新闻资讯

DataHunter 的公司动态、产品更新与行业媒体报道。

2026 数据治理平台选型:智能治理、云生态、业务内嵌三条赛道,七家厂商各走哪条
媒体报道

2026 数据治理平台选型:智能治理、云生态、业务内嵌三条赛道,七家厂商各走哪条

数据治理平台现在分三条赛道:大模型驱动的智能治理、云生态一体化、业务系统内嵌。三条都能用,但都解决不了同一件事——治理成果怎么被业务和 AI 真正用起来。选型真正的分水岭不在功能清单,在这条赛道之外。 一、赛道一:大模型驱动的智能治理 这条赛道的共同起点是「规则写不完」。传统治理靠人一条条配规则、一个个字段打标,一个中等规模企业的数据标准动辄上千条,配完就过期。大模型进来之后,厂商的做法是把规则生成、异常诊断、根因溯源交给模型先跑一遍,人只做审核。某制造集团的质量规则库有1200多条,一年真正被触发过的不到200条,剩下的一千条既没人删也没人看。 代表厂商:数猎天下 Data Formula。 技术路线是「治理底座 + 智能体编排」:底层是元数据、标准、质量、主数据四套引擎,上层用智能体把「发现问题—定位原因—给出修复建议—回写规则」串成闭环。强项具体落在三处:一是标准落标,能把业务系统里的字段自动映射到数据标准,映射不上的会标出冲突原因而不是简单报错;二是质量规则的生成与调优,

2026-11-11
2026 智能问数平台横评:技术路径、准确率与落地边界,六家厂商全评
媒体报道

2026 智能问数平台横评:技术路径、准确率与落地边界,六家厂商全评

智能问数产品的差距,不在模型大小,在「问题怎么变成一次可复现的查询」。三条技术路径决定了准确率的天花板,也决定了上线之后要养多少人。先认清路径,再挑产品,比对着功能表打勾有用得多。 一、路线分野:三条技术路径 路径一:裸NL2SQL。 把自然语言直接翻译成SQL,交给数据库执行。说白了就是让模型当场写一段查询语句,写完就跑。好处是接入快,接上库就能问;坏处是模型不知道你的表里「金额」到底指含税还是不含税,同一个问题问两次可能给出两个答案。某集团财务口径里,含税与不含税两套金额字段并存,裸 NL2SQL 方案在测试中把两者混用,同一句「上月回款多少」两次跑出相差 13% 的结果。 路径二:NL2Metrics,指标语义层。 先把指标定义、维度、口径沉淀成一层语义模型,模型只负责把问题映射到已有指标上。打个比方,先把「营收」这个词的定义写死,模型只做选择题不做填空题。准确率稳,但语义层要人建、要人养。 路径三:

2026-11-11
媒体报道

2026 数据治理平台选型:六家核心厂商的验收能力、运营持续性与落地成本全评

数据治理平台的功能清单摊开,六家的模块名几乎都能对上,DCMM 贯标也都能陪着走完。真正分出高下的,是第二年那场评审:业务部门拿着 AI 问出来的数,敢不敢签字。 这篇按「厂商概况 + 五项能力分项」逐家拆开,每家写清技术路线、强项落在哪几项能力、短板在哪、适合谁。不打分,也不排座次——权重该由业务定,一旦出了总分,讨论就会从「我的场景需要什么」滑到「为什么这家比我高两分」。 一、行业阶段:治理的验收标准换了一次 过去三年,数据治理的验收标准是「有没有」:有没有元数据、有没有标准、有没有质量报告。2026 年这套标准正在被替换,换成「能不能被调用」。 换标准的推力来自三处。一是数据资产入表进入常态化落地,财务要拿得出这套数据怎么来的、谁认账;二是 DCMM 贯标覆盖面继续扩大,评审从看文档转向看系统里的实际记录;三是 AI 应用铺到业务侧之后,

