随着新一代信息技术的飞速发展，数据已成为重要的战略性资源，驱动经济社会的发展，提高生产效率，创造更多价值。如今，数据资产正在逐步成为一种极其重要的新的资产类别。

Kyligence联合创始人兼CEO 韩卿在3月1日举办的Kyligence 2022春季线上论坛中提到：“以前我们都会把数据当成资产去运营，但是任何资产其实都是成本。Thought Works 最近提出了一个非常重要的概念叫数据即产品，这是我们非常认可的未来趋势。”

据悉，Kyligence的客户正在通过其平台构建数据产品，从而对外提供数据价值，进行数据变现，其中部分客户所构建的数据产品，已经成为其核心业务的收入来源。

数据基础架构向去中心化的方向演进

随着企业IT设施的增多，烟囱式的数据设施，带来了数据孤岛的问题，数据的使用、迁移、同步难度过大，且数据的不连通使得企业不能很好地发掘数据价值。以往的数仓产品仅能处理结构化数据，但企业内外部繁杂的数据类型，使得传统方法捉襟见肘。

作为Kyligence的投资人，红点中国合伙人刘岚在会上表示：“湖仓一体化的架构思路被推向主流，可以很好的解决数据孤岛的问题，让企业内部的指标管理更统一，数据接口更标准，分析更自助。而Kyligence正在积极地解决这一问题，并且已在平安、招行等多家银行客户落地，提供了标准范式。”

在过去的一到两年，数据基础架构正在从中心化架构向去中心化架构的方向快速演进，Kyligence 的产品和架构非常符合这样的发展方向，已经能够虚拟化不同的数据源，并且在中间构建了一整套抽象的数据集市层，即传统意义上的统一语义层。通过这个统一语义层，Kyligence 将企业内外部的所有数据看成一个更大的数仓或数据湖，并在其上构建了整体的数据连接能力。

OLAP on 数据湖：提供构建数据服务产品的能力

韩卿认为，每个企业其实都是一家数据公司，都将能够基于现有数据开发新的产品或创造新的价值，实现业务的提升与创新，为企业的数字化转型奠定良好的基石。与此同时，企业需要构建积极的数据文化和生态，数据团队将不再是单纯导数据的“表哥”和“表姐”，而是与业务团队共同为客户提供数据服务产品，从而让企业实现更好的业务增长曲线。

基于 Kyligence的OLAP 引擎，企业可以基于特定的业务场景构建相应的数据集市或索引，从而确保这些数据能够更快、更安全地被访问。Kyligence OLAP on Data Lake，是基于云上的数据湖提供的企业级OLAP引擎，具备六大特色优势：

大数据时代，一线业务人员对于数据的敏捷性有着更强烈的需求，为了能够尽快抢占市场先机，业务人员需要及时使用数据开展经营决策。Kyligence通过统一的语义层，为客户在云上构建多维数据集市，业务人员只需要在这样的数据集市中进行各种操作，而无需关心这些数据来自哪里，是什么类型。通过Kyligence批流一体的能力，业务人员只需要使用数据就可以了。

OLAP on Data Lake实现了一套语义支持多个BI工具，集数据定义、安全管理、审计等能力于一身，实现了云上数据的统一管控能力，避免了Excel场景中大量数据被导出后分发不受控的情况。

韩卿提到，2021年底，Kyligence 在支持亚马逊云科技Spot Instance后，以更加经济、高效和高并发的方式，帮助客户将云上的支出成本降低了70%以上。

企业级指标中台 以数据驱动管理效能提升

在过去的几年，多数企业都在面临“转型找死，不转等死”的困境，CIO也是一个非常容易焦虑的群体。数字化转型趋势下，即使是中等规模以上的BI或数仓的技术栈，也会有几百至几千张报表，每张报表的数据指标如果在十个以上，那就意味着有几万甚至几十万个业务指标，这些数据的口径是否统一?哪些数据被谁使用?哪些是最有价值的数据?这些问题都非常复杂。

更可怕的是，伴随ETL任务的膨胀，一张源表可能产生几万张衍生表，而整个数仓可能充斥着几百万张表，无数个ETL任务的重复性工作，带来的不仅是存储问题，不断被消耗的数据集群资源使CIO面临着更加严峻的挑战。实际上，Kyligence能够很好地解决这一问题，帮助企业客户更好地达成碳中和。

过去的几年里，各大银行纷纷投入建设口径统一、自上而下的新型指标平台，来有效衡量业务经营和发展情况，降低业务数据使用门槛，真正实现数据赋能一线业务，全面推动银行数字化经营。Kyligence在服务这些银行类高端客户的过程中，积累了一整套指标中台的通用能力。

Kyligence指标中台解决方案，将助力企业以指标为中心，去构建整个数字化体系建设的方法论，从而建立数据管理共识，最终服务于企业管理目标。

多维数据集市是指标中台的最佳技术底座，Kyligence期望通过其多维数据集市，为上层的数据指标提供更好的能力。基于Kyligence独有的AI增强引擎，企业客户可以通过现有SQL识别出相应的数据集市，并进一步通过系统自动化地推荐和治理重要指标。

据悉，Kyligence指标中台支持全生命周期的指标自动化构建和管理，给业务人员提供了用数字化的方式优化自身工作的赋能空间。以平安银行搭建的指标管理和指标应用的统一平台——潘多拉平台为例，实现了全生命周期的指标自动化构建和管理，显著提升了数据开发产能，对数据进行了有效的治理。

