![]()
导读 本文将分享信通院在企业数智化能力成熟度模型（EDMM）领域的研究成果。包括数据中台、智能中台和知识中台的定义、能力模块及其评估方法。信通院作为学术型研究机构，重点在于产业研究和标准制定。本文主要探讨自前年开始研究的企业数智化能力标准。
1. 数据智能的背景介绍
2. 解析企业数智化能力成熟度模型（EDMM）的标准体系
3. 未来的工作规划
分享嘉宾｜王卓 中国信息通信研究院 高级业务主管
编辑整理｜Neil
内容校对｜李瑶
出品社区｜DataFun
数据智能的背景介绍
![]()
自 2014 年发布首版大数据白皮书以来，信通院在数据领域持续深耕，至今已发布七版大数据白皮书，见证了大数据产业从初步发展到相对成熟的演变过程。今年，信通院首次发布了《数据智能白皮书》，对大数据白皮书进行了全面升级，强调了数据与智能的融合，旨在推动数智化转型。《数据智能白皮书》详细阐述了数据智能的概念。由于数据智能是一个新兴概念，尚未有标准化定义，通过广泛调研和专家交流，形成了对数据智能的基本理解。数据智能是对传统数据和智能两个概念的延伸。以往，数据和智能的关系较为松散，数据处理主要依赖传统的数据分析手段，而智能则主要用于基于人工智能的决策和模型应用。随着技术的发展，这种松散的关系正转变为更加紧密的结合。一方面，智能化手段成为数据创造价值的主要途径；另一方面，数据工作的效果也决定了智能模型的应用成效，两者关系变得更加紧密。当前，智能化技术的成熟不仅反向提升了数据技术，特别是在非结构化数据处理方面，也推动了数据技术的进步，从而提高生产效率。这种双向的提升促进了全数据、全形态数据的价值释放。现阶段的模式是结合全生态数据，通过决策型和生成式人工智能技术，辅以传统的数据应用手段，来作用于生产和生活领域。数据智能的概念可以总结为：以全新的数据为核心资源，利用大数据和人工智能融合的技术体系，通过决策型和生成式人工智能及传统数据应用方式的协同作用，最终形成一种全新的生产和生活方式。这一概念不仅展示了数据智能的核心价值，也明确了其在推动数智化转型中的关键作用。2. 数据智能的发展历程
![]()
数据智能的发展历程可以大致划分为三个阶段，这些阶段是根据每个时期的技术特点和驱动因素来定义的：- 第一个阶段：技术驱动的探索阶段，涵盖了 2000 年之前的五十多年。这一时期从数据库的发明和统计学习算法的出现开始，技术的探索是自发的，主要依靠发现和应用早期的算法和工具来应对实际问题。
- 第二个阶段：数据驱动的阶段，始于 2000 年左右，持续到 2020 年。这一时期的核心特征是数据体量的爆发式增长带来了新挑战和新需求。这一阶段显著表现为分布式计算、流处理和深度学习等技术的出现，用以应对数据规模的迅猛增长，并推动了数据驱动的技术发展。
- 第三个阶段：应用驱动的阶段。近几年进入到这个阶段，技术体系逐渐融合，如大数据与人工智能的整合，以及多模态大模型的应用。与前两个阶段不同，这一阶段的关键在于如何将数据和技术应用于实际场景中，实现综合价值。这要求在实际应用中对多种技术进行融合，以解决复杂问题，推动数据智能的融合形态的形成。
数据智能的发展经历了从技术驱动、数据驱动到应用驱动的三个阶段，反映了技术进步和应用需求的不断演变，最终形成了现阶段的数据智能融合形态。3. 数据智能的价值和意义
![]()
在探讨数据智能的价值和意义时，其核心价值在于提升效率，这种提升在多个层面得到了体现。数据智能通过智能化自动处理取代传统人工环节，虽然某些简单任务可能导致人力的部分替代，但对于更复杂的环节，数据智能显著提高了生产效率。在这些情况下，智能技术赋能不仅提升了工作效率，还可能催生新的生产方式和环节，从而本质上提升了以人为核心的生产效率。从局部到全局，这种效率提升在不同层面上都有体现：在企业层面，数据智能通过从数据中提取有效信息并转化为知识，提升了决策效率，并促进了业务流程的创新。企业能够实现半自动化决策，更好地适应市场变化。
在产业层面，数据智能推动了技术服务产业的发展，创新模式和生产关系的重塑，提高了整体生产效率。