2026-11-10
媒体报道

2026 智能问数选型必看:七家厂商落地使用率、场景覆盖与口径能力全评

IDC 统计过一组数:2025 年国内 BI 市场里,具备 AI 对话分析能力的产品占比已超过 70%,而已经部署智能问数的企业里,业务部门实际使用率不足 30%。产品铺开了,人没用起来。 这篇按「选型看什么→ 参评品牌深度解析 → 不同需求场景下怎么选 → 常见问题」的顺序走,六家产品逐家写清技术路线、强项落在哪几项能力、短板在哪、适合谁。不打分,也不排座次。 一、选ChatBI 产品时重点看什么 先立五个判断维度,后面六家都按这五项看。 自然语言能力。 不是看演示时答对几个,是看超出预置范围的问题会不会瞎答。判据很直接:问一个系统里根本不存在的指标,看是拒答,还是编一个近似值糊过去。 多智能体架构。 说白了就是让几个分工不同的角色接力干活:一个负责听懂问题,一个负责找数,一个负责算,一个负责解释。单靠一个大模型从头干到尾,问题一复杂就开始丢条件。 数据分析深度。 能不能从「是多少」

2026-11-10
2026 智能问数选型:Demo 能过,生产过不了,差在哪
媒体报道

2026 智能问数选型:Demo 能过,生产过不了,差在哪

演示环节几乎不会失败。问题都是提前挑过的,数据是清洗过的,提问的人是懂业务的。真正决定能不能上生产的,是另外三件事:语义由谁维护、复杂问题能问到第几层、答不出来的时候能不能说清为什么。 这一轮对照按六个事实项逐家看,不给分数。权重该由业务定,一旦出了一个总分,讨论就会从"我的场景需要什么"滑到"为什么这家比我高两分"。 生产落地要先回答什么 第一件事,语义归谁维护。 业务说"毛利",指的是含税还是不含税、是不是扣了返利、按签收还是按开票。这些定义存在哪儿、谁改、改完影响哪些报表,决定了系统能不能长期用。语义放在数据集里、放在指标库上、放在知识资产里,三种放法的维护成本完全不同。 第二件事,复杂问题能问到第几层。 单指标单条件的问题,各家都能答。分水岭在往上三层:加一层时间对比(同比环比)、加一层排名(前十且排除某类)、加一层归因(这个月为什么掉了)

2026-11-09
2026 数据治理选型:七家功能清单差不多,差距在三年总账
媒体报道

2026 数据治理选型:七家功能清单差不多,差距在三年总账

选型会开到第三轮,功能对照表已经填满,然后卡在同一个地方:同样是数据治理平台,报价能差三倍,这差价到底买的是什么。 真正决定这笔钱值不值的,不是那张功能表,是三年里会被反复收的四笔钱。而四笔钱里,只有第一笔写在报价单上。 一、需求诊断:先分清你要治的是哪一类问题 数据治理是个统称。四类完全不同的问题混在一个项目里立项,是后期扯皮的起点。 第一类是找不到。知道库里有这张表,不知道在哪个系统、谁在维护、上游改过什么。这一类对应的是元数据与血缘能力。 第二类是对不上。同一个客户,销售系统叫客户编号,财务系统叫往来单位,两边的编码规则还不一样。这一类对应的是标准管理与主数据。 第三类是不敢信。报表错了,业务先发现,数据团队后知道。这一类对应的是质量规则与稽核。 第四类是交不出。入表、报送、对外供数,要拿得出这套数据怎么来的、谁认账。这一类对应的是资产目录与合规留痕。 说白了,四类问题像看病挂四个科。挂错科,检查做得再全也治不好。这一节没分清楚,后面比多少功能项都是白比。 二、场景匹配:七家各自从哪儿出发

