今年7月，瓴羊推出针对零售行业的一站式数据智能产品 “瓴羊One”，就是为了解决目前企业在多平台多渠道现状下经营数据分散的“数据烟囱”问题。而除了企业内部的数据烟囱之外，企业与企业、产业与产业、甚至企业与公共部门之间也存在着数据烟囱，如何把数据烟囱变为钻井平台，让数据像石油一样通过融通产生动力价值，从而推动企业业务增长和创新？时隔半年，瓴羊再次推出企业数据服务枢纽瓴羊港。

杭州市政府副秘书长、市政府办公厅党组成员、市数据资源管理局党组书记、局长徐青山出席会议并致辞：“杭州市数据资源局将以公共数据授权运营为引领，推进公共数据与企业数据开放应用。我们希望与瓴羊等头部企业一道，形成数据共享、价值共创的数据要素杭州发展新模式。”

（图为：杭州市政府副秘书长、市政府办公厅党组成员、市数据资源管理局党组书记、局长徐青山）

阿里巴巴副总裁、瓴羊CEO朋新宇表示：“数据正站在一个流通变革的时代，这其中最核心的关键是如何破解数实融合发展的堵点。数据流通中最重要的原则是，不流通无价值，无价值不流通。而瓴羊扎根数字化领域十多年，作为曾经阿里巴巴数据中台的核心团队，对数据的理解非常深，在用数据驱动企业价值增长上已经有了非常多的成功实践。”

（图为：阿里巴巴副总裁、瓴羊CEO朋新宇）

作为一个数据服务枢纽，瓴羊港里有企业、数商、生态伙伴、公共部门等多个数据提供方，并集成了数据资产、数据流通、数据加工与集成、数据智能等多种类型的服务。在安全技术上，瓴羊港采用先进的隐私计算和安全屋等技术实现“原始数据不出域”、“数据可用不可见”，确保了数据源、流通过程和使用场景的合规性。

在现场，瓴羊宣布与杭州数据资源管理局达成战略合作，通过对杭州市公共数据管理能力进行评估与治理，加速促进杭州市数据要素价值的发挥。

（图为：杭州市数据资源管理局副局长齐同军，阿里巴巴集团副总裁、瓴羊CEO朋新宇）

头部零售企业云积分、宝尊、美登、晓多、卡士等宣布成为瓴羊港的首批客户。据悉，多家知名企业已成功使用瓴羊港并给出正面评价。北交所上市的国内领先电商 SaaS 软件开发及销售服务商美登,将联合瓴羊一起,通过瓴羊港提供的天气数据融合物流线路时效数据，结合温度湿度对鲜花品种的影响效果，提前预测意外天气情况对业务的干扰。预估可帮助美登所服务的供应链商家至少减少1%以上的货损率，帮助美登履约服务效率提升。

此外，瓴羊还推出了“三年一个亿”的瓴羊港繁荣基金和领航计划，繁荣基金目的是为帮助开发者和从业者降低使用数据智能产品的门槛，提供工具权益、专家咨询陪跑等权益。而领航计划则希望携手更多生态伙伴共建“新赛道”，“新成长”和“新市场”， 打造一个繁荣的数据服务生态。

在大会上，朋新宇还宣布了瓴羊数据智能服务的整体升级，除了瓴羊港的融通能力，企业还可以借助瓴羊数据中台的全域采集与增长分析（Quick Tracking）、智能数据建设与治理（Dataphin）、数据可视化分析（Quick BI）等系列产品，企业可以实现数据治理、快速构建数据应用，提高数据的可用性。通过瓴羊One，企业可以在分析、营销、产销、客服等核心场景中充分利用数据挖掘行业趋势和商机，让数据智能成为企业最重要的业务增长引擎。

中台战略是企业数字化转型的必经之路

在信息化时代，企业通过将客户、产品、规则和业务流程以数据形式录入系统，实现企业信息化。传统烟囱式IT架构以平台化架构承载业务逻辑和功能实现。传统烟囱式IT架构（如图1所示）导致数据“孤岛”，数据关联价值、融合价值无法发挥。

从功能架构上看，烟囱式IT架构会导致承载相似业务的平台出现低水平重复建设的问题，且各个业务系统间互联互通难度高。中台思维应运而生，其本质是通过数据贯通融合和功能开放共享，实现面向前台的敏捷响应，降低研发成本，加速创新业务孵化。

在数据层面上，中台通过打破不同项目的数据“藩篱”，实现数据的汇总、融合，推动业务数据化；在解决数据一致性问题的基础上，依托大数据、人工智能等新技术，形成面向不同场景的数据视图，支撑企业营销、生产等业务决策，实现数据业务化。

在IT层面上，企业抽象、沉淀相似业务流程、逻辑，下沉可被不同项目复用的能力，以接口的方式向多业务系统开放。能力下沉后，项目系统间的通信变为不同业务模块的接口通信，互联互通不再是难题。不仅如此，可复用功能的共享能加速企业新业务的上线，降低试错成本，提升业务响应速度。

中台是企业应对宏观环境转变、用户需求转变的IT治理升级形式，通过IT架构的升级，满足用户多样化需求，实现运营精细化。中台是业务发展催生IT升级的演进结果。

互联网企业实践证明中台效应

2015年，阿里巴巴提出大中台战略，依托共享事业部建设企业级中台架构，实现一套中台体系，支撑天猫、淘宝、一淘等多个项目。阿里巴巴中台有效降低了存储资源和计算资源，数据存储量提升了 6 倍，直接节约约 6 亿元，并且极大地缩短了新业务的上线时间。

2018 年起互联网头部企业逐步推出自己的中台战略：腾讯调整七大事业群，成立技术委员会，并推行“All in 产业互联网”战略；京东按照前、中、后台进行组织架构调整，并规划中台建设。

除了互联网企业，快消、餐饮、传统制造业和房地产等多行业已经开始关注中台，逐步推出自己的中台架构，同时国内也涌现出一批独立的中台软件服务商。中台市场规模预测结果如图2 所示，预计2022年中国中台市场规模有望达到179.4亿元。

阿里巴巴IT架构演进

阿里巴巴的中台架构

阿里巴巴的业务中台的核心在于把用户服务的核心链路——会员、商品、交易、营销、店铺、商户结算，当作一个整体的平台产品，IT开发在企业内部不是承载研发需求的被动角色，而是通过全环节贯通打造一个大的中台产品，为前端业务提供整体的解决方案。

