从 Palantir 本体论到神策 SDAF 闭环：数据驱动决策闭环的两种实现路径

最近国内多家被称为“中国版 Palantir”的公司相继 IPO，短期资本市场表现也不错。读者群里也有人发起了关于 Palantir 本体论的讨论。基于此，我重新系统梳理了一遍对 Palantir 的理解，并写下这篇文章，分享一些新的理解。

与几年前相比，我对它的认识发生了明显变化。尤其是对其提出的本体论（Ontology）：我发现这个设计理念与神策数据过去几年提出的 SDAF 闭环和多实体模型有着惊人的相似。

虽然两者的出发点与落地场景不同，但本质上都在回答同一个问题——如何构建一个从数据到决策再到行动的完整闭环。

放在更长的历史脉络里，MicroStrategy 等公司的早期理念其实也与“本体论”有诸多相通之处。

作为一个在大数据领域深耕十余年、又在 2B 软件创业多年的从业者，我对这种“不谋而合”格外敏感：它折射出企业数字化转型中一些共性的底层规律。因此，本文将围绕“从数据到决策再到行动”的闭环：一方面梳理我对 Palantir 本体论的理解，另一方面结合神策的实践路径，讨论二者的联系与启发。

需要说明的是：文中关于 Palantir 的部分主要来自公开资料与技术文档；关于神策的部分则基于我们的实践经验。由于两者的应用场景与技术实现差异较大，文中的对比更偏概念层面，而非具体技术细节。如有错漏，欢迎指正。

PART01

企业数据应用的本质难题

从数据孤岛到“可操作性鸿沟”

在与客户交流的过程中，我们发现企业面临的核心挑战早已超越了单纯的数据孤岛问题。虽然数据整合仍然是一项艰巨的任务，但一个更深层次的难题是“可操作性鸿沟”的问题：从数据中获得洞察，与在实际业务中采取行动之间，存在着巨大的鸿沟。

传统的分析平台擅长告诉你“问题是什么”，却无法帮你“解决问题”。举个例子，数据分析可能会发现某个用户群的流失率在上升，但要真正降低流失率，需要市场部门在 CRM 系统中创建营销活动，运营团队在业务系统中调整策略，客服部门跟进具体用户——这是一个跨系统、跨部门、通常是手动的复杂流程。

这就是为什么很多企业虽然建立了数据仓库或数据湖，投入了大量的分析资源，最终却发现数据的价值难以真正落地。问题的关键在于，分析系统和运营系统是脱节的。

数字化孪生的理想与现实

近几年，“数字化孪生”这个概念很火。从理论上讲，数字化孪生应该是企业在数字世界的一个完整映射：不仅包括静态的数据，还包括动态的业务流程，以及这些流程如何随着决策而变化。

但现实中，大多数所谓的“数字化孪生”只是一个静态的数据模型。它能告诉你企业现在是什么状态，却无法让你与这个“数字世界”进行真正的交互，更无法通过它来驱动现实世界的业务变化。

换句话说，我们需要的不是一个“数字博物馆”，而是一个“数字驾驶舱”——既能观察，又能操控。

PART02

Palantir 本体论的核心理念

什么是 Palantir 本体论

Palantir 的本体论不是一个简单的数据模型，而是一个完整的企业级操作系统范式。它的核心目标是为企业构建一个动态、可交互、可操作的数字化孪生。

与传统的数据仓库或数据湖不同，Palantir 本体论最大的特点是把“行动”（Action） 作为核心概念之一。这意味着该系统从设计之初，就不仅仅是为了让分析师“看到”问题，更是为了让操作人员在同一个环境中“解决”问题。

这种设计理念，将数据平台从一个回顾过去的“后视镜”，转变为一个指挥和控制未来的“驾驶舱”。

三层架构：从静态到动态

Palantir 本体论最精妙的地方，是它的三层架构设计：

第一层：语义层 （Semantic Layer）

这是本体论的基础。它负责将企业内部分散的数据源，包括结构化数据、非结构化文本、流数据、地理空间信息等，集成并转化为业务实体的实时、可交互的视图。

简单来说，这一层回答的是“世界是什么样的”以及“事物之间是如何关联的”。它定义了企业的核心对象（如客户、订单、产品）、它们的属性，以及它们之间的关系。

在 Palantir 的术语中，业务对象称为对象 （Object），其模式由类型 （Type） 定义。而属性 （Property） 描述对象的特征。对象之间的连接称为链接 （Link），支持一对一/一对多/多对多，并具备时态（生效/失效区间）与版本化。语义层还维护统一标识与血缘映射（来源表/字段、转换逻辑），支持计算属性与可复用指标。

