从NoETL指标平台最佳实践，取得指标体系建设“真经”

3 月 14 日，由 Aloudata 大应科技组织的「业界首场 NoETL 指标平台最佳实践研讨会」在上海成功举办。麦当劳中国、平安证券、华润数科、矩云信息、lululemon、理想汽车的数据负责人受邀出席，就 NoETL 指标平台在快消零售、金融、央国企、航空、汽车制造等跨行业、多场景中的最佳实践展开分享，为更多企业实现 NoETL 指标平台的平滑落地，提供了清晰且极具参考价值的实践路径。

会上，Aloudata 重磅预告即将推出「大模型 x NoETL」的全新产品——Aloudata Agent，一款面向企业各类场景的 AI 智能体应用，助力企业高效实现“万数皆可问”。Aloudata 还官宣与阿里云智能集团瓴羊 Quick BI 的战略合作成果，联合发布「指标定义-计算-可视化-智能分析」全链路产品解决方案。

新品类价值履约 数智先行者带来“实践真经”

作为数据管理软件新品类，NoETL 指标平台以增强语义模型、强大的查询加速及智能 ETL 能力，帮助企业实现指标「定义即开发、定义即治理、一次构建全局复用」。Aloudata CAN 作为新品类标杆产品，其价值经过跨行业、多场景的生产级验证，宣告了 NoETL 指标平台新品类的真正成立。

麦当劳中国数据中台负责人陈润红表示，随着公司加快供应链、库存、门店服务的全流程打通，智能数据应用需求激增，而传统数据开发服务模式下，指标口径缺乏统一管理，开发需求响应迟滞，数据分析不灵活，已难以满足各类数字化应用场景用数需求，且存算成本居高不下。

鉴于此，麦当劳中国选择 Aloudata CAN 构建了“管、研、用”一体的指标中台：在管理方面，实现了指标命名、数据权限、版本变更的统一管理；在研发方面，通过标准化工作台，快速配置指标定义和查询加速；在使用方面，通过指标目录、归因分析、指标预警等服务，赋能各类业务应用场景。

陈润红分享到，通过指标中台，麦当劳中国建立起统一的指标资产库，完成核心销售、财务分析、供应链等 8 大主题、近千个指标的定义与沉淀，目前已应用在餐厅运营、营销增长、管理决策等场景。“有了这个资产库，无论是经营报表、核心业务系统、餐厅智能设备，还是管理驾驶舱，均可以按需调用指标，真正地做到了指标口径的统一，实现‘一次定义、多处复用’。”依托于 Aloudata CAN，麦当劳中国还实现指标定义即开发，整个数据交付，据测试，可做到 99% 需求 5 秒内响应，冗余存储也大幅减少。

麦当劳中国数据中台负责人陈润红

平安证券由于用数需求快速增长，传统数仓建模开发模式的弊端开始显现，数智化运营进程中面临诸多挑战。例如：报表口径不一致，变更告知不及时；重复开发、需求响应慢，难以支持快速决策场景需求；80% 数据时间花在数据获取、可视化上，缺乏全局分析、数据解读和洞察等。

平安证券数据平台负责人倪程伟对此指出，建设经营分析数据体系势在必行。基于“业务线和 BI 线并行支撑经营分析”的建设思路，平安证券通过三层架构落地数据体系。一是查询引擎加速层，以 OLAP 引擎的快速查询计算能力，为业务高效消费数据打下底层基础；二是指标灵活配置层，通过 Aloudata CAN 指标定义和标准化指标查询 API，让指标“一次定义，处处使用”；三是业务自助消费层，通过将 Aloudata CAN 与微卡片打通，灵活调用指标查询 API，实现数据层和展示层口径统一，上下对齐。

目前该数据体系已嵌入到包括“指标设计方法、策略动作分析、业务经营分析”等场景之中，深度赋能指标的开发提效、具体业务行为的量化和全局洞察，以及数字化运营的提质增效。“通过引入指标平台，业务实现了自助分析，取数和分析周期从 2 周缩短到 1 天，领导问数也从天级别响应缩短到分钟级，指标口径也得到规范管理，而 TCO 和开发工作量则减少 50%。”倪程伟强调。