阿里巴巴的中台建设，不仅是IT层面的技术演进，而且是技术、业务和组织的全面升级。阿里巴巴中台破除了IT系统层面上的部门墙，组织层面通过垂直化的事业部，实现以业务条线规划团队，而不是从管理者的角度思考问题。不仅如此，阿里巴巴构建了组织中台，专项支撑中台建设，保障中台的顺利升级和后期的运营维护。

阿里巴巴中台的建设经验是：技术的升级最终目标一定是促进业务的发展，因此，建设中台应首先从业务层面确定战略，统一目标，以企业级力量构筑中台。

“研产供销服”一体的长业务链企业

“研产供销服”一体的企业也可以分为两类：一类是传统的制造、销售为一体的企业；另一类是随着技术发展和创新，较为新兴的制造型企业。两类企业有着一个共同点：生产和运营解耦。生产包括研发、生产制造和供应环节，运营包括销售和服务环节。

对于传统企业中石化来说，产品类型、标准相对固化，其产品更新升级低频响应市场需求，因此生产和运营环节天然解耦。本文中的另一类长业务链企业——华为和小米，其产品竞争压力大，技术升级发展速度快，因此产品高度响应市场需求。

但是，长业务链条面临两个问题，一是串行式业务单纯以销量推动生产，导致企业效率的降低，也不符合当前柔性制造的发展趋势；二是忽略了技术驱动产品创新带来的业务提升。

因此为实现产品侧创新驱动和销售侧的供应链柔性拉动，长业务链企业一般会通过组织和战略，解耦运营和生产，具体如图5所示。两类企业的中台建设也聚焦于面向不同生产环节的能力支撑。

从建设中台的路径来看，小米规划了 3 年的信息化战略，IT规划与业务发展并行推进，以流程驱动IT应用，促进自建系统和采购系统的融合。在战略上实现产销分离，规划了包括泛零件、新零售和互联网的“铁人三项”战略；在组织结构上裂变成硬件产品、互联网、IoT平台和电商 4 个方向、10 个部门；在 IT 层面运营环节，中台重在支撑用户和经销商，生产层面侧重于数字化供应链，以项目或订单的方式推动生产，以供应规划拉动生产，实现柔性供应链支撑。

因此小米建设了数据中台、业务中台和技术中台。业务中台划分为14个中心，面向线上商城、第三方电商网站（如京东、淘宝等）、门店系统和直销分析系统，提供产品交易全环节、客户运营全环节的共享能力，实现面向不同的线上下渠道共享IT能力，通过IT集约化降低企业成本。数据中台通过xDATA数据平台进行统一采集，配备xDATA数据团队，在清洗后的数据上进行面向不同业务场景的分析。

通过日常经营指标的分析、经营管理分析和战略风险分析，打造坚实的业务数据化基础。小米的技术中台将底层资源和开发组件进行技术下沉，为系统建设提供高度模块化的零件。

小米的业务较为复杂，因此在中台面向前台支撑业务中，要考虑自有线上商场，如国内的小米官网、优品商城和海外的电子商城，也要考虑到如何对接第三方电商平台。

面向各门店的营业系统，如小米之家、授权店、直销点和各种第三方门店，小米需要通过中台服务，为门店提供进销存能力，为直销和分销方提供客户协同、分销网络和营销的风险分析管控能力，并面向渠道提供完备的客服、售后平台能力。

因此，中台战略和架构，对于全生态覆盖的企业来说，最重要的就是将不同业务线、不同业务App的共同流程提炼和沉淀，形成可复用的完整IT能力，降低业务间流程互相调用的时间成本，通过敏捷响应提高消费者和合作伙伴的感知。

小米中台的主体架构

华为在业务层面上，一直强调运营作战和能力建设的分离，本质也是通过解耦长业务链条的各环节，缩短流程提升效率。华为的“让听到炮声的人能呼唤到炮火”战略正是华为中台战略的形象化比喻，中台是为一线业务人员提供炮火的作战平台，而炮火正是中台能提供的能力。

华为以组织为核心，以中台为承载，实现了企业的双V发展模型（如图7 所示）——“业务和数字技术双轮驱动”，以客户体验为驱动提升运营，技术发展催生产品创新，运营与生产双线发力，增强企业竞争力。

运营商的中台思考

在当前建设网络强国、构建数字经济的大趋势下，国内 3 家运营商都在发力向着数字化、互联网化转型。运营商作为大型的近C端、近B端企业，业务规模大，沉淀了海量的数据，公众业务、政企业务、创新业务条线多，但却存在协同难度大、部门壁垒高的问题。运营商的系统交互难、数据价值无法最大化的现状，正是中台旨在解决的问题，因此，运营商可通过建设中台提升IT能力、加速转型。

运营商应从企业级视角出发，归集企业级的共通需求，锚定业务链长度相似的的企业，模仿其中台建设。建议运营商模仿华为和小米，解耦运营生产，规划中台建设需求，厘清各个中台的业务边界，构建适合运营商的中台体系。

（1）解耦生产

面向内、外部产品研发团队，利用自有的网络、大数据、云、物联网等基础资源和能力，研发面向公众客户、政企客户的优质产品。生产的职责止于产品的上架。

业务侧中台通过能力开放，引入外部的产品研发团队，构建内外合力的研发体系，基于基础能力，开发具有操作界面的小型 IT 工具，“能力+小IT工具”将能力变为可出售的产品。数据侧中台可提供两类支撑：一是作为数据报表、场景化数据服务类产品的基础生产资料；二是分析优质产品的画像，指导研发团队提高产品质量。

（2）解耦运营

面向外部客户，以销售为起点，包括后续的服务和维系环节。运营的职责始于产品上架，贯穿交付、运维全流程。

业务侧中台提供不同触点接入技术适配，实现全触点的统一视图呈现，支撑产品、客户和合作商的服务和管理，让“卖产品”更容易、更快捷；数据中台在数据融合的基础上，构建三层视图，底层是源数据采集层，包含运营商B域、M域、O域和E域等多域数据，并在公共数据中心完成明细数据的汇总，典型结构如图8所示。最顶层围绕数据对象，打造以客户、产品和合作伙伴为主体的萃取数据中心。

基于数据中心，提供以客户运营为核心的能力支撑：用户画像、订购行为分析，分析用户产品和服务的偏好；产品的竞争力、收入贡献、销售情况分析，为是否持续售卖产品提供数据支撑；用户与产品的适配度分析，为用户推荐符合其喜好的产品。

