数据资产管理平台竞品分析报告

小提示：您能找到这篇{数据资产管理平台竞品分析报告}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的数据资产管理平台竞品分析报告内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

编辑导读：数据资产管理平台是用于管理公司数据资产的，是常用的产品之一。要想找到找到适合的产品，首先需要了解公司自身的痛点，再根据痛点在考察各竞品的功能。本文作者例举了几个数据资产管理平台，并对其进行分析，希望对你有帮助。

目前，公司正在进行数据治理，准备外购一款数据资产管理平台，用于承接公司的数据资产。 为了找到适合的产品，首先需要了解公司自身的痛点，再根据痛点在考察各竞品的功能，本文正是基于这样的思路进行分析。

一、痛点及需求

在实际数据管理时，常遇到这样的问题：

• 数据语言不统一：不同业务系统同样指标或字段定义不一致，缺少统一的数据命名规范和标准
• 数据找不到、读不懂：数据多源头，分析师和技术不知道想要的数据在哪、数据加工逻辑等，无法厘清信息资产
• 数据不可信：缺乏数据的质量管控和评估手段，无法保障数据准确性、一致性、有效性等
• 数据不可联：“烟囱式”开发，数据不共享、不流通，无法实现跨领域的数据分析和数据创新

对于上述问题，提炼出以下需求点：

• 数据标准：建立统一的数据规范命名体系，保障数据口径一致
• 元数据：建立数据资产地图，包括元数据管理、血缘及影响分析、资产目录等
• 数据质量：建立数据质量规则和质量监控机制，帮助用户及时发现数据质量问题
• 数据安全：建立包括访问控制、脱敏加密等在内的数据安全体系
• 主数据管理：建立主数据模型、主数据管理流程，实现跨部门、跨系统数据融合应用

二、竞品分析

对A、B、C、D四家数据资产供应商进行分析，首先从数据治理体系上对各家产品进行概览性描述，然后在分析和对比核心功能模块，最后得出结论。

2.1 A

2.1.1 数据资产管理平台产品信息架构

接下广平小红书种草视频分类来分模块对产品功能简要介绍
2.1.1.1 数据接入

支持Oracle、Mysql、SqlServer等关系型数据库、mongodb数据库及大数据环境下的Hive、HBase、HDFS分布式数据库的接入与管理，支持Excel补录数据，实现结构化数据、非结构化数据的统一归集。

2.1.1.2 元数据

可自定义元数据，系统自动采集元数据（增量更新），可对元数据进行检索和维护（字段级别），当数据模型发生变化时，元数据可动态感知，并生成感知日志

血缘分析：支持自动解析和手工维护析血缘关系；血缘分析方式：影响分析、血缘分析和全链分析；分析内容：库表字段间的血缘关系，不支持加工逻辑的解析

2.1.2 数据标准

A在建设数据标准时，将数据标准分为两部分：数据标准制定+标准执行评估。

其中标准制定分为枚举项标准和数据元标准，两者都是公共的业务术语，具体如下：

• 枚举项标准是指可枚举的最小数据单元，如男女、省市县。枚举项标准可关联到数据词典；
• 数据元标准则是非枚举型的最小数据单元，如电话号码，从业务和技术两个维度对字段进行描述，发布后方能生效；

数据词典是确定的、标准的静态数据分类，供元数据和模型配置中引用。可根据需求自定义字典中包含的字段，灵活性较高

数据标准执行评估，评估方式为事后评估：数据标准直接下发到数据模型，采用手动/定时任务方式评估模型是否符合标准，以及标准执行的具体情况

2.1.2.1 数据建模与同步加工

首先新建数据分类，主要是从非业务角度对数据资源进行分类管理

支持新建、抽取、映射、导入、融合五种数据建模方式，支持主子表复合模型建模。支持对模型打标签，对模型字段属性编辑、查看库表结构。可启用模型审核流程，审核后模型才能生效。模型每次生效都会产生新版本，支持不同版本之间的对比。在建模初始化中，对模型的修改则不会产生版本记录，减少脏数据产生。