在社会层面，数据智能提高了信息和知识的获取便利性，促进了信息在社会范围内的流动，同时提升了资源配置的效率。
总体来看，数据智能是提升效率的主要途径，具有广泛的社会和经济意义。4. 数智化转型的现实基础
![]()
数据智能对未来的巨大作用已经得到了广泛认同，推动企业数智化转型已成为国内外的共识。各国已出台相关政策，鼓励企业采用数智化技术，以提升自身水平，并推动整体经济发展。在技术发展的层面，数智化转型的基础分为理念和技术两个方面。经过几十年的发展，数据技术和智能技术均已进入成熟阶段。信通院在多年的大数据研究中，将数据技术划分为五大核心领域，每个领域内已有众多成熟技术。此外，提出的数据要素理念强调了数据价值的发挥对于获取时代机遇的重要性。智能技术方面，经过多年的演变，主流技术形态逐渐清晰。尤其是生成式人工智能技术的震撼效果进一步展示了智能技术在释放数据潜在价值方面的巨大潜力。在这两者的共同提升下，企业对数智化转型的关注度显著提高，认识到其带来的优势和作用。5. 机遇和挑战
![]()
在企业进行数据智能转型过程中，虽然可以实现降本增效、创新业务形态和优化用户体验等诸多益处，但这些成果往往在实施和完成后才会显现。然而，数据智能转型的初期和过程中，企业常面临诸多挑战。首先，目标的制定需要清晰明确，确保与企业战略一致。其次，选择合适的方法和技术构建数据智能系统是关键，需要考虑技术的适用性和可扩展性。此外，识别有价值的应用场景和建设必要的能力也是转型成功的重要因素。企业还需在过程中进行正确的技术选型，并设定有效的评估标准，以衡量转型效果并调整策略。企业数智化能力成熟度模型（EDMM）的标准体系解析
![]()
中国信通院启动了数智化能力成熟度模型（EDMM）的研究，旨在为企业数智化转型提供系统化的框架。此工作从 2022 年开始，当时数智化转型的概念刚刚提出。由于缺乏先例，信通院对互联网、金融、运营商、零售行业等先进企业的实践进行了深入调研，并总结出了一套框架模型。基础设施层，重点是数据智能基础设施，取代了传统的数据基础设施，为上层的数据和智能活动提供高效的存储和计算能力。
数据智能中台，包括数据中台、智能中台和知识中台，这些中台作为核心生产环节，持续支持和供应上层所需的数据、算法模型和知识。
数据智能应用层，涵盖了通用类应用、场景化应用和行业化应用，直接体现了数智化转型的业务价值。
长效机制，包括提升数据素养、建立评价体系等，确保能力的持续运行和优化。单次构建能力无法保证长期有效，因此需要长期机制来维持和优化数智化转型成果。
该模型的设计目的是描绘企业数智化转型所需的能力，并为企业提供对标和补充的参考，帮助识别已实现的能力和存在的缺失。通过这一系统化框架，企业可以全面理解数智化转型的各个方面，并确保长期有效的转型效果。![]()
数据智能基础设施是数智化能力成熟度模型的首要部分，涵盖了从传统数据基础设施向数据智能基础设施的升级。这一层不仅关注技术能力的提升，还包括组织保障、运维管理和硬件资源等多个方面。虽然许多中大型企业在基础设施建设上已有较为全面和坚实的基础，但仍需强调数据和智能在基础设施中的全面体现。这部分的能力模型框架旨在指导企业建设具备全面能力的数据智能基础设施，从而支持更高效的数智化转型。该部分标准内容的编制工作在今年下半年仍会继续进行。![]()
数据智能中台是数智化能力成熟度模型中的一个核心部分，其内容相对庞大且复杂。数据中台的定义和实现经历了多年的演化，早期的中台概念主要集中在标准化的数据归集和复用架构上。然而，随着时间的推移，这一概念已经泛化，数据中台不再局限于某一套固定的技术体系或工具，而是转变为一个更为灵活的核心生产线。在模型体系中，数智中台的核心目标是将下层的原材料（数据、模型等）有效地供应给上层，满足其使用需求。无论技术条件如何变化，数智中台的本质在于实现这一过程，即通过中台构建一个能够持续生产和供给数据、模型及知识的系统。除了数据中台外，智能中台和知识中台也被纳入考量。这是由于对模型和知识的需求日益增长，智能中台和知识中台在企业数智化转型中的作用日益突出。因此，模型不仅关注数据中台的建设，还包括如何构建智能和知识中台，以满足企业对数据、模型和知识的综合需求。![]()