因此，建议运营商从战略上确定中台的建设构想，规划企业级数据中台与业务中台，两中台的支撑关系如图9 所示。技术中台建设与否，可根据当前的各条线的技术组件现状进行决策。

如当前已形成相对统一的技术体系，则可构建技术中台。若当前技术组件差异化较大，建议构建平台研发的“工具箱”，各条线可从工具箱中自行选取所需组件，逐渐收敛后再建设技术中台。

数据中台典型架构

另外，对于运营商来说，中台建设的路径和程度是不一致的，对于已经做到了数据集约化、IT 集约化的运营商，其中台建设如本文所述，从省公司和集团考虑各个业务条线、公众和政企市场的能力共用。

而对于省公司、集团尚未实现集约化的企业，由于省分公司平台、数据结构差异较大，近期中台建设应更注重集团级共用能力的建设，逐步推进省分数据汇集、结构统一和业务功能共用。

在推进中台建设地过程中，建议实现垂直化组织架构，组织与IT匹配，并配备专项的人、财、物，保障中台的有序建设。为避免中台建设完成后公共功能无人负责、代码质量下降的问题，应打造专项团队或部门，持续进行平台迭代升级，切勿期望一劳永逸。

另外，在中台建设中应避免出现“泛中台”的问题，不能为了加快建设速度而以简单集成现有平台、开放接口的方式构建中台。

结束语

中台对于企业的数字化转型、提质增效至关重要，因此，对于大中型的近C端企业和沉淀了大量IT资产的近B端企业来说，企业中台建设是必要的。但是中台不是一个项目，而是变革落地的方案，是需要从战略层面规划，确定业务方向，协全企业之力完成的联动变革。

再者，中台只是解决现阶段业务、技术和组织升级发展的特定方案，不是“万能灵药”，且需要投入一定的时间和人力成本，持续迭代优化，企业决策需要放平期待，不能期冀一劳永逸。

总之，中台对于大中型企业的数字化转型的作用是正向的，但是中台建设在国内存在概念泛化的问题，尚未有成熟的通用方法和工具，仍需要企业、厂商根据自身业务方向进行探索和实践。如何借助中台体系，在公众市场饱和、政企市场产品创新有待提高的现状下，以IT助力业务破局，是运营商值得深思的问题。

来源：数字国资

连续入选国际权威BI榜单，Quick BI到底有何魔力？

文章将带大家深入了解从阿里巴巴内部数据分析场景孵化而来的Quick BI。

Quick BI的由来

阿里巴巴集团数百个部门拥有数十万员工，每天面对各种复杂的业务场景，需要一款能力全面、 功能强大且能灵活应对各种数据分析和可视化诉求的 BI 工具。在探索的过程中阿里尝试使用过各种外部公司研发的数据报表工具，公司内部各个部门也各自孵化过多种不同类型的数据分析工具(有的面向复杂的表格，有的侧重快速制作报表，有的只支持搭建移动端的报表)，但都没能达到理想的效果。在这样背景下，阿里最终自己研发了能基于公司整体业务进行数据分析的Quick BI产品，它既可以搭建服务集团管理层的战略分析决策平台，也可以构建各垂直业务的数据应用(如搭建电商业务双 11 大促营销活动分析的数据应用)，同时也是众多一线运营、产品和研发必备的日常数据分析和取数工具。

以阿里巴巴内部BI应用的经验为基础，Quick BI 开始将全场景数据消费的能力和理念向外部有数字化诉求的企业输出。这一能力既可以服务数十万员工的大型集团公司，也可以满足几个人的小型创业公司；既能够适应零售和互联网企业快速的发展变化，也能够满足政务和金融类客户的高标准要求；企业可以在多种平台选择 Quick BI，如直接在阿里云下单购买 SaaS 服务，也可以选择部署在私有环境或其他云平台，或者在生意参谋和钉钉中在线使用。

作为阿里巴巴推出的全场景数据消费式的BI产品，Quick BI秉承帮助企业在各种业务场景中消费和使用数据、让业务决策触手可及的使命，通过智能的数据分析和丰富的可视化能力帮助企业构建数据分析平台和决策支持系统。通过简洁漂亮的仪表板、格式复杂的电子表格、酷炫的大屏和有分析思路的数据门户等能力，既可以使用 Quick BI 构建面向管理层的决策分析平台，构建面向不同业务的垂直数据应用，也可以将数据分析集成和嵌入在您的业务流程中，或者直接搭建面向全员的自助分析工具和报表平台。

通过 Quick BI 强大的办公协同能力，企业可以随时随地在电脑、手机、平板、大屏等 各种设备端获取数据价值，并且通过邮件、消息、工作通知等在钉钉、企业微信和飞书中快速同步分析和可视化结果，随时在工作群中讨论和分析业务进展和对策。企业通过经营活动积累了庞大的数据资产，Quick BI 可以让企业的数据资产快速在公司人员和组织中流通起来，通过BI和AI结合挖掘数据背后的价值，促进在企业内部各种场景的数据消费产生业务价值。

在今年的报告中，Gartner提到了Quick BI的三大核心优势：办公协同能力、业务集成分析驱动决策、数据文化素养培养。

接下来就Quick BI的技术亮点做进一步分析。

Quick BI的技术亮点

l 技术亮点之Quick能力

“Quick”是产品始终追求的目标，近几年来Quick BI也一直致力于实现展现快、计算快，为使用者提供顺滑体验为目标。具体来说，在数据报表开发的过程中，大量级数据需要在一定范围的时间内响应，即计算要快；面对报表的查看者，首屏打开和下拉加载的时间需要在一定范围内完成，即展现要快。

Quick BI的计算引擎和渲染引擎以双引擎的方式为企业BI使用全力加速。

1、计算引擎：在直连模式的基础上，新增加速模式、抽取模式、智能缓存模式，用户可按找不同场景的不同需求，通过配置开关进行模式的选择。在数据集开发和数据作品制作的过程中获得加速体验，可以有效提升用户报表的数据查询速度，减少用户的数据库查询压力。

2、渲染引擎：负责取得肉眼可见页面的内容，包括图像、图表等，并进行数据信息整理，及计算网页的显示方式，然后输出并展现。由于BI场景的报表（仪表板、电子表格、门户等）内容相当复杂，渲染引擎的加速可以非常直接的影响Quick BI报表的打开速度，优化用户的报表阅览体验。渲染引擎的加速动作无需进行任何配置，无声地服务整个分析流程。