支持对数据模型配置管理，包括模型属性配置和页面展示配置。其中，

• 属性配置是对模型字段进行配置管理，包括是否匹配字段（数据维护、调用接口、数据清洗时根据匹配字段进行匹配导入）、是否为字段设置默认值（常量、系统变量）、设置关联对象类型（关联模型、关联数据词典。关联后，可配置引用/显示字段、为字段赋值、配置过滤规则）、配置运算公式（字符型/数值型/日期型/常量属性支持“拼接”运算，数值型属性支持“四则运算”）
• 页面展示配置包括展现方式（列表/树列表）、排序字段配置、属性分组设置、文本域设置等
• 属性配置和展示配置中配置的内容将在数据管理模块中查看

在数据管理模块中，可对数据模型的具体属性值进行维护和查看，其中，

• 数据查看：查看已生效的模型和模型数据情况
• 数据维护/初始化维护：该功能仅适用创建方式的数据模型。可以对模型字段值进行编辑、导入/导出、审核，管理版本等
• 任务管理：查看导入、导出任务执行记录、执行状态、进度、失败原因

在数据融合模块，支持对数据模型进行同步和加工，其中，

• 模型同步：同步数据源之间的表/视图同步，支持配置过滤规则（行过滤、列过滤）、更新策略（全删全增、追加、更新、增量追加、增量更新）、配置调度任务和权限
• 模型加工：对数据进行加工处理，有两种加工方式：可视化拖拽方式和写SQL方式
• 可视化拖拽方式：通过拖拽进行数据源连接并基于连接结果做数据过滤等加工操作，然后发布为模型/视图。支持的加工操作包括：横/纵向连接、过滤、去重、排序、映射、字段合并、拆分、分组聚合、赋值、类型及大小写转化等，支持预览
• 写SQL方式：通过写SQL完成数据连接、数据过滤、数据汇总等一系列加工处理，可直接发布为模型/视图，支持预览
• 任务调度：查看/执行模型同步和加工配置的定时任务，查看任务日志和模型更新结果

对于非结构化数据，在文件管理模块中进行查看和维护；支持对文件元数据定义，支持office系列、txt、图片、pdf类型、音视频的文件上传、预览、下载和删除；支持服务器磁盘、HDFS、HBASE等多种文件存储方式

2.1.2.2 数据质量

A的数据质量包括质量规则管理、质量落地评估、质量预警三类功能。其中，

• 质量规则管理：质量规则管理包括质量规则制定+权重设置。质量规则包括非空规则、唯一规则、组合唯一、一致规则、核准规则、规范规则、阈值规则、正则规则、条件规则、组合规则、多字段约束规则。同时，支持内置规则模板，实际制定规则时，可直接引用
• 任务评估：支持配置定时任务，对任务执行情况进行监控，查看评估结果和评估日志。在查看评估结果时，可查看可视化评估报告、脏数据表、以及历史评估结果
• 质量预警：包括异常预警和低分预警（任务评估时会给出具体的质量评分），预警通过短信/邮件方式通知接收人

制定质量规则的对象是单个字段或单个模型，不支持批量操作

2.1.2.3 数据资产地图

数据资产地图包括两部分：资产地图和资产盘点

• 资产地图：支持从业务角度定义主题，基于主题对数据资产进行归类、展示；资产目录则是从数据资源存储角度对数据资产进行归类、展示
• 资产盘点：基于数据现状对数据进行盘点，包括资产大盘（数据量、资源访问情况、数据质量评估情况、数据交换情况）、元数据盘点（模型个数、模型按库/主题/分类/创建方式分布情况等）、数据盘点（结构化/非结构化数据量、访问次数、存储空间等）、数据质量盘点、数据交换盘点

2.1.2.4数据服务

数据服务是用来做平台和第三方之间进行数据交换的：当第三方查询/更新平台数据时，提供接口服务。

支持对服务调用方管理、加密传输，支持对交互的数据进行字段和值映射，支持查看交换日志

2.1.2.5 数据安全

数据安全方面主要是权限控制，另外包括密级管控、脱敏加密。权限控制中，支持对数据库权限、数据分类权限、字段权限、行权限、按钮权限管控，具体的数据权限和用户权限查询可在权限查看中进行检索查看。