在数智化能力成熟度模型（EDMM）中，数据中台作为一个核心组成部分，其定义已经从最初的技术架构扩展为一个综合的能力框架。这一转变反映了对数据中台功能的更深层次理解。在过去，数据中台被视为一个标准化的技术体系，主要用于数据的归集和复用。然而，随着技术的发展和应用需求的变化，数据中台的概念也在不断演进。如今的数据中台不仅仅依赖于技术工具的实现，它更强调构建一个全面的数据能力框架。这个框架包括了多个方面的能力，首先是基础架构管理。企业需要设计和管理一个稳定的数据架构，包括数据仓库的建设和数据存储结构的设计。同时，还需要整合不同的技术工具，形成一个高效的技术解决方案。这些基础工作确保了数据管理系统的稳定性和有效性，为后续的数据处理和应用奠定了坚实的基础。在完成基础架构建设之后，数据中台的关键功能在于数据的开发和服务。数据开发是指通过标准化流程处理数据，将其转化为业务所需的有用信息。这一过程是数据中台的核心生产线，确保了数据能够以最适合的形态服务于业务需求。同时，数据服务通过统一的门户将处理后的数据提供给上层业务应用，满足不同业务部门的具体需求。此外，数据中台还需具备有效的数据管理和运营能力。数据治理是其中的关键环节，涉及数据质量控制和一致性检查，确保数据的准确性和可靠性。这包括数据的标准化、清洗和一致性维护。与此同时，数据运营则致力于优化数据的使用效果，提高数据应用的效率。通过这些能力的结合，数据中台不仅提供了技术上的支持，还确保了数据的高效管理和应用，推动了企业的数智化转型和业务发展。![]()
![]()
![]()
![]()
![]()
![]()
![]()
数据中台的能力成熟度模型从多个维度来评价企业的能力，这些维度涵盖基础工具、组织建设、流程制度和人员能力等方面。组织层面。模型对企业的能力有明确的要求。这些要求包括从最基础的能力到更高级别的能力的梯度化划分。例如，企业在数据中台的建设过程中，从初期的人员执行到后期的专岗设置，都需要逐步提高。模型强调了组织内部从人员配置到专职岗位的演进过程，以确保数据中台能够在不同发展阶段提供稳定和有效的支持。
流程制度。模型要求企业不仅要制定详细的实施细则，还要确保这些细则在实际操作中得到有效执行。企业需要在流程实施过程中进行实践和评估，以达到从基本到更高水平的逐层演进。这意味着企业不仅要有完善的制度安排，还需要在实际操作中验证和优化这些制度，从而不断提升能力水平。
技术工具。虽然基础工具能力在模型中已被详细体现，但企业还需要关注微观层面的非标准化工具。模型希望企业能够逐步补足这些细节工具，特别是要符合当前数据智能应用的趋势，例如自动化、低代码和可视化工具。这些特性可以帮助企业提高效率并适应不断变化的技术需求。
人员能力。模型要求企业为每项工作设定明确的能力门槛，并建立内部培养和外部引进的人才体系。这包括从培训提升到招聘外部专业人才，确保团队具备足够的能力来支持数据中台的建设和运营。企业需要不断更新和提升人员技能，以匹配数据中台的发展需求。
![]()
![]()
智能中台在数据中台之后，成为企业内部另一项核心能力的关键组成部分。近两年，算法模型在数据价值实现中的作用越来越突出。因此，智能中台的建设应运而生，旨在提升企业对算法模型的加工能力。智能中台的核心是将算法模型的处理能力进行系统化抽象。它主要涵盖了如何在企业内部高效地开发和应用算法模型。与数据中台类似，智能中台也可以视为一个能力集合，但其重点在于算法和智能处理能力的提升。这一能力集合包括了六个主要模块，这些模块涵盖了从模型开发到应用的整个过程。今年年中信通院发布的智能中台的第一版标准，并在下半年启动了智能中台的首期评估。这些评估将帮助企业了解其智能中台的建设情况，并为进一步优化提供指导。智能中台不仅是数据中台的延续和扩展，也代表了企业在智能化转型中的一个重要进步，推动了算法模型的实际应用和价值实现。![]()
AI 开发能力。这是智能中台的核心模块，包括了算法开发的整个流程：从数据标注、特征工程、模型训练到最终的开发和优化。这一模块确保企业能够有效地开发和调整算法模型，满足实际业务需求。虽然具体的技术细节和工具实现可以因企业而异，但这一流程是智能中台必不可少的基础能力。![]()