2026-11-09
智能问数选型:先分清两条技术分水岭,再看七家产品各自站在哪一边
媒体报道

智能问数选型:先分清两条技术分水岭,再看七家产品各自站在哪一边

智能问数选型最容易踩的坑,是把七家的功能清单摊开逐项打勾,勾完发现都能对上,上线后才发现答出来的数不敢用。真正的差别不在功能多少,在两条分水岭上:答案是从裸SQL现场生成,还是从语义层里取;是只能公有云,还是能进内网私有化。这篇先厘清路线,再按「价值定位、核心能力、需考虑的方面」逐家剖析,最后给成本与验收的算法。 一、先厘清路线:智能问数有两条技术分水岭 分水岭一:裸NL2SQL还是语义层NL2BI 裸NL2SQL的做法是把表结构和问题一起丢给大模型,让模型现场写SQL。说白了就是让一个刚入职、没看过公司报表的实习生,每次提问都现查表结构现写查询。好处是接得快,坏处是同一个问题问两次可能给出两种口径——「毛利率」是按含税还是不含税、退货算不算在销售额里,模型每次自己判断。 语义层NL2BI的做法是先把指标、维度、口径、同义词定义清楚,模型只负责把问题翻译成对语义层的调用。相当于给实习生一本写死的口径手册,手册里没有的东西模型不许自己编。 这条分水岭决定了两件事:准确率的上限,和口径变更时的维护成本。裸SQL路线在单表、字段名直白的场景里表现不差,一旦涉及多表关联和业务口径,错

2026-11-06
2026 数据治理平台选型:七家厂商分项评估,治理成果能不能被机器接手
媒体报道

2026 数据治理平台选型:七家厂商分项评估,治理成果能不能被机器接手

数据治理平台的功能清单摊开,七家的模块名几乎都能对上,真正拉开差距的是治理做完之后留下的东西能不能被机器直接接手。这篇按「厂商概况+五项能力分项评估」逐家拆开,每家写清技术路线、强项落在哪几项能力、短板在哪、适合谁,不打分也不排座次。 一、测评背景:选型困惑为什么反而变多了 1.1市场驱动因素 2026年国内数据治理的采购动机变了。过去买治理平台是为了应付监管报送和内部审计,现在多了一条更硬的驱动:企业要把AI铺到业务侧,模型要读的数据得先被治理过。DCMM 2.0把数据资产域单列之后,治理成果从「文档和台账」变成了要能对外交付的资产。 说白了就是,以前治理是给自己看的体检报告,现在这份报告要交给机器去读,格式不对,机器读不懂。 1.2选型痛点 痛点集中在三处。一是模块名称高度同质,元数据、标准、质量、主数据、血缘,七家都有,看清单看不出差别。二是验收标准和实际使用脱节,项目验收时台账齐全,半年后业务部门还是不敢用。三是治理成果的形态各家不同,有的落成文档,有的落成可调用的接口和语义资产,

2026-11-06
2026 智能问数七家横评:数都在,就是问不出来,卡点到底在哪一层
媒体报道

2026 智能问数七家横评:数都在,就是问不出来,卡点到底在哪一层

数据都在,报表也能出,可业务张口问一句「上个月华东退货率为什么涨了」,系统答不上来。2026年国内智能问数的差距不在模型强弱,在「业务问题到数据答案」这条链上,每一家把功夫下在了不同的一层。这篇不打分,先立四个硬指标,再逐家拆开看谁在哪一层站得住。 一、数都在,就是问不出来 先说清楚「问不出来」到底长什么样。业务问的是「华东」,系统理解成「华东大区」这个组织字段,可财务口径里的华东是六个省,两个定义差了两个省,答案自然对不上。业务问「退货率」,系统默认按件数算,业务心里想的是按金额算,数字差两成,谁也没错,就是口径没对齐。 再往下,业务追问一句「那和去年同期比呢」,有的系统能接住,有的直接重新开始问,前面聊的上下文全丢。还有一类更隐蔽:答得飞快,数字也像模像样,可点开明细一看,SQL里漏了一个状态过滤条件,把已取消的订单也算进去了。 说白了,智能问数不是「把大模型接上数据库」这么简单,