2.2 B

2.2.1 数据治理体系–多平台

接下来分模块对产品功能简要介绍

2.2.1.1 数据接入

支持关系型数据库类型： MariaDB、DB2、Gauss DB、GBase、SAP HANA、MaxCompute、MySQL、Oracle、Postgre SQL、HAWQ、SQLServer 和 Teradata 等

支持的非关系型数据库： Cassandra、HIVE 和 Mongo DB 等
2.2.1.2 元数据

元数据自动采集，无需配置采集任务

支持自定义元数据属性；支持元数据引用数据标准；支持手工维护血缘关系

提供智能标签服务体系，通过定义打标签的规则自动为数据打标签，标签可作为检索条件对元数据和数据资产进行检索

对元数据分类维度包括业务部门、IT部门和业务域三个方面，元数据检索/查看粒度包括系统、库、schema、表/视图、字段、存储过程、函数。视图可以查看到对应的SQL语句、解析出的表和视图

支持定义业务实体和业务流程，从实际业务场景角度对元数据进行盘点，在数据建模平台引用

对于用户在数据资产管理平台上提交的数据需求，在元数据模块中进行收录、分析和管理

支持血缘分析和影响分析，元数据血缘分析可解析出加工过程

2.2.2 数据标准

B的数据标准体系分为基础标准和指标体系，其中，

• 基础标准是字段级数据标准，包含命名词典（是公共的、最小粒度的词根，通过词根可进行字段中文名称拼接）、标准代码（是枚举项，作维度值使用，通过枚举项代码直接引用）、数据标准（通用的业务术语）
• 指标体系是指标级别数据标准，包含指标体系和维度体系（定义了通用的指标和维度）

支持从业务属性、技术属性和管如何在朋友圈推广家电理属性三个方面对每个数据标准进行维护

支持查看每个数据标准被引用的情况、版本历史、开发审核状态

数据标准落地支持事前控制和事后评估，其中，

• 事前控制：整个数据标准体系可在数据建模平台直接引用，数据资产管理平台和数据建模平台打通，两个平台关于数据标准的操作（如编辑、更新）可实现同步
• 事后评估：支持元数据引用数据标准，在数据资产模块和数据建模模块可查看数标落地情况

2.2.2.1 数据建模

数据建模平台通过可视化画ER图的方式，实现从应用数据标准到数据库设计。支持多人协作的数据建模跨部门共享数据模型。

• 可视化拖拉方式建模、直接引用数据标准，或引用智能推荐的数据标准数据字段
• 多人协作，同时编辑和修改模型
• 自动生成SQL建库脚本，数据字典管理
• 对象级增量版本管理，详细列出模型版本之间差异，并根据差异进行表和字段级别的合并，模型变更全历史记录
• 支持对象命名自动按规范翻译，实现数据模型的命名规范
• 自动进行模型合规检查，记录模型库对标准的引用情况，生成标准落标报告

2.2.2.2 数据质量

B数据质量规则包括完整性、准确性、一致性、可用性、合规性等规则，支持对规则自定义

基于需求选择对应的质量规则后，生成检查任务和修复任务

驾驶舱展示整个资产的质量问题等情况

2.2.2.3 数据资产

该数据资产地图面向的人员为内部技术人员，其中

• 资产概要展示了数据资产的整体情况，如业务系统个数、各系统标准覆盖率、核标率等
• 系统数据地图和业务数据地图邵东小红书私聊推广被限流以可视化动态地图方式展示各系统/数据库分布情况
• 业务数据地图中支持筛选重要性为高的业务数据进行展示
• 系统数据地图中支持检索功能，支持查看每个系统的基本情况：接口、模型、所属业务域，系统间的关联关系、表级血缘关系等

2.2.2.4 数据服务

数据资产目录平台主要面向业务人员使用，基于统一数据授权，统一提供数据资产访问平台。

• 资产检索：基于数据业务目录检索目标数据，包括报表、表/视图、指标、数据标准、文件类资产、数据库
• 数据探查：除展示目标数据的基本情况，还包括血缘关系、字段的值域分布、API调用情况等，支持添加评论备注、在线编辑、接入BI产品
• 当未检索到目标数据时，可创建数据需求，该需求在元数据模型汇总，基于需求BI进行开发
• 智能数据标签：自动发现敏感数据和个人隐私数据，并进行标注，提示风险
• 数据安全：控制API，JDBC和BI工具的访问，统一用户密码体系，提供数据访问时间控制，字段项脱敏控制