换句话说，这一层覆盖“实体—属性—关系”的静态语义，行为与事件更多由下两层来表达。

第二层：动力学层 （Kinetic Layer）

如果说语义层是静态的骨架，那么动力学层就是流淌的血液。这一层负责表示业务的行为、流程和动作，也就是企业的“动词”。

它将“行动”与语义层的对象相关联，捕获并管控现实世界中的“变化是如何发生的”。这使得本体论不仅能反映业务运营，更能实时地影响和驱动业务运营。

第三层：动态层 （Dynamic Layer）

这是本体论价值实现的最高层。该层利用语义层和动力学层提供的统一上下文，来指导决策、自动化流程并模拟未来的结果。

它包括 AI 引导决策、多步模拟，以及决策捕获与学习——将决策的结果作为新数据反馈回系统，从而持续改进模型。

完整的 OODA 循环

这三层架构的精妙之处在于，它为企业构建了一个数字化的 OODA 循环——观察 （Observe） - 调整 （Orient） - 决策 （Decide） - 行动 （Act）。

• 语义层： 让组织能够高保真地观察自身状态
• 动力学层： 通过理解流程和变化来帮助组织调整方向
• 动态层： 则是组织进行决策和行动的地方

而“决策捕获与学习”组件又将行动的结果反馈回“观察”阶段，形成一个持续的、自我优化的循环。

这个框架将组织从缓慢的、基于报告的决策模式，转变为一种高节奏的、与运营深度融合的决策模式。

PART03

神策的实践——SDAF 闭环与多实体模型

SDAF：数据驱动的决策闭环

在 2020 年，神策数据提出了 SDAF 闭环的概念。SDAF 代表四个环节：感知 （Sense）、决策 （Decision）、行动 （Action）、反馈 （Feedback）。如下图所示：

感知 （Sense）

采集必要的数据，从数据中观察，进行真实业务流程的还原与各环节分析，完成对业务流程的感知。在还原真实业务流程的基础上，进行针对目标的分析。

决策 （Decision）

基于感知的结果进行决策，确定应该如何调整运营策略。

行动 （Action）

基于决策的结果，进行必要的行动。特别是，基于数据驱动的智能触点，在全渠道对目标用户群进行触达行动。

反馈 （Feedback）

把行动的结果采集下来，提供实时的、全方位的数据反馈，基于反馈调整感知，最终形成闭环。

从用户行为分析到多实体模型

在神策早期，我们主要聚焦在用户行为分析上。但随着与客户合作的深入，我们发现企业的经营分析场景远比单纯的用户行为分析复杂得多。

举个例子，在零售行业，企业不仅要分析用户行为，还要分析门店、商品、促销活动等多个实体，以及它们之间的复杂关系。一个用户在某个门店购买了某个商品，参与了某个促销活动——这涉及到用户、门店、商品、订单、促销活动等多个实体。

因此，我们将数据模型进化成了多实体模型，从而发挥强大的查询引擎、自定义业务分析和复用用户行为分析模型的组合能力。

简单来说，神策的多实体模型是一个面向复杂经营分析的业务语义建模方法，以“实体—属性—关系—事件”四元组为核心，统一建模用户、账号、组织、商品、订单、设备、门店等对象，并用“事件”把它们在时间轴上的交互连接起来。

如下图所示：

多实体模型具有这些核心要素：

• 实体（Entity）：业务对象的标准定义，支持主键、去重合并、层级与生命周期管理。
• 属性（Property）：原子字段与派生指标，支持时点/区间口径与窗口聚合。
• 关系（Relation/Link）：对象间的一对一/一对多/多对多关系，支持时态与生效区间。
• 事件（Event）：行为事实，承载用户行为与系统操作，作为跨实体分析的“边”。

相比较单实体，多实体模型扩展了这些典型能力：

• 跨实体分析：人—货—场、人—单—券—渠道等多跳查询与下钻。
• 人群／对象集合构建：按实体条件圈选，结合行为事件过滤，可沉淀为分群与标签。
• 指标复用：沉淀实体级指标库，路径、转化、留存等模型可复用于任意实体组合。
• 决策到行动：将人群／对象集合下发到 CRM 、营销云、推荐、工单等触点，配合 SDAF 的 Action / Feedback 完成闭环。

一个例子：在零售场景中，圈选“最近 30 天在 A 城市门店购买过 B 品牌但对 C 品类未复购的高价值会员”（用户—门店—商品—订单—会员等级），在会员日通过短信与小程序优惠券触达；随后采集使用与复购数据回流，迭代策略。

