是同一行业，不同企业也有不同的主题数据定义。
例如，某生产制造企业定义了12大主题数据，包括综合服务、人力资源、财务管理、质量管理、生产管理、工艺管理、库存管理、销售管理、采购管理、设备管理、能源管理和安全环保。
06 数据仓库
1. 名词解释
数据仓库（Data Warehouse，DW）是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。数据仓库是数据库的一种概念上的升级，可以说是为满足新需求而设计的一种新数据库，需要容纳更加庞大的数据集。本质上，数据仓库与数据库并没有什么区别。
2. 主要作用
数据仓库是为企业所有级别的决策制定过程提供所有类型数据支撑的战略集合，有以下三个主要作用。
数据仓库是对企业数据的汇聚和集成，数据仓库内的数据来源于不同的业务处理系统，包含主数据和业务数据。数据仓库的作用就是帮助我们利用这些宝贵的数据做出最明智的商业决策。
数据仓库支持多维分析。多维分析通过把一个实体的属性定义成维度，使用户能方便地从多个维度汇总、计算数据，增强了用户的数据分析处理能力，而通过对不同维度数据的比较和分析，用户的数据处理能力得到进一步增强。
数据仓库是数据挖掘技术的关键和基础。数据挖掘技术是在已有数据的基础上，帮助用户理解现有的信息，并对未来的企业状况做出预测。在数据仓库的基础上进行数据挖掘，可以对整个企业的发展状况和未来前景做出较为完整、合理、准确的分析和预测。
3. 应用举例
数据仓库是数据分析和数据可视化的基础，通过将来自不同业务系统的数据汇集到一起，并按照一定的主题进行编号、归类、分组，方便用户快速定位数据源，为数据分析提供支撑。
为了提升数据仓库的数据质量，确保数据分析的准确性，数据仓库的建设需要实施数据治理的策略。很多企业的数据治理项目实施的动因都是解决数据仓库中的数据质量问题，以便获得更准确的分析决策。
07 数据湖
1. 名词解释
根据维基百科的定义，数据湖是一个以原始格式存储数据的存储库或系统。它按原样存储数据，而无须事先对数据进行结构化处理。数据湖可以存储结构化数据（如关系型数据库中的表）、半结构化数据（如CSV、日志、XML、JSON）、非结构化数据（如电子邮件、文档、PDF）和二进制数据（如图形、音频、视频）。
数据湖可以更方便、以更低的成本解决不同数据结构的统一存储问题，同时还能够为机器学习提供全局数据。我们可以将数据湖理解为一个融合了大数据集成、存储、处理、机器学习、数据挖掘的解决方案。
2. 主要作用
关于数据湖的作用，AWS将它与数据仓库进行了类比，如表1-2所示。
▼表1-2 来自AWS的数据湖与数据仓库的对比
3. 应用举例
数据湖不是一个产品或工具，它是融合了数据采集、数据处理、数据存储、机器学习、数据挖掘等技术和工具的解决方案。数据湖支持处理不同类型的数据和分析方法，以获得更深层次的洞见所必需的扩展性、敏捷性和灵活性。亚马逊AWS、Informatica、阿里云、华为云、用友等都推出了数据湖解决方案。
数据湖的出现给数据治理带来了一定的挑战。数据湖将数据全部集中存储，那数据治理是在“湖中”治理还是在“湖外”治理，这是个需要企业研究和探索的问题。
本文摘编自《一本书讲透数据治理：战略、方法、工具与实践》，经出版方授权发布。（ISBN：9787111694489）
(欢迎大家加入数据工匠知识星球获取更多资讯。)
联系我们
扫描二维码关注我们
微信：SZH9543
邮箱：ccjiu@163.com
QQ：2286075659
热门文章
《制造业数字化转型路线图》白皮书正式发布（内附下载链接）
一文读懂什么是元宇宙（内附下载链接）
图解《个人信息保护法》及55条改动对比丨（内附下载链接）
终于有人把数字化转型的关键点讲明白了！
详解数据可视化的4种类型：手把手教你正确选择图表
从COBIT5谈谈IT治理（内附下载链接）
IT建设目标及IT规划初步方案（内附下载链接）
数据安全法规及标准建设（内附下载连）
我们的使命：发展数据治理行业、普及数据治理知识、改变企业数据管理现状、提高企业数据质量、推动企业走进大数据时代。
我们的愿景：打造数据治理专家、数据治理平台、数据治理生态圈。
我们的价值观：凝聚行业力量、打造数据治理全链条平台、改变数据治理生态圈。
了解更多精彩内容
长按，识别二维码，关注我们吧！
数据工匠俱乐部
微信号：zgsjgjjlb
专注数据治理，推动大数据发展。
附加内容, 使用此功能的话, 会给所有参加过讨论的人发送提醒.