经过一系列核心能力的升级和特定场景的针对性优化，操作平均FPS（每秒传输帧数）可达55左右，较复杂报表下，首屏加载时间控制在3秒以内（中等简单报表2秒内），结合Quick引擎，还可以支持10亿级数据量的报表3秒内展现。

l 技术亮点之办公协同

移动端和办公协同能力是Quick BI的一大亮点，目前已经提供了钉钉、企业微信、飞书的接入能力，客户只需要将相关配置信息配置到QuickBI，便可以实现与钉钉、企业微信、飞书的账号、登录、订阅、消息推送等业务的打通。

Quick BI支持与主流IM/OA应用进行深成集成。客户可在Quick BI上进行简单的应用信息配置就可以针对不同平台在身份认证、用户管理、消息推送等特性上完成对接。针对客户痛点场景，如登录鉴权、移动端报表访问、报表订阅、监控告警等方面做到了支持，并能够达到在各平台体验一致的效果。

Quick BI与钉钉生态深度集成，打造钉钉智能报表，支持企业数据分享、评论、批注等数据协同能力，助力三方企业的 OA 审批、人事等数据的分析推送。

l 技术亮点之开放集成

Gartner报告指出，可视化之间的差异不再是区分各个ABI产品的差异，更大的差异化来自于对于“集成”的支持。本质上，BI产品并不能独立存在，作为数据链路的最后一公里，企业往往需要将BI系统与自己的系统集成打通，并通过嵌入能力将BI的报表，集成到客户自有的系统中。因此，集成的能力是帮助企业客户实现“turn insight to action ”的关键核心能力。

随着Quick BI支撑的客户基数越来越大，集成的场景需求也越来越丰富多元。对于客户在阿里巴巴系统集成的诉求，Quick BI可提供如钉钉智能报表、阿里巴巴生意参谋的集成连接；对外部系统集成诉求，Quick BI既有为众多独立部署企业客户提供的单租户管理服务，又有像睿本云的生态SaaS化服务集成。因此，需要抽象出通用的开放集成能力，才能往上支撑丰富的客户集成场景，提升产品的商业化能力。

从上图可以看到，能力项上Quick BI主要通过登录认证、嵌入分析、自定义扩展、流程集成、数据服务等几个方面，为客户提供系统集成的能力。

另外，智能化小Q、智能监控、交互式分析、即席分析等等产品完备性功能请见《2022 Quick BI产品白皮书》（文末可下载）

虽然商业智能软件领域竞争激烈，且有大量巨头厂商存在，但国内仍然有巨大的发展潜力。放眼全球，数据和分析领导者正在循序渐进地将重点从工具和技术转移到作为业务能力的决策上。Quick BI依托阿里云数据中台，在不断打磨自身产品能力的同时，积极与云上产品、以及生产力软件钉钉深度联动，使数据分析能力能普惠各个垂直领域的中小企业，将业务决策能力发挥到最大。这与领导者象限的PowerBI等产品的战略具有一致性，我们相信，Quick BI在提升客户价值和应对不断增长的影响力需求方面，将走得更远。

点击下载《2021 Quick BI 产品白皮书》

据公开信息显示，奇点云A轮1600万是阿里系湖畔山南资本投资，B轮及B+轮均有字节跳动的身影，融资总额共2亿元人民币，其他投资方包括德同资本、晨兴创投、元一资本等。

而Growing IO自成立6年间完成三轮融资，天使轮、A轮、B轮融资总额共计5220万美元。投资方包括NEA、经纬中国和Greylock。

此前业内曾传出Growing IO与字节跳动的资本层面传闻，但随后Growing IO辟谣。此次合并重组，意味着字节跳动在奇点云和GrowingIO都有相应话语权。

奇点云创始人张金银表示，“双方的重组属于优势叠加，将更充分发挥资本和业务的协同效应。业务协同让双方可以进入新的行业与市场，通过并购手段也能够转竞争为合作，有利于形成规模效应、改变供需格局、增强企业的议价能力。在资源整合方面，双方企业能够通过并购在研发、销售、交付等方面形成优势互补，从而快速占领市场，实现 ‘1+1>2’的效益。”

GrowingIO创始人张溪梦表示，“随着这次并购完成，GrowingIO将有更充沛的资金和人才、产品、技术资源，支持我们全力为客户挖掘更全面、更深入的数据价值。”

据悉，并购重组后，双方将保持品牌层面的独立运营。

随着数据作为第五大生产要素被提出，“数据流通”的社会价值已形成广泛共识，由于行业背景、数据现状、研发能力等方面的差异性，不同行业企业对于“数据流通”的场景和诉求也不尽相同：

• 数据安全要求不同：有些企业相信中立的第三方，能接受数据安全上传至受信的第三方平台的方案；有些企业对数据保护较敏感，希望原始数据不流出自有网络和自有机器。
• 数据融合计算模式不同：有些场景需要统计分析的隐私计算能力，如双方数据求交后做SUM/COUNT等计算，或者双方联合SQL计算，最终得到统计分析结果；有些场景需要机器学习的隐私计算能力，如双方联合完成模型训练、模型预测，最终得到算法知识结果。
• 数据的云化程度不同：一些企业大部分业务系统已经上云，数据从产生到分析的全链路都在云平台完成，因此这类客户需要云上的解决方案来实现数据流通；还有很多企业的主要业务系统以及业务数据仍在自有IDC机房生成和加工处理，他们同样也有数据流通的需求场景。
• 数据计算和存储系统不同：对于一些数字化转型较早的企业，往往有完备的大数据计算和存储系统，如自建Hadoop、云上EMR、数据湖等，有现成的分布式计算和存储能力；还有一些企业，还没有完整的数据仓库体系，数据还保留在MySQL、PostgreSQL等业务数据库中，这种情况下所能提供的计算算力也比较有限。
• 数据所处的网络环境不同：隐私计算场景下，不同企业的数据存在于不同的网络环境内，企业内的数据处理系统一般是不对外提供服务的，因此大部分场景下多方之间的隐私计算过程需要通过公网传输数据；当然，也有如金融类企业愿意提供专线用于数据传输服务。