Kyligence联合创始人兼CTO李扬在接受企业网D1Net采访时介绍：“指标中台包含原子指标和偏业务向的衍生和派生指标两大类，后一类为业务创新提供了广泛的空间。例如，在标准标价之上，业务人员可以通过一些营销策略和阶梯折扣价，以数字化的方式证明自己有更好的报价方案。在统一的指标中台的口径之上，业务人员能够在现有原子指标的标准之上进行微创新，更能满足业务的灵活性和机动性。”

某银行经营管理作战室，在使用Kyligence 指标中台技术能力的过程中，不仅可以从现有的系统中抽取指标、进行管理，还能以宽表的形式自动化或半自动化地过渡到以维度为模型的经过治理的平台，大大地降低了ETL 的调度任务以及人力干预。

Kyligence 根据指标的基础定义，对指标进行智能建模，然后通过调度从数据湖中自动地加载数据，对指标进行加工和计算，整个过程无需手工的 ETL 开发。通过指标查询引擎，指标装配人员可以对指标进行查询和前端装配。与传统方案中指标的加工和处理相比，新的方案通过全自动化的指标加工和计算，大幅减少了指标的 ETL 开发工作，提升了开发效率和指标的上线速度，从而推动了作战室的快速建设，同时结合 Kyligence 的高性能在线联机分析引擎，保障了指标的秒级查询响应。

会上，Kyligence还分享了某股份制银行建设指标平台推动数据治理与数字化战略的实践，以及某领先的城商行通过指标平台赋能掌上银行智慧经营的案例。

云上数据分析代运营 带给中小企业的福音

尽管数字化转型是大势所趋，但是对于中小企业而言，技术学习、架构搭建和部署的时间和成本都需要持续性投入，这让很多企业负担沉重。

Kyligence在服务客户的过程中发现：由于一些中小型企业的IT 管理人员并非大数据专业出身，因此在云上部署大数据基础设施时，往往面临着很大压力，而维持大数据系统的稳定，可能比搭建它要困难十倍。中小型企业更想直接使用专业的数据能力，而非组建整个数据团队。

为此，Kyligence推出了全托管或半托管的云上数据分析代运营服务，目前这项服务已支持微软云 Azure 、亚马逊云科技、华为云和 Google Cloud 平台的用户使用。

Kyligence Cloud代运营模式，在数据不离开企业VPC(虚拟私有云)的前提下，以远程的方式帮助企业高效安全地运维 Kyligence 产品，并在现有的标准技术支持体系之上，额外提供集监控告警、定期服务健康检查、TCO 优化建议三位一体的增值服务。

据李扬介绍：Kyligence推出代运营服务，就是希望给用户提供一种拎包入住的体验。客户在线上进行服务申请后，只需享受大数据分析的能力即可，而无需负担 IT 运维工作，整个数据平台的搭建和运维都将由 Kyligence 的专业工程团队来完成。

Strikingly是一家网站建设的SaaS服务商，基于开源 Kylin 构建的网络流量分析平台，为全球200多个国家的上百万客户提供服务。起初，Strikingly的大数据IT管理员负责开发和运行简单的点击流分析产品，但服务不太稳定，有时会出现服务不可用的情况，这直接影响其客户体验。

2021年，Strikingly成为 Kyligence Cloud 代运营服务的典型客户，Kyligence Cloud 是完整的云原生架构，不仅替换了Hadoop，还将技术栈迁移到Spark ，以代运营替换其原有的运维方式，不仅大幅节约了IT资源，具备更强的弹性和伸缩能力，还将云上成本节约了53%。

Strikingly通过8项关键指标帮助其客户指导网站建设，属于非常典型的指标型的数据应用。通常，数据分析引擎的性能会随着数据量的增长呈现线性下降的趋势，但是Kyligence 的预计算技术在这些数据增长场景下表现非常优异，无论是查询的响应速度，还是查询的吞吐量，均处于非常平稳的态势。这说明在典型的指标应用场景下，预计算技术与指标数据能够互相配合，很好地解决了数据量增长、IT 成本也会随之不停增长的问题。

Strikingly CTO 在沟通中反馈：节约成本并不是其最大收益，Kyligence能够预判安全隐患，保障业务稳定，免除运维压力才是他们最看中的。因为就目前而言，要想找到一个好的运维人员，对很多企业来说非常困难，这不仅是人员薪资，还意味着很多管理成本。

以指标为中心 构建建设指标中台的方法论

在接受企业网D1Net采访时韩卿强调：“Kyligence希望以指标为中心构建建设指标中台的方法论，任何指标平台一定是一个管理系统，任何技术都无法解决所有的管理问题，例如不同部门指标不统一、指标过时等等，都属于管理问题。”

因此，首先应从管理入手，进行变革、协调和同步。从高层开始为服务某个管理目标建立共识，而非单纯搭建一个可视化的平台。他举例，在某公司，IT部门只负责做好指标平台的底座，而数据的标准定义则交给规划和战略管理部，这也是一种可行的做法。

其次，企业应该更聚焦、更快地去做闭环。例如，从一个部门或从一条产品线完成整个闭环链路，这样能够快速见到成效。不同部门的指标定义口径可能并不相同，而技术无法解决这一问题，Kyligence的方法是在一个部门或一条产品线内将其打通，形成统一的指标口径或指标治理目标，使效果易于被量化。在收获良好的成效之后，企业可以进一步地尝试更多应用，实现边使用、边治理，不断挖掘更多数据价值。