在数据驱动决策的时代，指标平台已成为企业统一指标管理和赋能敏捷用数的核心基础设施。近期，NoETL指标平台最佳实践研讨会吸引了众多行业人士的关注，会上Aloudata大应科技携手麦当劳中国、平安证券、lululemon、理想汽车的数据团队负责人围绕指标平台的实践应用，以及与AI的融合创新分享了宝贵经验，圆桌对话环节更是碰撞出来自一线的真实数据环境实践的思想火花，为企业数据管理的未来发展指明了方向。
Aloudata：创新引领数据管理变革
Aloudata联合创始人兼首席产品官肖裕洪在研讨会上深入分享了公司在NoETL领域的探索成果。自2023年底推出业界首个NoETL指标平台——Aloudata CAN以来，其“管研用一体化”理念备受业界认可。该平台致力于实现基于明细数据的指标定义和自动化加速，通过指标定义、研发和管理一体化，为业务提供更灵活、更一致的数据消费体验。
与此同时，Aloudata认为开放才是真正以客户和用户为中心。据肖裕洪介绍，Aloudata CAN可以开放对接企业的多种引擎，充分利用客户的现有投资，并为适配未来的新技术和架构做好准备。同时，Aloudata CAN积极融入生态，不仅通过JDBC、API等方式与客户现有应用集成，还与Quick BI等BI工具、WPS办公软件等无缝融合。这种开放策略收获了显著成果，平台商业化短短一年，已服务30多家上市公司，涵盖多个行业领军企业，周均查询调用量达亿级，企业数据研发效能大幅提升，简单需求几分钟即可交付。
面对大模型发展浪潮，肖裕洪指出，大模型的平权化和智能化提升，同时也让构建高质量私域数据成为企业竞争关键。在数据消费侧，Chat BI等智能体应用兴起，“我们认为，Chat BI一定会成为趋势，但企业的智能体生态远不止于此。”为应对挑战，Aloudata判断无论是Chat BI还是智能体生态，都离不开两个核心要素：一是对话式的数据获取能力，二是主动的智能洞察能力。这其中，拥有“好数据”成为关键，而不仅仅是部署大模型。
对此，Aloudata加快产品升级：一方面通过持续增强指标平台的语义引擎、结合AI技术推出智能建模助手（Copilot）、深化Aloudata AIR和Aloudata CAN融合，为企业实现低成本数据高效就绪提供全方位支持，特别是可为企业的多智能体生态提供“单一可信”的数据服务；另一方面，Aloudata将推出一款以“万数皆可问”为目标的Chat BI智能体——Aloudata Agent，搭配面向AI的API和SDK，助力企业实现AI应用创新。
目前，Aloduata Agent已具备一些重要功能和特性，能够为企业提供初步的智能化支持：第一是对话式分析，支持灵活、准确的对话式取数、归因分析和智能分析报告生成；第二是分析过程透明化，清晰呈现分析过程，保留中间产物，确保用户能够清晰地了解每一步的分析逻辑，以及在事后进行分析的回溯和审计；第三是数据准确可信，能够将用户的问答与企业标准指标口径对齐，确保分析结果的准确性和可信度；第四是数据安全可保障，通过指标平台精细化的数据权限管理确保数据在分析过程中的安全性和可控性。肖裕洪透露，Aloudata Agent将于4月份开启公测。
Aloudata大应科技创始人&CEO周卫林从宏观视角解读了AI时代企业核心竞争力与数据的关系。他认为，人才、技术、资本等传统壁垒在AI冲击下逐渐消融，企业核心竞争力将建立在“知本”之上，表现为私有知识库体系。指标平台作为企业确定性的私域知识库，在经营决策场景中至关重要。同时，他提出Chat BI的两个关键判断：关键不在BI，而在数据；核心不在GPU，而在CPU。这意味着Chat BI的发展依赖数据供应链重构和数据处理范式革命。为此，他为企业Chat BI落地提出三点建议：打造好数据，实现强智能；确保数据可溯源、可审计；推动指标平台全开放，构建大生态。
NoETL实践：数据管理的多元探索
麦当劳中国数据中台负责人陈润红分享了与Aloudata合作建设指标中台的实践经验。截止去年底，麦当劳中国门店数量已突破6800家，且以每年1000家的速度增长，拥有员工超20万名，每年服务超13亿次顾客。随着各类数智应用快速落地，麦当劳中国在运营效率提升、客户营销等方面衍生出许多数据需求，但传统的宽表式开发模式存在的指标缺乏统一管理、重复开发成本高、难以灵活分析洞察等弊端显现。