2.3 C

2.3.1 数据治理平台产品信息架构

接下来分模块对产品功能简要介绍

2.3.1.1 数据接入/集成

支持数据库、报表工具、ETL工具等数据采集适配器，主流关系型/非关系型数据库，关系型包括MySQL、Oracle、MaxCompute等，非关系型包括MongoDB、Hive、HBase、HDFS等 EXCEL导入、支持采集文件

2.3.1.2 元数据

支持元模型设计，包括基本信息、属性、父类、子类、组合、被组合、依赖、被依赖等

基于设计好的元模型，配置元数据采集任务：①首先配置采集源，②设置采集任务，③入库审核，④查看采集日志。当系统第一次被采集时，可经过入库审核操作，支持采集部分表，勾选部分字段入平台库中

在元数据管理中，支持对采集到的的元数据进行编辑和新增，同时支持对元数据检核，包括一致性检核（检查最新元数据与数据源里的数据是否一致）、组合关系缺失检核（跟元模型对比）、属性填充率检核、元数据标准覆盖率检核、检核例外管理、配置检核任务。血缘分析支持手工维护；支持查看元数据版本变更记录；支持为元数据添加数据标准映射（手动和智能推荐映射两种方式）

元数据应用中，血缘分析包括影响分析、血缘分析、全链分析、关联度分析、属性值差异分析、元数据对比分析、重复元数据分析；支持解析出加工过程；支持对元数据进行检索，检索粒度包括系统、库、域、表、字段、索引等

2.3.1.3 数据标准

数据标准体系包括两部分：基础数据标准和常用数据标准。其中，

• 基础数据标准包括了词根管理、参考数据管理和编码规则管理
• 词根管理中维护了公用的、最小粒度的词根；支持导入导出
• 编码规则管理则维护了字段命名规则，比如规定日期类型字段标准为YYMMDD
• 参考数据维护了公用的维度值，如产品类型，支持新建维表，维表类型包括维表、数据期维表、螺旋维表；支持导入导出
• 常用数据标准维护了字段级的常用业务术语，如开户日期，支持分类和自定义；支持映射到元数据

对数据标准进行增删改查时，从业务属性、技术属性和管理属性三个方面进行操作

数据标准经过审核后发布为定版数据标准，才可进行使用；支持查看历史版本

数据标准执行情况仅支持事后评估

2.3.1.4 数据质量

数据质量规则支持有效性、准确性、完整性、一致性、及时性、偏差性稽核规则

规则配置支持条件过滤，权重配置

配置好任务调度方案后，执行结果在数据质量监控模块查看；支持制定预警机制，通过邮件/短信通知接受人

2.3.1.5 数据资产

从业务角度对数据资产进行盘点展示，支持定义数据资产编目；支持查看数据表的库表结构和字段值，记录数据表被查看和被交换的次数

数据资产生命周期可用于对数据进行归档，一般按时间维度来维护归档机制

2.3.1.6 数据服务

通过接口实现数据的交换，通过访问控制授权访问

数据安全包括权限、脱敏加密

三、核心功能对比

通过对各家产品的纵向分析，可知道各产品的功能基本情况，接下来进行横向分析，对比各家产品在元数据、数据标准、数据质量、数据建模、数据资产、数据服务6个功能模块上的表现情况，对比结果见下表。

3.1 元数据

总结：

在元数据管理中，最基本的需求是描述数据的基本信息（业务/技术/管理元数据）和解析数据的来龙去脉（血缘分析），衍生需求是元数据的父/子类标准、变更记录、审核、补录维护、下载等。