平安证券数据平台负责人倪程伟

作为华润集团重点培育的数字科技业务单元，华润数科为集团提供全面的产业数字化科技服务，包括生产制造数据服务、行业数字化服务等。由于数据覆盖行业众多，华润数科汇集海量数据，随之也产生了“数据孤岛”、数据质量参差不齐、企业/部门间口径不一等问题，面临数据“不可信、不可见、不可用”的挑战。

为此，华润数科数据科技部架构总监何正军表示：“这对于深挖数据应用，全面推动数据共享，加强流通交易机制，加强数据治理体系提出了更高的要求。”鉴于此，华润数科将 Aloudata CAN 和 Aloudata AIR 融入到数据产品架构之中，推动数据中台升级，在面向业务管理与运营方面，实现了以指标驱动和数据集驱动的数据应用双路径；在数据跨源查询和实时查询方面，实现了物理同步与元数据同步的双模式。

借助于全新的数据中台，华润数科实现了更高价值和高复用场景创新的探索加速。例如支持商户定制化营销，提高精准营销效果，预计能提升 5%-10% 的营销转化率，以及 3%-5% 的营收增长。而对于集团国资监管、产融协同、用户运营等场景，同样提供巨大帮助。

华润数科数据科技部架构总监何正军

矩云信息联合创始人 & 技术负责人曹曙玮则带来了南方航空的实践案例分享。他指出，南方航空用户中心运营平台面临两大痛点：一是数据查询性能慢，因为在传统数仓体系中，数据体量巨大且分布不均，ETL 任务繁重，完成查询耗时耗资源；二是用数效率低，因为开发周期漫长，且无法支持复杂逻辑指标开发，无法灵活下钻与归因分析，难以满足业务灵活用数需求，严重影响了决策的及时性。

为解决这些问题，南方航空引入了 Aloudata AIR 和 Aloudata CAN：前者通过数据虚拟化技术，接入多数据源，帮助南方航空实现了统一语义与跨源查询，并根据需求和策略同步数据、优化路径，显著提升查询性能；后者则支持灵活的指标与维度拖拽与衍生功能，帮助南方航空业务人员自主创建复杂逻辑的指标，并支持对接业务系统，大幅提升了业务查询和用数的灵活度。

“在 Aloudata 的支持下，改进后的用户中心运营平台更加注重业务导向，实现了自上而下的按需取数和用数模式，极大地提高了数据分析的灵活性和自主性。”曹曙玮提到，Aloudata CAN 助力南方航空重构了指标与标签体系，并支持标签运营效能分析，监控标签对业务贡献度，持续优化标签。而在报表、运营看板与驾驶舱方面，Aloudata CAN 支持业务人员自主灵活分析，支持指标告警与下钻归因，辅助业务快速决策。

矩云信息联合创始人 & 技术负责人曹曙玮

直击企业切实问题 共探 NoETL 指标平台落地可行路径

在会上，围绕企业关注的“指标平台选型标准、落地实施、价值评估”等切实问题，Aloudata 合伙人 & 首席业务架构师杜雪芳同陈润红、倪程伟，以及 lululemon Data Solution Senior Manager 张巍、理想汽车数智平台产品负责人滕永铮展开圆桌讨论。

提及选型标准，陈润红表示：“可以从成本、灵活性和服务质量来考量。成本包括软硬件成本、部署及运维成本等；灵活性指的是指标平台与企业内部的兼容性与灵活拓展度；最后是交付团队的服务质量，包括 POC 阶段的响应速度，运维阶段的响应效率，以及遇到问题双方的沟通和服务态度等。”

倪程伟主要强调了开放性和灵活性两点。开放性体现在产品 API 的向上集成能力和向下与数据底层的连接能力，因为公司系统成熟，新引入产品不应完全替代，而是需要与现有系统良好集成。灵活性则体现在产品能够覆盖多少指标的定义和计算，这直接决定了业务覆盖的广度。