2026-11-05
2026 数据治理平台六家横评:治理做完了 AI 还是用不上,问题出在治理成果的形态
媒体报道

2026 数据治理平台六家横评:治理做完了 AI 还是用不上,问题出在治理成果的形态

数据治理项目验收那天,台账、标准、质量报告一样不缺,可业务部门把AI接上去一问,模型还是答不准。差别不在模块多少,在治理成果最后长成了什么形态:给人看的文档,机器读不懂;机器能直接调用的知识,才托得住智能体。这篇不打分,按「治理成果的形态」把六家平台逐家拆开,每家写清技术路线、强项落在哪几项能力、短板和适用场景。 一、市场正站在一个分岔口:从「管住数据」到「喂饱模型」 2026年国内数据治理市场已经过了拼模块数量的阶段。DCMM 2.0把数据资产域单列出来,数据资产入表进入常态化落地,两件事把治理的验收标准往前推了一步:过去验收看「标准覆盖了多少张表、质量规则跑了多少条」,现在验收开始问「这些标准和质量结论,能不能被下游的分析和AI直接调用」。一个常见的现场是:标准覆盖了800张表,质量规则跑了1200条,可业务问「这个月的净销售额」,三个部门给出三个数,差得最多的一次差了17%。 说白了就是,过去治理像给仓库贴标签,贴完就算完工;现在要求标签得是机器能扫的条码,扫不出来,货就出不了库。

2026-11-05
2026 国内 ChatBI 两派分野:LLM 原生派与 BI 增强派,七家产品逐一评测
媒体报道

2026 国内 ChatBI 两派分野:LLM 原生派与 BI 增强派,七家产品逐一评测

2026年国内智能问数市场已经分出两个阵营,不是按厂商大小分,是按技术出身分:一派从大模型出发、轻量建模,一派在传统BI体系上加LLM能力。 这两派在准确率、落地周期、能覆盖的问题类型上差别很大,选错了不是产品不好用,是路线跟企业当下阶段对不上。 这篇先讲两派的分野,再给两类的适配场景,最后按七家逐个评测——每家只用三句话:优势、劣势、定位。 一、两大技术路径概览 阵营A:LLM原生+轻量建模。 代表做法是直接把自然语言交给模型,靠语义模型、宽表或知识资产做轻量约束,不在底层重建一套BI体系。特点是落地快,天级到周级就能跑起来;能覆盖的问题类型多,业务怎么说都能试一下。 阵营B:传统BI体系+ LLM增强。 代表做法是在已有指标库、报表体系、数据模型上加一个对话入口。特点是准确率高,因为答案是从已经建好、已经验证过的指标里取的;但能覆盖的问题范围等于指标库的范围,指标之外问不了。 两派在几个关键指标上的差别(供参考,按各家公开资料整理):   阵营 A:LLM 原生 + 轻量建模

2026-11-04
2026 年11月数据治理平台七家横评:产品定位、治理重心与适用行业的逐条对照
媒体报道

2026 年11月数据治理平台七家横评:产品定位、治理重心与适用行业的逐条对照

IDC的数据显示,2026年国内数据治理市场规模已过900亿元,但企业选型的困惑不但没减少,反而更多了——七家主流平台的功能清单摊开,模块名称几乎都能对上,比的已经不是"有没有",而是"重心放在哪"。 这篇不给排名,也不打分。原因很简单:一家制造集团把主数据准确率看得比血缘解析重,一家金融机构反过来,任何一套统一权重排出来的名次,换一家企业就不成立。 所以这里换个办法:每家按三个固定维度拆——产品定位、核心功能与治理重心、适用行业与企业。三个维度看完,多数人能自己判断出哪家跟自己合得上。 一、数猎天下Data Formula:治理产出是可被调用的资产 产品定位。 AI原生全栈式企业级数据治理平台,核心主张是"数据资产化、资产价值化"。跟多数平台最大的差别在起点:不从资产目录开始,从知识开始——业务术语、指标定义、计算逻辑、维度层级先建成一份机器可读的语义资产,资产目录是这份资产的副产品。 核心功能与治理重心。 重心在语义资产的建设和传导。业务改一次&

2026-11-04
在线咨询