通过分析这些需求场景，我们不难得出以下几点结论：

• 隐私计算平台是典型的多学科交叉领域，涉及工程、算法、密码、硬件等多个方向，涉及统计分析、机器学习两大类应用场景，从广度和深度上系统架构的复杂度都很高，需要足够灵活的分层、分模块设计。
• 针对不同类型的场景和安全诉求，需要基于不同的隐私计算技术来提供解决方案，甚至需要同时结合多种隐私计算技术，形成一套解决方案来解决某一具体场景的问题。
• 安全合规是隐私计算技术和产品的重要依据，因此，隐私计算平台需要针对不同类型的数据融合计算场景，提供不同的隐私保护技术手段。
• 不同客户的数据分散在不同网络环境，大数据生态系统的现状也会千差万别，因此隐私计算平台对数据源、计算引擎、传输通道等组件的异构能力诉求是必然的，对云上部署、独立部署的能力也是基本要求。

DataTrust产品定位是通用的隐私计算产品，因此DataTrust工程技术架构能够同时支持多种隐私计算技术，严格遵循隐私计算安全标准，按照模块插件化的设计思路，适用于多种异构的计算、存储、网络环境，支持云上部署、独立部署等输出形态。

隐私增强计算技术

• 可信执行环境（Trusted Execution Environment，TEE）

TEE是硬件中的一个独立的安全区域，由硬件来保证TEE中代码和数据的机密性和完整性。也就是说，TEE是硬件服务提供商应用硬件在现实世界中构造的安全计算环境。应用TEE实现隐私增强计算的过程可以通过下图描述。

步骤1：各个参与方将自己的数据通过安全链路传输给TEE。

步骤2：TEE在保证机密性和完整性的条件下完成计算任务。

步骤3：TEE通过安全链路将计算结果发送给各个参与方。

• 安全多方计算（Secure Multi-Party Computation，MPC）

MPC是密码学中的定义，在无可信计算方的情况下，多个参与方各自持有秘密输入，并可完成对某个函数的计算，但每个参与方最终只能得到计算结果和能从自己输入和计算结果中推出的信息，其他信息均可得到保护。安全多方计算的定义可以通过下图描述。

• 联邦学习（Federated Learning，FL）

联邦学习是一种多个参与方在保证各自原始私有数据不出数据方定义的私有边界的前提下，协作完成某项机器学习任务的机器学习模式。根据隐私安全诉求与训练效率的不同，可以通过MPC、同态加密（Homomorphic Encryption，HE）、差分隐私（定义见下）等多种方式实现联邦学习。

• 差分隐私（Differential Privacy，DP）

DP是一种基于对数据引入随机扰动，并从理论层面度量随机扰动所带来的隐私保护程度的隐私保护方法。根据随机扰动方式的不同，DP分为在原始数据层面进行随机扰动的本地差分隐私（Local Differential Privacy，LDP）和在计算结果层面进行随机扰动的中心差分隐私（Central Differential Privacy，CDP）。

以上几种常用的隐私计算技术，从工程架构角度可以划分为两类：

• 中心化的计算模式：即可信执行环境（TEE），在这种模式下，各参与方信任中立第三方，把原始数据安全加密后上传到TEE环境，并进行后链路的统计分析、机器学习等。涉及的技术领域除了TEE，还需要辅助RSA、AES等加密技术手段。
• 去中心化的计算模式：即安全多方计算（MPC）、联邦学习（FL）等，在这些模式下，各参与方不愿意把原始数据给到任何一方，包括任何第三方，各参与方按照多方计算的协议进行本地安全计算，传输协议数据、中间参数数据，最终完成联合的统计分析、机器学习等。需要特别说明的是，在去中心化的多方安全计算过程中，还是不可避免的需要有一个协调方的角色负责双方计算过程的协调、协议公共参数下发等过程，实际落地中，这个协调方可以由某一个参与方来承担，也可以由云平台、第三方来承担。涉及的技术领域除了MPC、FL，还需要辅助同态加密（HE）、差分隐私（DP）等技术。

DataTrust在工程架构设计阶段，抽象出“协调方”的角色，既能够在中心化场景下承担任务协调与中心化可信计算的职责，又能够在去中心化场景下承担多个计算方之间的任务协调职责，从而最终形成一套统一的技术架构支持不同类型的隐私计算技术，在安全性和架构统一性上取得了很好的平衡。在此基础上，进一步按照模块组件化设计，能够支持灵活的部署形态，具备各种异构环境下输出的能力。

DataTrust工程架构设计

基于以上思考，DataTrust隐私计算平台从功能模块上设计包含两个模块：

• 云上安全协调中心（Cloud Security Coordination Center，简称CSCC）：以SaaS化服务部署在阿里云公有云或专有云，亦可独立化部署在客户私网环境，承担LSCC之间的任务协调调度、任务下发等协调性工作，同时还提供中心化的数据安全计算能力（即TEE可信执行环境）。
• 本地安全计算中心（Local Security Computation Center，简称LSCC）：提供本地化数据源的管理、数据密钥管理、数字签名共识审批并提供本地化隐私增强计算能力，能保护客户原始数据不出域，因此需要在用户私网环境部署。

以下是DataTrust的工程技术架构图：

• 安全技术：底层基于不同类型的隐私计算技术，包括多方安全计算、同态加密、差分隐私、联邦学习等软件相关安全技术，以及SGX2.0等硬件相关安全技术；
• 无量框架：抽象和设计一套工程框架，向下统一支持不同类型的安全技术，向上依次提供三层能力：

– 引擎层：提供不同协议的编译过程、执行算子库等能力；提供任务调度执行相关能力，包括任务调度执行、资源管理、执行算子库等；提供不同类型计算引擎的抽象和管理能力；

– 服务层：面向产品功能提供服务实现，包括任务管理、审批管理、数据管理、租户管理、系统配置等；

– API层：基于中间服务层提供的服务能力，面向业务前台提供API接口能力；

• 产品能力：DataTrust通过云产品形式，输出标准化的产品能力（CSCC+LSCC），同时能够作为平台技术提供方，被第三方产品、客户方所集成，从而满足定制化的需求场景；
• 解决方案：从业务视角，面向客户提供联合分析、联合建模、联合预测等标准化的解决方案能力。

DataTrust在设计阶段，从逻辑上拆分为了CSCC和LSCC两个功能产品模块，针对不同的应用场景，在物理部署时可以灵活支持以下两种不同的部署形态：

• 云上部署架构：云上部署CSCC，客户在云上VPC或自有IDC机房等私域环境下部署LSCC。优点是各参与方无需部署和运维CSCC，由云平台作为第三方承担协调方的职责，各参与方仅需部署轻量化的LSCC即可完成本地安全计算。