AI 运营能力。在模型开发完成后，如何有效地运营和使用这些模型至关重要。模型运营能力包括模型生命周期管理、模型性能指标体系、使用效果评估等方面。此外，运营工具的配置，如模型评估工具，也在这一模块中发挥作用，以确保模型的持续有效性和优化。![]()
AI 服务能力。这部分关注于如何将开发好的算法模型提供给应用层使用。服务能力包括统一的服务接口或平台，提供模型和应用的集成服务，涵盖不同类型的服务模式，如接口服务和模型推理服务。这一模块保证了模型能够顺利地与业务系统对接，并提供稳定的服务支持。![]()
AI 安全能力。随着大模型的使用，安全问题成为一个重要关注点。AI 安全能力包括数据隐私保护、模型安全、内容安全以及基础设施的安全。这些方面确保了在数据处理和模型使用过程中，不仅保护数据隐私，还防范潜在的安全风险。![]()
资源管理能力。在算法研发过程中，底层资源的管理同样关键。这包括数据管理、算法资源管理、算力管理以及平台的资源管理。有效的资源管理能够支持算法的研发和模型的高效运行。![]()
组织保障能力，包括组织的建设、制度流程、运营能力等。![]()
知识中台是近年来随着大模型技术兴起而逐渐受到重视的一个领域。尽管早在几年前，企业就已经开始尝试构建知识库、知识管理平台，甚至使用知识图谱，但这些尝试往往缺乏系统性，直到大模型的快速发展使得企业意识到，通用大模型的有效应用离不开对行业特定知识和企业内部业务知识的整合。知识中台的核心目标是通过系统化的手段，对组织内部的知识进行汇聚和管理。早期的做法，如建立知识库和知识图谱，虽然为知识中台的形成奠定了基础，但它们主要侧重于知识的储存和分类。知识中台的真正价值在于通过结构化的方式，对这些知识进行深入的管理和应用，这包括从各种来源提取和整合知识，对知识进行组织和构建，并在此基础上进行挖掘和加工，以便于实际使用。具体来说，知识中台的建设涉及几个关键方面。首先，知识的抽取和汇聚是基础工作，通过提取和整合信息，为后续的管理和应用打下坚实的基础。接着，需要对这些知识进行系统化的组织，形成结构化的知识体系，确保知识的存储和检索高效而准确。知识的挖掘和加工则是利用技术手段深入分析知识，挖掘潜在的价值和关系，以提升知识的应用效果。知识管理方面则包括对知识的生命周期进行有效管理，保证其时效性和准确性。最后，知识中台还需要强大的技术平台来支撑其功能，这不仅包括知识的存储和管理，还包括对知识的服务和应用。知识中台通过提供统一的服务接口，使得整理好的知识可以被业务层高效使用，也能够将这些知识输入到大模型中，形成企业特有的大模型。这种系统化的知识管理不仅帮助企业将分散的知识资源转化为实际的业务价值，还能推动企业在智能化转型中的成功。![]()
数据智能应用的核心在于将前面提到的中台（数据中台、智能中台、知识中台）的能力有效地转化为实际业务中的价值。只有当这三个中台系统完善之后，才能真正发挥数据智能的作用，提升企业的业务效能和决策水平。在数据智能应用这一层面，实际应用的环节是最接近业务价值的部分，也是企业最直观的感知点。数据智能应用可以分为三类：通用应用、场景化应用和行业应用。每一类应用针对不同的需求和环境，提供特定的解决方案和服务。通用应用是最基础和广泛的应用形式，包括数据可视化、通用数据分析、数据 API 接口等。这些应用可以广泛适用于各种企业和业务场景，帮助企业从数据中提取基本信息和见解，进行日常的业务分析和决策支持。场景化应用则更加针对具体的业务环节和功能需求。例如，数字营销是一个典型的场景化应用，它帮助企业优化营销策略、提升广告效果、分析消费者行为等。场景化应用通常针对企业运营中的特定环节，如销售、客户服务、风险控制等，通过智能化手段实现业务目标和优化流程。行业应用是最复杂和专业的应用类别。每个行业都有其独特的需求和挑战，行业应用需要针对特定的行业环境和特点进行定制化的开发和实施。例如，医疗、金融、制造业等行业都有各自复杂的数据处理和应用需求，这些需求通常需要行业专家的深度参与和理解。由于行业应用的专业性和多样性，它们很难在标准化的框架下进行全面展开，而是需要根据行业特点进行具体的解决方案设计。总的来说，数据智能应用是实现数据和智能技术价值的核心环节，它们将数据中台、智能中台和知识中台的能力具体化到实际业务中，帮助企业在不同的应用场景和行业环境中发挥最大效益。![]()
