架构视界
主页
企业架构
  • 方案总览
  • 业财一体
  • 企业中台
  • 组织与绩效
  • 流程治理
数据收集与分析
  • 转型总览
  • 信息化阶段
  • 数字化解决方案
  • 智数化解决方案
  • 智能化解决方案
  • 产品设计
  • 项目管理
全栈软件工程
AI 原生软件工程
方法论
博客
  • 资源导航
  • 效率工具
  • 展示专区
主页
企业架构
  • 方案总览
  • 业财一体
  • 企业中台
  • 组织与绩效
  • 流程治理
数据收集与分析
  • 转型总览
  • 信息化阶段
  • 数字化解决方案
  • 智数化解决方案
  • 智能化解决方案
  • 产品设计
  • 项目管理
全栈软件工程
AI 原生软件工程
方法论
博客
  • 资源导航
  • 效率工具
  • 展示专区
  • 数字化转型

    • 数字化转型:从信息化到智能化的架构演进
    • 信息化阶段:业务上线,数据留痕
    • 数字化解决方案:业务应用跑通端到端流程
    • 智数化解决方案:业务应用 + 数据应用
    • 智能化解决方案:业务应用 + 数据应用 + AI 赋能
  • 数字化平台技术方案

    • 多业务域数字化平台技术方案
    • 架构与部署蓝图
    • 三阶段演进视角
    • 交付与治理
    • AI 赋能层设计:在既有平台上叠加

智数化解决方案:业务应用 + 数据应用

智数化不在业务应用里改功能,而是在其上加一层数据应用:数仓、指标平台与数据服务。业务系统继续负责记录与执行,数据从"系统副产物"变成"可治理、可服务、可复算的资产"。

1. 方案范围:业务应用之上加数据应用

层次本方案说明
业务应用延续流程与业务系统不变,报表与分析负载从中剥离
数据应用本方案新增数仓分层、指标平台、主数据与数据服务
AI 赋能未涉及分析、归因与判断仍主要靠人

数据应用不是一张更大的报表:报表是数据应用的消费端,可信的口径、归属与加工链路才是主体。没有数据应用层,业务应用里的数据只能各说各话。

2. 阶段判断

出现以下信号,说明业务应用已跑通、需要加数据应用:

  • 报表很多,但经营会仍在争论"哪个数是对的";
  • 指标没有唯一责任人,出表人各自解释口径;
  • 取数依赖个人脚本与经验,需求排队且不可复现;
  • 业务开始要求归因、预测与预警,报表体系无法支撑。

3. 业务问题

问题典型表现
口径同一指标在不同报表、不同部门数值不一致
归属数据出了问题找不到责任方与上游链路
时效报表靠 T+1 手工汇总,决策时已经过时
服务取数需求靠人接单,分析结果难以复用

目标是把数据从"系统副产物"变成"可治理、可服务、可复算的资产"。

4. 解决方案

4.1 业务方案

  • 建立经营指标树:从经营目标拆到业务过程指标,每项指标有唯一名称、口径与责任人;
  • 把指标和决策场景绑定:经营例会看哪些指标、异常时由谁解释;
  • 明确数据责任:业务部门对口径负责,数据团队对加工与质量负责。

指标树不是指标大全。能用它做决策的才算有效指标,凑数的指标会增加维护成本。

4.2 应用方案

  • 数据底座:数仓或湖仓作为独立层,报表与分析不再直接压业务库;
  • 指标平台:指标定义、计算与对外服务统一管理,避免在每张报表里重复写 SQL;
  • 主数据管理:客户、物料、组织等核心实体统一编码与维护流程;
  • 数据服务:以 API 或数据集形式对外提供,分析结果可以复用;
  • 数据目录:表、指标、血缘与责任人对内可查。

4.3 数据方案

  • 分层建模:贴源层(ODS)、明细层(DWD)、汇总层(DWS)、应用层(ADS);
  • 指标口径沉淀为可执行定义,而不是文档里的一句话;
  • 数据质量规则前置:完整性、唯一性、及时性与一致性检查;
  • 血缘与影响分析:指标异常时能定位到上游表与作业;
  • 历史与变更管理:口径变更需要版本与生效时间。

4.4 技术方案

  • 湖仓或 MPP 数据库承载分析与明细存储;
  • 调度平台管理作业依赖,失败可重跑、可告警;
  • 元数据与权限体系独立建设,行列级权限按角色配置;
  • 成本可见:存储、计算与查询成本按域核算,避免分析需求无序膨胀。

5. 本阶段产出的架构产物

产物内容相比数字化阶段的变化
经营指标树目标、过程指标、口径与责任人从业务指标零散定义升级为体系
指标字典名称、口径、维度、生效版本从报表说明升级为可执行定义
数仓分层模型ODS/DWD/DWS/ADS 与主题域从业务库直接出表升级为分层建模
主数据标准核心实体编码与维护流程从各自编码升级为统一主数据
数据服务目录API、数据集、责任人与 SLA从人工取数升级为可复用服务
质量与血缘质量规则、血缘链路与告警从出了问题再查升级为可观测

6. 进入下一阶段的信号

数据应用让数据可信,但判断仍主要靠人。出现以下信号时,在业务应用与数据应用之上再加 AI 赋能,进入智能化解决方案:

  • 规则与人工判断成为瓶颈,异常处理依赖资深人员经验;
  • 知识分散在文档与个人手里,查询与培训成本高;
  • 业务希望用自然语言获取分析结论,而不是学报表工具;
  • 预测、归因与生成式交互的需求开始出现。

7. 常见误区

  • 先买 BI 工具再治理口径,工具只是把错误口径展示得更漂亮;
  • 指标由数据团队单方面定义,业务不认账,最终回到线下对数;
  • 数仓按部门建集市,物理集中、逻辑依旧孤岛;
  • 只做报表不做数据服务,取数仍然靠人;
  • 数据质量靠人工抽查,没有规则、告警与责任闭环。

继续阅读

  • 数据收集与分析:需求、采集、处理与分析的闭环视角
  • 数据架构:数据归属、存储选型与分级安全
  • 智能化解决方案:在两层之上加 AI 赋能
最近更新: 2026/11/20 17:51
Contributors: 庆峰
Prev
数字化解决方案:业务应用跑通端到端流程
Next
智能化解决方案:业务应用 + 数据应用 + AI 赋能