数字化转型过程中，数据作为核心的载体，对传统数据仓库架构提出了更高挑战：
- 要求维度更多和宽度更宽的数据提供数据分析基础。
- 要求时效性更高的数据采集和汇聚能力。
- 要求更多能满足业务应用的多样化数据服务能力。
- 要求更加便捷和快速的业务应用能力，为业务赋能减负。
- 要求有更加敏捷的BI分析能力，为经营决策和业务分析提供数据支撑。
- 要求数据分析方法和算法更加科学和智能化，使得基于数据的业务决策和举措更加精准。
- 更加完善的数据资产管理与治理能力，使得数据更加可见、可读、可信、可控及更好用。
- 要求有更加科学的存储资源和计算资源管理能力，动态管理多种数据应用场景和资源需求。
认知与数据咨询为客户提供专业的数据咨询与实施服务：
- 企业数据战略和架构规划
基于数字化转型为总体战略要求，以数据服务业务和场景为核心目标，以数据管理和治理为手段，对企业数据战略进行规划，包括数字化战略规划、数据组织设计、数据人才体系建设、数据运营流程设计、数字化文化建设等。并根据数据战略，围绕数据全生命周期，进行数据架构规划，包括数据分类、数据分层分布定义、数据流转设计及数据管理和治理蓝图和目标设计。
- 企业数据平台规划与实施（ODS/数据仓库/数据湖/数据中台/数据湖）。
明确企业级数据平台/数据中台定位，分析企业级数据平台/数据中台业务能力和技术能力要求，从应用、数据、技术等多个维度规划其架构，设计数据平台/数据中台开发及运维体系（DataOps），数据资产管理与治理体系、数据运营体系，形成数据中台架构蓝图、功能蓝图、平台蓝图、技术组件清单，并基于业务数据双轮驱动的策略制定阶段性实施目标，进而形成总体实施路线图。在落地实施过程中，提供产品选型、平台设计与开发、ETL及调度设计与开发、数据模型设计、数据服务开发、数据产品开发、数据治理等多种实施服务。
- 企业数据资产管理与治理（数据治理/数据资产管理）。
从数据资产管理的角度，参考DAMA、中国信通院、IFW等多个行业数据治理方，遵照监管要求，结合行业经验，从数据资产可见、可读、可信、可控、可用的目标出发，确定数据资产管理及治理的核心领域（数据标准、数据质量、元数据、数据安全、数据生命周期、主数据、数据模型、数据架构等）及保障机制（政策与制度、组织与职责、流程与机制、平台及工具），设计数据资产管理和治理体系框架；从落地实施及过程管控的角度，建立数据认责体系、流程管理、过程管控、检核模版与工具手段等；分析和设计数据资产管理场景和需求，设计和实施数据资产管理平台、标签管理平台、数据管控平台、指标平台等相关数据资产和数据产品的管理与管控平台。
- 企业数据模型设计（企业级数据模型、应用模型）。
参考行业数据模型建模方法，分析企业主要数据主题分类及说明（A模型），进一步确定各主题下的业务分类和信息项分类（B模型），根据业务分类和信息分类，确定主要实体及关系(C模型），并针对各主实体及关系实体完善信息要素，形成数据逻辑模型.（C’模型）。结合实际数据量和平台特性，构建与之对应的物理模型（D模型）。
- 数据资产运营咨询
以数据服务业务和场景为最终目标，从数据运营目标、数据运营组织、数据运营流程和机制、数据运营工具和平台等维度规划和设计数据运营体系框架。并结合企业实际情况，从数据运营实施策略、数据运营实施目标、数据运营实施路径等进行落地实施规划和辅导。以数据资产为核心，完善数据治理体系，优化和提升数据服务能力。推动数据资产和业务应用双向赋能，形成业务数据化、数据资产化，资产服务化的良性循环。
- 数据挖掘与专题分析（聚焦业务专题分析）
以客户营销、体验优化、数据运营等多个业务主题和场景为目标，通过数据业务指标、分析数据需求、构建分析和挖掘模型，并制定业务运营策略，协助业务活动落地并分析业务实施效果，迭代优化分析模型的闭环数据分析，为客户提供专业的数据分析方法和理念，构建业务速赢与长效机制，形成数据分析资产与数据产品。
