报告简介

《2022年中国面向人工智能的数据治理行业研究报告》以数据和数据治理为前言，在AI技术创新应用和AI数据需求引发二次治理的趋势背景下，推出“面向人工智能的数据治理”概念，以体系搭建、行业规模、受益圈节奏与参与立足点等维度展开分析探讨，并以金融、零售、医疗和工业四大行业为实践，从需求侧角度对数据治理体系搭建给到指引。未来，数据的安全合规要求与自我治理进化实现将成为数据管理的核心布局方向之一。

目录

一、前言：数据与数据治理
1.1 数据：范围界定
1.2 数据量：爆发式增长
1.3 数据治理：需求释放
1.4 数据治理：范围界定
1.5 数据治理：整体概述
1.6 数据治理：体系架构
1.7 数据治理：政策指引
二、主题：面向人工智能的数据治理
2.1 AI应用规模化
2.2 大数据智能市场的行业规模
2.3 大数据智能市场的投融资热度
2.4 大数据智能产业生态圈
2.5 面向人工智能的数据治理：需求传导
2.6 面向人工智能的数据治理：反复治理
2.7 面向人工智能的数据治理：体系搭建
2.8 面向人工智能的数据治理：数据准备
2.9 面向人工智能的数据治理：数据质量
2.10 面向人工智能的数据治理：数据标准
2.11 面向人工智能的数据治理：特征管理
2.12 面向人工智能的数据治理：效果优化
三、参与：行业规模与受益圈立足点
3.1 AI数据产业生态圈
3.2 数智融合产业带来多元厂商参与
3.3 数智产业生态圈的受益节奏
3.4 数智产业生态圈的参与立足点
3.5 面向人工智能的数据治理：行业规模
3.6 面向人工智能的数据治理：时机路径
四、实践：高频高价值应用及数据痛点
4.1 金融-行业发展背景
4.2 金融-高频高价值场景
4.3 金融-面向人工智能的数据治理体系
4.4 金融-大数据智能产业图谱
4.5 零售-行业发展背景
4.6 零售-高频高价值场景
4.7 零售-数据痛点与核心诉求
4.7 零售-面向人工智能的数据治理体系
4.8 零售-大数据智能产业图谱
4.9 医疗-行业发展背景
4.10 医疗-高频高价值场景
4.11 医疗-数据痛点与核心诉求
4.12 医疗-面向人工智能的数据治理体系
4.13 医疗-大数据智能产业图谱
4.14 工业-行业发展背景
4.15 工业-高频高价值场景
4.16 工业-数据痛点与核心诉求
4.17 工业-面向人工智能的数据治理体系
4.18 工业-大数据智能产业图谱
五、案例：标杆企业与新锐势力
5.1 第四范式
5.2 明略科技
5.3 傲林科技
5.4 Magic Data
六、展望：治理陷阱与趋势洞察
6.1 数据埋点的大而全陷阱
6.2 数据治理体系的流转运营
6.3 关注数据治理中的安全合规性
6.4 联邦学习带来数据治理升华
6.5 数据的“自治与自我进化”
6.6 打造“治理+AI”体系的良性循环

图表目录

图1-1 2016-2035年全球产生的数据量
图1-2 2015-2020年中国数字经济内部结构变化
图2-3 2019-2026年大数据智能市场规模
图2-4 2021年大数据智能市场规模细分结构
图2-5 2011-2021年大数据智能市场投融资事件数量
图2-6 2011-2021年大数据智能市场投融资事件轮次情况
图3-7 2019-2026年中国数据治理与面向人工智能的数据治理规模
图4-8 2019年中国金融机构AI投入规模结构
图4-9 预计2022年全球金融业支出结构
图4-10 2016-2020中国社会消费品零售总额及网上零售额
图4-11 2021年中国医院智能应用现状
图4-12 2021年中国三级医院AI应用开展情况
图4-13 2021年中国二级医院AI应用开展情况
图4-14 2021年中国其他医院AI应用开展情况
图4-15 2019-2025年AI辅助诊断细分市场规模
图4-16 2019-2025年中国工业智能核心产业规模