从元数据采集到应用整个流程上看，四家基本功能大致相同。

• 在元模型设计上，C和D的元模型设计自由度最高，可配置信息丰富；A和B只支持业务/技术/管理元数据属性定义
• 在元数据采集上，A、B和D元数据采集方式一致，C元数据采集时需配置数据采集任务，配置不同的入库策略
• 在元数据管理上，B、C和D有元数据质量检查这一功能，B的是平台自主检测，C的则是用户自主执行检查（关于这一功能的使用C的顾客表示不好用）；A无元数据质量检查功能
• 在元数据应用上，A的血缘解析和元数据应用相对较弱，且整体元数据的组织比较混乱，无归类层级关系；B有独特的数据/报表收集流转功能、智能标签

3.2 数据标准

总结：

对于数据标准的需求，可以分为两个部分：数据标准制定和数据标准执行。在数据标准制定中，可以将数据标准分为基础数据标准（行业/业务词汇库、参考数据、与主数据相关的标准业务术语）、应用数据标准（指标体系）、命名规则（表/字段命名规则）。在数据标准执行中，分为事前控制和事后评估。

• 在基础数据标准中，四家产品功能大致相同。A仍然在产品信息整合上较混乱，B在标准版本管理上优于其他三家，C提供的参考数据管理能力比较丰富，除了满足基本维度管理外，还支持特殊需求，如螺旋维表等；D的优势项在于数据标准间的关系图谱，支持分析数标上游参考、下游引用等全链路关系分析
• 在应用数据标准中，B和D支持指标体系管理和命名规范，能进一步统一数标建设规范
• 在数标执行中，对于事前落标上，只有B和D支持事前落标，支持从源头上建设数据标准；对于事后落标上，A和C通过配置任务方式在评估贯标情况、B和D则采用自动化/半自动化方式评估贯标情况，四者贯标结果颗粒度大致相同

3.3 数据质量

总结：

数据质量建设包括质量规则制定和质量规则落地评估两个方面。

• 在规则制定与管理中，A、B、D三家的数据质量规则基本一致，满足需求，C的规则制定与管理功能比较丰富，如数据质量规则与数据标准直接打通、规则支持Python脚本、问题评级等
• 其他功能，四家产品大致相同

3.4 数据建模

总结：

数据建模包括模型设计和模型管理两个方面。

• C无建模工具、D与B是合作关系，其建模工具就是B的建模工具
• B和A有建模工具，就功能能力来说，A建模工具比较简陋，基本满足不了建模需求。而B建模功能能力丰富，采用可视化ER图的方式，支持从应用数据标准到数据库设计模型全生命周期管控。此外实现数标事前落地的需求，支持拖拉的方式直接引用数据标准或智能推荐标准、模型对象自动规范化命名等

3.5 数据资产

在数据资产上，B和C的数据资产地图内容比较丰富，A一般

• A数据资产提供对各类资产的盘点和数据资产地图，按业务和系统角度对数据进行归类，支持查看数据和查看元数据
• B的数据资产地图，按系统角度对数据归类层面，在满足基本需求的前提下，采用可视化动态报表样式进行展现，体验较好，按业务角度对数据归类层面，有较好的搜索功能，支持查看数据和库表结构、API、血缘关系、添加评论等。当未检索到目标数据时，可通过创建需求方式向数仓开发描述、提交数据需求，减少沟通成本
• C的数据资产地图仅支持一种方式对数据进行归类，支持查看数据、库表结构、元数据、交换和下载等
• D的数据资产地图可自定数据地图的内容，通过数据血缘汇总数据地图的链路关系

3.6 数据安全与服务

在数据安全与服务模块，四家产品功能基本相同，都提供权限方案、安全等级、脱敏加密等功能

四、总结

• 需求满足程度上，四家产品在元数据、数据标准、数据质量、数据资产、数据服务/安全模块上基本满足数据治理需求，但如果考虑数据标准前置落地需求，则只有B满足需求
• 从交互体验上，B的产品功能最简洁，学习成本低、交互简单友好；A的产品功能较多，产品信息架构较混乱，功能分散、有部分功能重复，内在逻辑线不清晰，学习成本较高，交互体验较差；C的产品功能最丰富，整体产品逻辑清晰，但是功能层级嵌套较深，有些功能不易被发现，学习成本高，交互体验好

本文由 @细嗅蔷薇 于，，

题图来自 Unsplash，基于 CC0 协议