通过构建“管研用一体化”的指标中台架构，在指标管理方面，麦当劳中国实现了命名规范、上下线审批、权限控制和版本变更的标准化管理，完成了8大主题、近千个指标的沉淀，确保指标的一致性和可追溯性；在指标研发方面，为研发团队提供了标准化的工作台，支持快速配置指标语义和物化加速方案，显著提升了开发效率，99%的API响应在5秒以内；在指标消费方面，通过指标目录、归因分析、指标预警、指标 API 服务以及指标分析看板等功能，全面赋能后端各类业务应用场景，满足多样化的数据需求，实现了更标准的指标管理、更高效的指标研发和更智能的数据分析。目前，指标中台在餐厅运营、营销增长、管理决策等场景广泛应用，如优化餐厅能耗、助力营销活动全流程协作、提供决策分析支持等。
此外，陈润红还对指标中台未来发展进行思考，认为其在企业数据治理中可发挥重要作用，并预测NL to Semantic to SQL将成为Chat BI主流方式。
麦当劳中国指标中台建设方案
平安证券数据平台负责人倪程伟介绍了指标平台在公司的落地情况。平安证券在数字化转型中，面临报表口径不统一、重复开发、数据洞察不足等问题。为解决这些痛点，公司在现有数据平台和基础设施上，通过“查询引擎加速层、指标灵活配置层、业务自助消费层”三层架构构建经营分析数据体系，指标平台在整个体系中起到承上启下的作用。通过指标平台，平安证券实现了指标“一次定义，处处使用”，提升数据开发效率，支持多种业务场景。同时，指标平台与策略平台、标签平台打通，实现策略动作分析闭环，助力精准资源投放。借助于指标平台，在维度归因方面平安证券也取得了一定进展，并加快探索对话式BI，现已开发出一些小型演示Demo。
平安证券指标平台建设方案
圆桌对话：给出指标平台落地可行路径
在指标平台选型上，理想汽车数智平台产品负责人滕永铮强调生态构建能力和数据加速能力，因为企业很难通过单一产品解决所有问题，而是需要基于该产品衍生出完整的生态，所以指标平台能够支持丰富的API扩展和数据对接功能尤为重要，且对于数据量极高的场景能够提供良好的数据查询加速能力。lululemon Data Solution Senior Manager张巍关注数据治理与管理需求、与现有数据仓库集成情况及使用体验，要能够帮助企业应对数据和报表激增后带来的管理难题，通过一个“抓手”实现数据的有序管理和高效利用。
评估指标平台价值时，陈润红从业务和技术视角出发，关注投入产出比和对研发人员、产品经理的助力，看重指标平台能覆盖多少关键业务场景，并带来可量化的业务收益，以及对开发流程和效率的优化提升。倪程伟注重解决业务痛点和适应未来发展能力，强调短期内看能否解决实际的业务痛点，长期看要考虑是否具备适应未来技术迭代和应用场景扩展的能力，以提供更灵活的分析和洞察能力，成为企业智能化的数据新基建。
关于指标体系梳理和平台与数仓关系，陈润红建议结合业务需求逐步完善指标体系，要抓住源源不断的业务需求，将其转化为指标体系中的每一块拼图。倪程伟强调先梳理业务流程再构建指标体系，因为指标体系的意义在于反应业务的运行情况和效果，通过对业务的度量、追踪和调整，为业务经营管理决策提供支持，所以只有完整的业务流程梳理，才能构建出有效的指标体系。
谈及大模型对指标平台建设的影响和未来发展方向，张巍认为企业需要的不仅仅是数据和指标，更重要的是知识，因此将指标、报表等集成到AI知识体系将成为重要的探索方向，已降低大家获取知识门槛的一个渠道、一种工具。滕永铮则提到了要利用AI能力解决数据的相关问题，以提升数智平台产品效能，如帮助分析大量日志，快速定位和排查系统错误，或者帮助用户优化编写不佳的SQL语句，提升数据查询和处理效率等。
尾语
此次研讨会汇聚各方智慧，为企业在数据管理领域创新提供了丰富的思路和实践参考。NoETL指标平台作为全新的数据管理软件品类，正引领企业数据管理变革，并随着技术不断创新和应用实践的深化，将在企业数字化转型中发挥更为关键作用，助力企业在数据驱动的时代释放数据价值，提升核心竞争力，实现数智化转型。