![]()
①数字营销：这是最常见的场景化应用之一。数字营销的需求可以分解为五个主要环节：数据采集与整合、建模与洞察、基于数据的决策、执行决策的行动（即数据驱动的运营），以及将运营结果反馈进行优化。这一流程帮助企业系统地管理和优化营销活动，提高营销效果。目前，金融机构、运营商、传媒和零售企业等行业正在应用这一模型来进行内部评估和优化。![]()
②智能风控：风控特别是在金融行业中的应用非常广泛。主要集中在个人信贷的风控模型，包括贷前决策、贷后管理以及规则模型等。金融行业中的风控涉及诸多复杂的点，因此信通院选择了信贷领域中的一些通用环节进行建模。这个模型旨在帮助金融机构更好地管理风险，做出更精准的决策。![]()
③财务管理：财务部门的工作具有较高的标准化，适合进行数据智能的赋能。信通院正在构建一个财务管理的数据智能模型，包括三大底层支撑能力、财务管理与运营能力，以及应用层的能力。这些能力帮助企业提高财务管理的效率和准确性，为财务决策提供数据支持。![]()
在企业数智化转型过程中，建立长效机制是关键的一步。这不仅包括了提升企业内部的数智化素养，还涉及如何有效评估和维持这些转型成果。一个挑战是如何让每位员工认识到数智化转型的重要性，并掌握如何使用已经建立的能力。这种认识的提升需要通过逐步的培养和教育来实现，这是确保数智化转型成功的一个重要方向。另外一个关键问题是如何评估转型过程中的建设和能力迭代效果。许多基础性的工作并不会像业务应用那样直接显现其效果，因此企业需要建立一个成效评价体系，以衡量能力建设的实际成果。这一体系将帮助企业了解其数智化转型的进展，并对效果进行科学评估。未来，信通院将继续探索如何完善这一评价体系，以更好地反映转型工作的成效。在提升数据素养方面，信通院希望通过构建一个评价企业数据素养水平的模型，来促进人才的提升。数据素养的核心在于人才，因为人的素养是企业整体素养的基本单元。企业通常面临的挑战是如何形成一套有效的人才体系，尤其是业务人员与数据人员之间的能力对接问题。许多企业发现，业务人员不懂数据，数据人员不懂业务，导致了沟通障碍和效率低下。因此，信通院致力于构建一个人才能力框架，区分技术类、应用类和管理类等不同岗位所需的专业知识，并将这些能力分为分析数据、数据治理、数据安全、数据开发、人工智能、产品管理和架构管理等七个领域。进一步地，信通院还希望为不同类型的技术人才提供具体的培养方案。因此，正在开发一个课程体系，按照初级、中级和高级三个等级，提供相应的培训要求。这些课程体系目前正在与多个机构对接，计划在下半年推出，旨在帮助企业系统地提升其数据智能人才的能力水平，从而支持企业的转型和发展。未来的工作规划
![]()
总体而言，企业数智化能力成熟度模型（EDMM）是为企业构建内部数据智能能力提供指导性框架的工具。模型中的每项能力都是一种抽象的能力，并不指代具体的技术工具或产品。其核心思想是通过明确所需的能力，来反向推导出相应的工具需求。这一过程会根据企业的技术水平、业务需求和优先提升方向等细节进行调整。未来的工作将继续围绕四个主要方向展开。首先是对现有成熟度模型的完善工作，包括基础设施、智能中台、财务和人才等方面。其次，信通院将启动新的工作，如评估模型的成效，并对已经相对完善的模型进行评估。这些评估工作涵盖数据中台、智能中台和知识中台等领域。中国信通院云计算与大数据研究所大数据与智能化部高级业务主管，长期从事数据智能领域相关标准、政策和产业研究等工作。牵头制定完成 20 余项数据智能领域行业、团体标准，深度参与各年度《大数据白皮书》编写工作，牵头编制《数据智能白皮书》、《数据中台实践指南》等研究报告，牵头制定《企业数智化能力成熟度模型（EDMM）》系列标准，续推动面向应用方的企业数智化能力成熟度评估工作，具有丰富的产业研究、标准编制、评估及咨询经验。