除了开放性和灵活性外，张巍补充到，因为企业数据和报表激增，管理难度增大，指标平台可以作为数据治理的“关键抓手”，帮助企业梳理数据仓库、数据湖和集成应用，并提供统一服务。

“我们可以将生产力数字化转化为生产关系的数字化，因此需要开放的生态，丰富的 API 和数据对接能力就很重要。同时由于车企与传统互联网数据分布不同，业务间数据量相差极大，在高数据量的业务场景之中，我们还需要指标平台能够提供数据查询加速能力，以实现良好的加速效果。”滕永铮强调。

关于指标体系的梳理，滕永铮则认为，这是一个自上而下与自下而上相结合的过程。自上是从公司整体战略目标出发，逐层拆解至部门和可执行任务，形成清晰的指标路径。但实际操作中，由于历史包袱等因素，还需自下而上收集整理，最终实现两端融合。

张巍同样认为，指标体系更多是自上而下去建设。“公司有一个远景目标，随后去拆解执行方向和内容，并为此设定指标，与业务形成紧密连接。其中指标设定的越精准越好，以避免随着报表增多形成冗余。”

倪程伟则进一步强调了指标与业务的关系，他表示：“构建指标体系需要先梳理业务流程，因为指标是业务的度量结果或过程体现。只有基于完整的业务流程梳理，才能形成有效的指标体系，明确组织架构中每个人的职责和追踪重点。业务流程本身是承接公司战略和规划，从上至下层层分解的。而指标则能够反映业务状况，通过度量、追踪和调整，为领导决策提供支持。”

陈润红提出采用“拔出萝卜带出泥”的方式去梳理。他认为，当企业建设指标体系的时候，往往已经有了历史包袱，所以应该由业务需求去触发，去建设，然后通过拼图的方式将整个指标体系全图补全。“你必须得抓住源源不断的业务需求，转化为指标体系中的每一块拼图，这样才更实际一点。”

具体到指标平台为各家企业带来的实践价值，张巍分享到，最大的价值是通过指标平台，加速了指标开发和交付。“之前报表开发周期较长，有时要一、两个月做一张报表出来。有了指标平台后，如果事先定义好指标，基本上都是以天为单位来进行交付。这个是我觉得最大的一个进步。”

滕永铮强调了直接收益和间接收益。直接收益包括开发效率提升、人力和存算成本减少，以及更多角色参与到指标定义和管理之中；间接收益主要是指标口径的统一，减少业务反复沟通和数据差异等问题。

“在麦当劳中国，从业务视角去看，例如用指标监控的方式，可以为门店运营的降本带来包括能耗、用油节省等可量化的业务收益。”陈润红表示，“从技术视角衡量，则包括了为研发团队、产品经理节省建设和运维的人力和精力投入等成本。”

倪程伟则表示，除了在短期内解决了指标口径不一致、查数用数困难等问题外，更希望长期内现有数据架构的持续性，随着技术迭代可适应各类应用场景，为未来的数据分析、智能化洞察提供可靠的基础。

大模型 + NoETL = 万数皆可问 助力数据快速就绪，加速 AI 应用创新

在研讨会上，Aloudata 创始人 & CPO 肖裕洪重磅预告了全新产品——Aloudata Agent，一款面向企业各类场景的 AI 智能体应用，致力于以「NoETL + 大模型」，助力企业数据低成本快速就绪，加速 AI 应用创新。

Aloudata 创始人 & CPO 肖裕洪

肖裕洪指出，随着以 DeepSeek 为代表的大模型的快速发展，推动企业进入“模型平权”时代，企业私有数据的价值挖掘便成为最大的竞争壁垒。在数据消费侧，大模型的快速应用将催生大量的对话式分析和主动洞察的用数场景，使得数据交互更加自然和高效，洞察分析也从被动转向主动；在数据供给侧，企业数据的准确性、可得性、就绪度等治理挑战也日益加剧。

在此背景下，Aloudata 通过 NoETL 数据工程体系赋能企业低成本实现数据快速就绪，加速 AI 应用开发创新。其中，通过自研的 Aloudata AIR 和 Aloudata CAN 深度融合，可帮助企业实现所有数据的连接，打破“数据孤岛”，逻辑化集成多源异构数据，并支持实时数据分析，为 AI 应用创新提供单一可信数据源，且能够实现统一的数据安全管控和服务。