打开网易新闻 查看更多图片
本文编自3月4日［数据动力私享会］北京站演讲嘉宾之一——海致BDP解决方案专家 王杰伟分享的内容。
大家好！我今天分享的内容是《深挖企业数据化运营》。
我非常喜欢“挖”这个字，特别是这里提到“深挖”，因为有了各个项目的积累才会有今天“深挖”的资本。下面就开始《深挖企业数据化运营》的讲述。
在BDP今年的年会中，我们的创始人之一任旭阳说：“海致要致力于业务洞察，BDP要重新定义BI。”我们如何实现业务洞察？当我们有了一堆的数据，有了很好的想法，要怎么样把这个想法落实于指导业务？光有展示或者光有结果是不行的，所以在这个过程当中，我们积累了很多不同类型的企业用户，再加上行业专家的储备、解决方案的储备，给所有行业推出一种全新的业务洞察的服务，这也是我们的发展方向与愿景。
一、如何实现数据化运营的过程？｜先逻辑，后数据，再决策
先逻辑、后数据、再决策，这是BDP主要服务流程。共分为5个部分：
自上而下——定义指标库，确定项目范围。谁要实现数据化运营？要实现哪些方面的数据化运营？对于企业、政府以及事业单位，我们要先自上而下，确定分析内容。
数据闭环——接入分析数据，整理数据。这是BDP服务流程第二部分，也是非常重要的部分。我们会把企业内部的数据、外部的数据、竞争对手的数据，包括行业数据都囊括进行做一些综合性分析，所以我们要做到数据闭环。
搭建模型——打通数据关系，搭建数据模型。从数据分析的视角，搭建很多数据模型，就是打通数据链条、打通数据之间的关系。
数据分析——围绕项目范围，制定分析成果。围绕之前提到的分析哪些内容，制作分析成果。
权限分配——根据用户权限，分配数据资产。
二、数据化运营过程中，问题会出现在哪？
接下来我就通过“深挖”，也是我们团队的经验积累，给大家分享一下数据化运营过程中，问题会出现在哪？
1、数据源的广度和深度
打开网易新闻 查看更多图片
举个例子：
在我们身边有一些做零售类的客户，零售类的客户所要分析的场景是非常丰富的，但是往往收集数据这一部分，他的广度和深度是不够的。比如说零售类客户会分析销售情况、商品情况，但当企业发展到一定的程度会需要分析营销体系、物流体系、用户体系。
怎么解决？关于数据源这块儿，BDP进行了大量的实践。我们不仅帮企业收集企业内部数据，比如说自有系统、数据库，还有来自于周边的、第三方的数据、行业数据，当然还会有一些企业的零星数据。这些数据有些可能是经常变动的，有些可能是临时变动的，所以我们做的第一件事情就是把所有数据全部收集起来，并实现了“一键接入，随需更新”。这是第一块，收集所有数据，提升数据源的广度和深度。
电商类型行业他们要分析哪些？PPT（上图）左边的目录是可以反映很多问题，数据源收集的够不够全、细，是能不能实现这些分析的关键。
2、数据源的质量｜借助BDP进行数据治理
打开网易新闻 查看更多图片
关于数据源的质量，O2O、电商行业会相对好一些，但是快消零售行业在质量部分可能会存在一些问题。例如某大型零售企业在其ERP几经迭代的过程中，由不同团队进行维护、升级，所以很多时候会导致现在所看到的分析结果存在很多的数据问题。
那么BDP是如何帮助他们解决这个问题的呢？
第一，做数据治理，通俗地说也就是摸家底。利用BDP的快速建模能力搭建微量数据模型，先把自己数据的家底摸清楚，暴露出数据问题。
第二，BDP探索式分析，从数据问题追根溯源，可以找出质量缺陷所在，给企业提供数据治理咨询报告。
第三，BDP可以把摸家底过程和大数据平台整合在一起，数据治理的模型可以在大数据分析中直接复用。
从商品的角度分析不同区域销售的情况，这是零售行业非常关注的。企业要随时掌握目前的经营现状，这就需要有一个非常好的底层架构才能应对，这也是为什么很多企业选择BDP的原因之一。
3、数据分析的广泛应用｜只有业务人员才更能挖掘出数据背后隐藏的价值
打开网易新闻 查看更多图片
第一点，降低沟通成本。
这个问题大多数行业已经意识到了：只有业务人员才能挖掘出数据背后的价值。业务人员懂业务，技术人员懂技术，但是他们俩关系再好，互相说的不能理解，双方不能互相认可，这就给企业带来了沟通成本的问题。
比如深圳有一个跨境电商就是这样的，技术人员在做数据分析结果时，把每个月的复购单数除以所有单数减掉退货单数作为每个月的复购率，而对于业务人员来说，一看到这个结果就觉得不对，他认为不需要减掉退货单数。实际上，对于技术人员来说，接到业务人员这样的修改需求，就意味着要重新做一遍。就像我们说的，你想搞死一个IT，就多提几次需求。这样的沟通成本会非常高。
第二点，通过使用BDP可以大大降低使用门槛。