• 独立部署架构：一方客户在自有IDC机房等私域环境下部署CSCC+LSCC，另一方客户在自有IDC机房等私域环境下部署LSCC，双方点对点完成多方联合计算过程。该部署架构适用于金融等行业客户，希望能够不依赖于云平台、完全独立部署的场景。优点是无需引用云平台负责多方之间的协调职责，但前提是参与方之间一方信任另一方来承担协调职责。

DataTrust技术架构优势

• 严格遵循隐私计算安全标准

• 模块插件化、适配多种异构环境

遵循插件化的设计思路，随着支持业务落地过程中，目前已经支持了多种常见的配置源、数据源、计算引擎、传输通道等核心组件插件，而且能够快速扩展新的插件实现。

• 云原生容器化部署、多种部署交付形态

得益于灵活的技术架构、以及容器化的实现，DataTrust可以支持以下不同的部署形态：

– 云上部署：Client/Server模式

– 独立部署：Peer to Peer模式

– 一体机部署：软硬件一体机模式

– LSCC部署：单机模式（最小化部署）、集群模式（分布式部署）

• • 大数据场景高性能及规模化– 完整的、系统化的商用云产品方案
    • 包含协议密钥管理、协议编译、数据源管理、作业管理、作业调度执行等全链路产品化能力。
    • 支持多租户的任务调度，支持即时调度、周期调度等调度方式。
    • 业界领先的执行性能，超大规模数据场景下的稳定服务，且支持规模化服务客户。

– 灵活的平台开放能力

• • 开放Open API，方便业务方集成开发、定制化开发场景。
  • 开放执行算子开发框架，支持合作方、业务方自定义执行算子的开发与集成。

业务落地案例

DataTrust已具备MPC、FL、TEE等多种隐私计算技术下的联合分析、联合学习的产品化解决方案能力，目前已在多个业务场景完成落地。

• 联合分析：一方内容媒体侧和电商交易侧做全链路营销分析转化，用来指导产品和营销整体方案。

• 联合建模：广告主和媒体侧数据联合建模，提高转化率，用来指导投放策略。

以上是DataTrust在隐私计算领域从产品需求到工程架构的实践之路。

后续我们将从不同的产品功能方向，进一步和大家分享DataTrust的更多技术实现细节，敬请期待哦~

隐私增强计算平台DataTrust

DataTrust是行业领先的基于可信执行环境（Trusted Execution Environment，TEE）、安全多方计算（Secure Multi-Party Computation，MPC）、联邦学习（Federated Learning，FL）、差分隐私（Differential Privacy，DP）等隐私增强计算（Privacy Enhancing Technique）技术打造的隐私增强计算平台，在保障数据隐私及安全前提下完成多方数据联合分析、联合训练、联合预测，实现数据价值的流通，助力企业业务增长。

2017 年，我们推出了云上数据中台解决方案，各个企业争相尝试。

企业中不同角色的实践者关注着价值创造、方案实施、运营体验，并提出诸多问题。

什么是数据中台？

为什么做数据中台？

应该选择什么样的技术和方法实施数据中台确保可行？

这三个问题的背后都是在关心价值，只有使价值可解释，数据中台的技术和方法才可以被理解。

在持续为企业创造价值的使命驱动下，阿里云数据中台致力于：构建最厚实的数据生产资料、

探索高价值的业务场景和应用、提升普惠的数据消费水平、建立强大的数据组织和管理的能力。

时间走过 2021 年，数据中台旗下 Dataphin 和 Quick 系列产品，仍不断精进演化，在数据治理、

分析决策、营销提效、风险控制等领域有着长足的进步。

我们希望利用产品年鉴的形式，为大家梳理数据中台架构中多款产品的作用与位置，并对

Dataphin、Quick BI、Quick Audience 三款重点产品的核心能力进行解析详述，推出目前最

为完善的产品能力大图。

2022 我们将继续乘风破浪，期待与更多企业的合作，创造不泯于时代的新浪潮。

《数据中台2021产品年鉴》全文下载 请点击：阿里云数据中台官网

经过多轮洗牌，来电科技作为共享充电宝行业的开创者，与小电科技、街电科技和怪兽充电合称“三电一兽”。在2019年Trustdata发布的中国共享充电行业发展简报中显示，“三电一兽”占据了充电宝市场96.3%的份额，就连互联网巨头美团，也在2020年重启了充电宝业务。

在来电科技CTO罗昌明看来，共享充电宝无疑已经进入了最残酷的“贴身”肉搏战阶段。

如何从这场厮杀中成功出线，来电给出的方法是在基础设备上夯实技术，同时通过数智化运营保持住先发优势。

企业痛点：

1、用数看数体验不畅，各类数据面板登录独立，原有业务系统数据源繁多

2、业务应对市场变化的临时需求难以被满足，数据报表可视化开发压力大

3、BD团队开展地推工作，缺少及时准确的数据能力支撑，线下拜访靠经验

4、移动数据应用场景典型，户外操作体验欠佳，员工无法高效协同

为什么选择阿里云数据中台的Quick BI产品？

来电科技起步较早，并最早进行专利布局，目前拥有122项专利技术授权，位居行业第一，注册用户超2亿，服务覆盖全国超90%的城市，同时也是导航机柜解决方案提供商。

而阿里云数据中台，作为阿里巴巴数据中台能力唯一官方商业化输出，吸收沉淀了阿里多年、多业务线的数据技术能力和数据构建方法论。其中拳头产品Quick BI是经过淘宝天猫千万商家打磨、阿里巴巴内部十万员工最爱使用的，也是中国唯一进入Gartner ABI魔力象限的BI产品。

于是在今年2月，来电科技与阿里云数据中台建立合作，将数据可视化分析平台Quick BI无缝集成到来电科技业务系统。引入Quick BI之前，来电科技的数据团队面临着数据源复杂，数据面板多样的问题，随后发起了数据治理项目，以大数据仓库为主要存储和处理空间，Quick BI为数据可视化展示的唯一出口，项目提升了全公司数据层面的指标统一性。Quick BI帮助电科技实现全场景数据消费，构建起覆盖全域的数据分析系统，让数据在企业内流动消费，释放数据价值。