基于此，Aloudata 将先进的 NoETL 数据工程技术与大模型能力融合，重磅推出 Aloudata Agent，一款面向企业数据分析场景的 AI 智能体应用，助企业实现「万数皆可问」。这一创新产品支持自然语言查询，通过逻辑化数据集成、明细级数据查询、标准化指标定义、智能查询路由、行列级权限管控，可帮助企业轻松搞定「数据查不到、口径对不齐、性能难保障、安全不可控」四大难题，实现企业所有数据的快速集成与安全可控，进而将企业 AI 应用创新所需的数据准备就绪。

正如肖裕洪所说：“通过 Aloudata Agent，企业可实现对话式分析，且通过实时展示分析洞察过程及中间产物，让分析过程透明可视。如出现数据不一致问题，Aloudata Agent 还能够基于指标定义进行数据溯源，以实现业务理解的对齐，持续提升回答的准确性。而通过指标的行列权限能力，企业能够实现精细化的权限管控，从而保障数据查询的安全可控。”

此外，Aloudata 还发布了专为 RAG（Retrieval-Augmented Generation）优化的 Aloudata AI API，可为企业提供元数据 API（包括指标/维度元数据 API、自然语言获取指标/维度 API、指标热门维度查询 API、指标的关联指标查询 API）、数据查询 API（包括指标数据查询 API、自然语言获取指标数据 API）、深度分析 API（包括指标多维/因子归因 API、指标异常诊断 API），极大便捷企业 AI 大模型用数需求，进一步加速 AI 应用创新。

肖裕洪表示，Aloudata Agent 将于 4 月正式开启公测。此次全新的产品发布，也是 Aloudata 将 AI 大模型与 NoETL 融合创新的一次重大突破，为企业在数智化转型中提供了更高效、更智能的解决方案。

与 Quick 战略合作成果发布 重塑指标开发、治理与智能分析新范式

在企业数智化转型进程中，传统分散式工具堆砌模式导致指标管理系统和商业智能工具两大架构割裂，使得指标定义与数据分析无法跨平台复用，数据需多次转存，操作复杂且会导致口径一致性风险，影响企业的分析决策。

为解决这一难题，Aloudata CAN 与业界领先的商业智能分析产品 Quick BI 深度融合，联合推出“指标定义-计算-可视化-智能分析”全链路解决方案，助力企业破解指标管理与分析效能难题，实现从指标标准化定义、开发、管理到敏捷决策的一体化升级。

Aloudata CAN 与 Quick BI 的深度融合，可帮助企业重构数据链路：Aloudata CAN 专注指标定义、计算与口径统一管理，Quick BI 提供可视化与智能分析能力，双方基于 DSL 协议实现跨系统语义一致性，有效化解指标平台与 BI 工具的集成难题，深度整合双方优势功能，实现指标生产与分析全链路简洁流畅。

在 Quick BI 产品负责人韩旭看来，此次合作不仅是技术整合，更是数据价值链的重塑。“双方将共同致力于让企业用户在保留原有操作习惯的同时，无缝享受治理规范下的智能分析体验。”

Quick BI 产品负责人韩旭

NoETL 打造 AI 时代的数据底座

过去，因为数据分析是低频的，人工 ETL 也是具有容错性的，面向人工的数据分析场景，工程领域诞生了 ETL 和传统数据仓库架构。进入 AI 时代， AI 会释放十倍百倍的分析需求，灵活性要求也极高，且要求低度容错，传统的 ETL 工程体系已难以支撑 AI 时代海量、灵活的分析需求。

而通过 NoETL ，可将 ETL Engineers 驱动的数据工程转变为 ETL Agents 驱动的数据工程，实现数据处理流程的自动化重构，完美契合 AI 时代的数据分析需求。基于此，Aloudata 将持续升级 NoETL 产品家族，加快 AI 产品布局，并与更多生态伙伴展开深度合作，为企业打造 AI 时代的智能化数据底座。