这点反映在很多的客户，比如说优信二手车、人人车。人人车CEO曾经说过：“BDP给我带来的帮助，两点，一个是数据分析人员去做分析而不是做报表；第二点，BDP帮我提供了数据分析师。“我当初问他为什么会这样想？他说：“你想想，现在我每个部门每个人都会使用BDP做自己数据的分析，我的数据部门的工作非常简单，除了专业分析领域之外要做的就是数据资产分配，业务非常清楚。如果我的每个人都能自己去做分析，那么对于我们整个团队来说，定期都会有非常多的管理意见反馈给我，这对于企业的提升，尤其是在现在二手车行业竞争那么激烈的情况下是非常有帮助的。”
第三点，使用BDP探索式分析提升数据分析的思维。
比如我们有一类客户是公安系统，公安系统会做警情分析，以往他们分析出的是统计结果，而通过使用BDP之后他们会发现原来我还可以分析到那么深入细致。比如分析报警，得知报警来源、报警频率，可以快速分析出哪些报警是有效的。这些内容一定是用户使用过程中才会体会到的。
所以通过BDP做一些探索是有助于我们发现一些数据隐藏的价值。而谁去探索？不是咱们技术人员去探索，而是业务人员去探索。因为只有业务人员才知道想要表达或者想要拿到怎么样的数据结果。
4、数据分析的响应性能
数据分析的响应性能，以BDP线上数据为例给大家进行分享。
我们在与客户沟通时，通常是现场操作演示。如PPT（上图）所示的数据，线上亿级数据计算时间是0.28秒；我们线上有超过60万个数据模型，从数据源变化到模型计算完成的平均时间是24秒；当然，任何做产品一定离不开服务，我们不仅有产品服务也会有行业服务和数据分析的服务，所以我们会对于服务响应有要求；再有就是整体的投入。
这些数字这对于用户来说，是非常直接的用户体验：随时打开手机或者打开app，看到的就是最新的数据，想要调整的话很简单，可以自己调整，也可以发个指令给下面的人调，而这个调整只需要几秒。
5、数据分析的深度应用｜导入行业专家、解决方案，提供后置咨询服务
“后置咨询”这个概念其实并不生疏。大家都会接触一些咨询行业，只是有一些是先发生咨询，而后期落地的概率高不高有待印证。
所以我们换了一个思路，在BDP里面快速形成结果再导入行业专家、行业解决方案实现后置咨询服务，而这个是基于数据、模型、经营管理过程，是一定可以落地的，所以这是我们后置咨询服务，也是印证了我们业务洞察的思想。
再有一块，我们有一个专门的团队为用户打造了非常好的机器学习的体验。
在机器学习中，用户不需要去理解生涩的算法，我们会给用户一些非常直观的界面，用户点开就想想要实现什么分析场景。比如说在线教育的用户，想要给他的学生们做一些聚类，想知道学生目前的学习阶段是怎么样的三六九等，继而给学生提供差异化的教育服务，提升服务质量。这其实就需要通过机器学习这种方式实现。这是最后一块，深度服务。
以上就是我对于整个的企业如何去做数据化运营给到大家的一些结果。这里面我梳理了五个问题，数据源的广度、深度，质量等等，我觉得给到大家不一样的体验或者认知，我觉得今天大家聚在一起的目的就达到了。
Q&A
Q：我想请问一下你们的服务门槛，能否为中小企业提供服务？
中小企业，甚至于个人，都可以使用BDP进行数据分析。BDP面向的广泛的用户群，为各种类型企业提供SaaS服务，针对不同用户类型提供不一样的服务。
对于用户来说，只要开通账号马上就可以使用；对于我们来说，各种类型的服务都是不一样的。关于您倾向于哪种服务、选择哪种服务，我一定会问您几个问题，你们现在有哪些数据源、数据量怎么样，你们希望用哪种方式，对于项目的要求是怎么样的，这样我才会给您提出建议，我建议您使用BDP怎么样的服务，是使用SaaS、本地化还是使用行业专家导入服务，这是不一样的。
Q：什么样类型的企业是能够成为BDP的客户？必须具备哪些条件？
我们要实现业务洞察的消费者化。什么是消费者化？未来数据分析是整个公司所有人做的事情。因为只有你整个团队自上而下有数据分析意识才能达到这样的结果，才能把BDP用的更好。所以，对于BDP来说，我建议企业要要有数据思维，之后我们的团队帮助您将业务洞察付诸实现。
Q：对于小公司，如果暂时不购买BDP，能否有其他的方式体验这种服务？
我们有很多产品，有针对企业的也有针对个人的；针对个人的，也会有免费的或者是不同会员制的。如果您现在有几个数据源，要实现这些数据源快速同步的分析，想达到这样一个效果，我建议选择BDP企业类型版本，一键接入，随时更新，之后可以自主做一些可视化分析，得出分析结果，甚至使用我们机器学习的部分。假设说你只管某一个业务，例如传说中的表哥表姐，那您可以使用BDP个人版，体验免费服务。