解决方案：

一、灵活集成企业自有系统，自动化管理用户权限

在BI选型的过程中，Quick BI凭借与来电科技原有业务系统的无缝衔接，使得定制化报表在视觉风格、账号权限、登录方面实现完美整合，从众多竞品中脱颖而出。

来电科技业务系统维护着所有企业员工的用户权限，本地化部署的Quick BI可以实现员工账号的免密登录，但若员工发生入职、离职、转岗、升职等变动时权限的跨系统的同步无法有效解决，这时Quick BI完善的开放能力帮助来电的数据团队通过二次开发快速实现了同步功能，原有系统修改了员工的用户权限，则在Quick BI中的数据权限也会自动改变。

来电科技BI报表的主要访问用户有管理层、业务BD、运营等角色，Quick BI为不同用户角色提供差异化的数据分析看板，如：面向管理层提供大盘分析，面向组长提供每日经营分析，面向BD提供KPI监控分析，以解决不同场景的看数诉求。这就对工具的权限管理提出了很高的要求，Quick BI的分级权限管控、集中式权限管理和空间级隔离使权限管理变得简单方便，同时在数据层面还可对表级、列级和行级权限进行管控，实现数据分析的千人千面。

来电科技权限管控示例图

二、智能分析轻松上手 提升员工工作效率

来电科技的业务推广渠道，分为直营线和加盟线，业务侧通常需要通过向数据团队发起数据分析需求，以此获得数字化能力的支撑，从而最大限度地依靠公司实际经营数据做出正确判断和决策。

数据团队一旦接到需求，从取数、分析、尤其是最后形成可视化的报表需要投入大量的工作人日。这一过程通过传统的开发模式往往无法及时准确的响应，有的需求甚至会堆积数月，导致错过调整经营策略的最佳时间窗口期。

Quick BI仪表板操作界面示例图

数据团队利用Quick BI大幅降低了对业务侧临时需求的支持时间。数据团队进行数据接入、模型构建等底层支持，使用简单的拖、拉、拽，低代码可视化的操作方式，快速响应需求，沉淀了上百个不同主题的仪表板。业务团队甚至可以利用Quick BI自助分析能力，自行消化临时需求。数据团队与业务团队的协作效率提升了约70%，时间从几周减少到了几天。让业务从发起需求，到最终应用于业务决策，能快速推进落地。

三、打造数据消费文化，依托数据进行精细化运营

“以前，做好了可视化的仪表板，整个分析链路就算到头了。Quick BI给我的想象力是全公司每个人都能拥有持续自助分析的能力”，来电科技CTO罗昌明说到。

从管理层数据驾驶舱，到业务专题分析门户，再到一线人员轻松入门的电子表格和自助分析，来电科技利用Quick BI快速在企业内部普及数据消费文化，为企业各种角色和场景制作培训视频进行推广，产品使用覆盖70%~80%的员工。

来电科技进行Quick BI内部培训

对手“贴身”肉搏的竞争和自身业务的急剧扩张，让在一线推广的业务人员迫切地需要数据化支撑来为行动提速。以KPI考核的指标监控场景为例，Quick BI帮助BD发现问题，辅助决策，以解决问题。

来电科技总部会制定月度KPI，并层层拆解至每一位BD的月度考核的指标，数据开发者会针对影响KPI完成的因素来创建分析专题并制作报表。BD在这些报表中洞察出达成KPI的方法。

KPI指标设定示例图

在商户分析主题中，若发现高价值客户流失，则需要启动线下拜访计划，尝试挽回。在设备分析主题中，若发现设备使用持续饱和，就需要及时对充电宝进行补充。若设备出现异常指标，如多天不开机或周期内零动销，Quick BI也将触发告警，将异常情况及时传递到相关人员移动端设备予以提醒，以便及时对硬件设备进行检修。

在新客拓展的场景下如何挖掘高价值点位，需要综合各项因素，形成差异化的收费标准和服务模式，而这套运营体系也可以依靠Quick BI对现有高价值点位的画像进行拓展和优化。

四、深植互联网基因，便捷的移动端操作和在线协同体验

提起为什么在众多BI产品中选择了阿里云数据中台的Quick BI，来电科技CTO罗昌明强调说，因为Quick BI 在他看来是一款真正具备“互联网基因”的产品。

随着与阿里云合作的实时数仓建设落地，订单系统数据和财务结算数据实现了实时的更新。当加盟线的代理商们能够实时看到自己的营收变化，对来电科技的信任度有了大幅的提升，业务进入到实时决策的新局面。

得益于Quick BI移动端能力，为来电科技长期在外奔波的一线员工创造了便捷的数据消费体验。

移动端的仪表板组件均为移动场景定制，并非简单的以PC端进行适配。横竖屏自由切换方便查阅；点击弹出浮框方便操作返回上级页面；和钉钉、企业微信、飞书等办公工具灵活集成，无阻协同；当数据发生异动时，自动触发告警提示推送到相关人员移动设备。

来电科技移动端仪表板

大数据时代企业除了在基础建设中更为重视数据以外，对执行力和速度的响应要求也越发严格。BI软件也不再仅仅是一个工具，更是一套契合数智化时代的决策管理方案，通过对数据的整合，融入业务逻辑，供给执行层行动指南，供给管理层决策参考，及时把控整体业务，发现业务问题，调整经营决策，从而不断改善整体业务，推动业务增长。

女装行业一直以来就面对着不确定性风险，那就是以企业视角设计生产的服装，总是追不上消费者需求的变化。

《2020年中国服装行业数据中台研究报告》中提到，库存问题是长期困扰服装行业的核心痛点。服装制造商往往无法准确预估市场消费能力和个体购买偏好，导致供过于求，大部分服装难逃“打折”结局。

生产端与需求端的错配风险一直存在，新的风暴却在源源不断产生。

报告显示，面对复杂多变的国际形势和国内供给侧改革压力，特别是疫情期间宏观经济增速放缓的市场环境，服装行业面临诸多风险和不确定性因素。近两年以来，我国服装行业整体营收呈下降趋势，行业面临调整与洗牌。

报告分析，存货周转率下降和线上电商对线下销售渠道的挤压成为当前我国服装行业所面临的两大痛点问题。

为此，数字化转型成为了服装行业脱困的重要方向。报告显示，服装行业作为较早开始进行数字化转型的行业之一，已经在服装设计与生产、客户关系管理、营销渠道拓展等方面取得了初步的智能化进展。

服装行业的“海底针”

说白了，谁能通过数字化方案更好地识别消费者需求，谁就率先抓住了突出泥沼的机会。

这其中，女装消费者敏感多变的心理，成为了服装企业数字化转型的一大考验。

从上世纪中叶到现实的今天，如“女王”一般在职场上拼杀的职业女性，被视作女装行业消费者中最难捕捉的所在。报告中提到，受女性消费者拒绝撞衫的影响，女装行业集中度相对较小。这一点也让面向职业女性的服装企业必须不断推陈出新。

同时，职业女性对服装有更多元的需求，她们因独立而作出超越企业设计的消费选择，让面向都市职业女性的服装企业受困于以猜测驱动生产的模式，亟待转型。

日播集团旗下主打品牌“broadcast播”创立于1999年，是中国早期真正意义上原创性的都市女装品牌之一。成立至今，都市中成长型女性的处世价值始终是品牌美学的对焦之处。

日播集团副总裁林亮毫不讳言，他们对于消费者需求的反应，正处在“由猜到懂”的重大转型之中。

很早就在“猜”

和很多传统服装企业一样，日播集团以批发模式起家，长年来渠道布局以线下为主。因此，日播集团同样面临品牌与消费者需求之间沟壑纵生的现状。

但是，与同行不同，日播集团很早就寄望于数字化手段来“猜”明白消费者。

2000年，也就是日播集团起家的第二年，就率先尝试采用财务软件，也就是ERP的雏形。

2002年，日播集团正式采用了ERP软件。

同样来自《2020年中国服装行业数据中台研究报告》显示，CRM与ERP系统为代表的数字化客户关系管理系统在服装全行业实现普遍应用，要到2010年。

起步早于同行多年的日播集团，很早就实现了企业数字化的1.0版本，因此在2010年就开启了电子商务项目，开拓O2O市场。

2013年，该公司正式更名为日播时尚集团股份有限公司，集团化连营拉开帷幕，业务模式转型变革全面开启，由批发零售转为品牌运营。

2015年，日播集团开启了多渠道战略，探索从B2B到B2C模式转型，再到线上线下融合的全渠道战略。据林亮介绍，当时的日播集团在研发、终端门店都进行了数字化部署。

2016年，日播集团在天猫“一路向北”策略下，实现了北京门店线上下单、线下发货，打通了整条链路。

此后，日播集团逐步实现了设计开发系统3D制版，以及在生产端落地了原材料收发信息化、工厂车位管理数字化等等内容。

“我们实现了自身的很多数字化，但是没有延伸到我们的供应商”，林亮表示，也是在做全渠道转型的过程中，日播逐步做到了价值链里的数字化，也越来越意识到数字化的重要性。但是如何在业务数字化之后实现数字业务化成为了日播集团的瓶颈。

日播集团IT总监沈雪华介绍，日播集团在数字化链条中缺失的重要一环，就是利用已有的数据资产来支持运营决策，这也成为了日播集团今年到明年的重要任务。另外，日播集团也亟待将数字化能力赋能给分销商，期望与线下渠道实现数据层面的融合。也因此，在疫情期间承压深重的日播集团，还将资源投入到了数据中台项目，与阿里云展开深度合作。

之所以选择阿里云数据中台，日播集团考虑的不单纯是技术层面的因素，沈雪华表示：“我们看重的是阿里云数据中台对数据的应用和数据化运营的能力。”

2019年10月初步与阿里云数据中台接触之后，日播集团在2020年3月开始搭建数据中台，就此开启了对于“女性消费者心理””拨云见日的新阶段。

如今刚刚“懂”

目前，日播集团使用了阿里云数据中台Dataphin、Quick Audience、Quick BI等核心产品，在底层搭建、精准营销和运营等方面展开应用，也因此发现了过去没有注意到的更多维度的“女性消费者心理”。

过去，日播集团过去对于消费者洞察，主要基于消费者的职业属性。

“broadcast播”品牌定义的消费者主要来自都市精致独立女性，涵盖了公务员、教师、医生等职业。

随着数据中台数智化能力的加持，日播集团进行了新一轮的数字化分析之后，发现了“精致妈妈”这一重要的消费者属性。

“我们过去定义消费者是基于社会属性”，日播集团品牌总经理王卫平表示，现在通过数字化分析新增的生活角色维度，能更好地帮助品牌洞察市场，开展精准运营，比如拓展社区亲子活动，以及把童装和女装组织在一起开展会员活动，“数字的精准化对我们业务上的帮助非常大，可以帮助我们去精准运营我们的商品。”

借力阿里云数据中台，日播集团目前在市场洞察、全域营销等多个场景应用上也收获颇丰，2020年天猫双11期间实现了GMV同比增长84%以上的成绩。

理解之后，便要跟上TA

对于消费者需求“由猜到懂”的过程中，日播集团更加懂得了“女性消费者心理”。可是，如何让生产端和庞大的渠道体系性地跟上消费者心态的变化，去实时满足消费者的需求，成为了更大的考验。

为此，日播集团从2020年618大促开始尝试数据中台的Quick Audience能力，去持续打通全域数据的融合，这就需要为分销商体系制定基于全渠道融合战略的新规则。

为了消除经销商的顾虑，日播集团会向他们细致地分享实现全渠道数字化的蓝图和愿景。

“在这个愿景里，我们的经销商是非常重要的角色”，王卫平介绍，经销商不仅仅是参与贡献，更可以得到日播集团基于大数据链条的赋能，实现真正意义上的共创共赢，获得更好的收益。

现在，日播集团基于数字化能力的全渠道建设正在稳步进行，并在全国主要城市落地了数字云店，以此为抓手帮各地经销商实现线上小程序下单，以及销量结算等功能。

此外，日播集团还在密切关注数据中台引发的后续效应。“对我们内部业务来讲，数据中台会触碰到很多东西”，林亮透露，数据中台在集团内部的定位很高，品牌、战略、信息都在关注数据化运营获得的结果。日播集团期望通过数字化能力，来打造需求挖掘、商品动销、供应链端快速响应补单需求的闭环，“通过我们全渠道对用户的触达，把用户想要什么转变为我们一体化的流程，实现贯穿全链路的智能决策。”

为此，日播集团也很期待在数据中台二期工程中继续深化对阿里云数据中台核心产品的使用。

“业务数据化，数据业务化”，林亮表示，“这是阿里云数据中台当初打动我们的一句话，我们现在同样希望，能实现真正的数据业务化。”