两者的共通之处

回顾 Palantir 的三层架构和神策的 SDAF 闭环，我们会发现惊人的相似性：

1. 都强调从数据到行动的完整闭环

Palantir 将“行动”（Action） 作为核心原语，神策的 SDAF 也明确把行动 （Action） 作为四大环节之一。两者都认识到，数据的价值不在于“看”，而在于“用”。

1. 都重视实体关系的建模

Palantir 的语义层定义了对象（Object）、属性 （Property） 和链接 （Link），神策的多实体模型也强调对业务实体及其关系的建模。这种图结构的思维方式，更符合真实业务的复杂性。

1. 都构建了反馈循环

Palantir 的动态层包含“决策捕获与学习”，将决策结果作为新数据反馈回系统。神策的 SDAF 闭环也明确把反馈 （Feedback） 作为最后一个环节，形成持续优化的循环。

1. 都为 AI 提供了语义基础

Palantir 的本体论为 AI 代理提供了业务上下文和语义框架，使其能够准确理解企业数据。神策的多实体模型同样为大模型提供了结构化的业务知识，使 AI 能够更好地理解和执行业务逻辑。

PART04

两种路径的差异与启示

应用场景的差异

Palantir：政府与超大型企业

Palantir 的客户主要是政府部门和超大型企业，如国防、情报、金融服务、制造业等。这些客户的特点是：

• 数据极度复杂和分散
• 决策的影响极大（可能涉及国家安全或数十亿美元）
• 需要极高的安全性和合规性
• 愿意为深度定制支付高昂的费用

因此，Palantir 采用的是一种“深度定制 + 长期陪跑”的模式。他们会派遣工程师团队与客户深度合作，构建高度定制化的本体论。

神策：中国的 DTC 企业

神策的客户主要是中国的互联网公司、金融机构、零售企业等。这些客户的特点是：

• 主要聚焦在用户运营和营销场景
• 需要快速见效，证明 ROI
• 预算相对有限，需要产品化的解决方案
• 更关注用户增长、留存、转化等指标

因此，神策采用的是“标准产品 + 行业方案”的模式。我们提供了一套标准化的产品，同时针对不同行业提供最佳实践和行业方案。

商业模式的差异

Palantir：高客单价、长周期

Palantir 的商业模式是典型的“大象级”客户策略。他们的客户数量不多，但每个客户的年度合同金额可能达到数千万甚至上亿美元。合同周期通常是多年，甚至十年以上。

这种模式的护城河在于深度定制后的高转换成本。一旦客户将其核心业务流程在 Palantir 本体论中建模，迁移到其他平台的成本和复杂性将变得极其高昂。

神策：标准化产品、规模化

神策的商业模式更接近于传统 SaaS，通过一套标准化的产品服务不同行业的大量客户，依靠规模效应和续费来实现增长。客户的年度合同金额从几十万到几百万人民币不等。

这种模式的挑战在于如何平衡标准化产品与客户个性化需求，以及如何持续提升客户价值以保持续费率。

对中国 2B 软件的启示

作为一个在中国做 2B 软件多年的从业者，我从 Palantir 本体论和神策实践的对比中，得到了几点启示：

第一，数据产品的终极价值在于闭环

无论是 Palantir 还是神策，都在强调从数据到行动的完整闭环。单纯的数据分析或报表，价值是有限的。只有当数据能够驱动决策，决策能够转化为行动，行动的结果又能反馈回数据系统，这个循环才真正产生价值。

在设计数据产品时，我们应该从一开始就思考：如何帮助客户不仅“看到”问题，更能“解决”问题？

第二，语义层是 AI 时代的关键基础设施

Palantir 的本体论为 AI 代理提供了业务上下文和语义基础。神策的多实体模型也在为大模型应用提供结构化的业务知识。

在 AI 时代，单纯的原始数据对大模型来说还不够。大模型需要理解“这个数据代表什么业务含义”、“这些实体之间是什么关系”、“可以执行哪些合法的操作”。这就是语义层或本体论的价值。

对于中国的 2B 软件公司来说，构建这样一个语义层或许是下一个重要的产品方向。

第三，选择合适的市场定位和商业模式

Palantir 和神策选择了完全不同的路径，但都在各自的市场上取得了成功。这说明没有唯一正确的答案，关键是要根据自己的资源禀赋和目标市场来选择合适的定位。

如果你的目标客户是政府或超大型企业，愿意支付高额费用，并且需要深度定制，那么 Palantir 的模式是可以参考的。

如果你的目标客户是广大的中小企业或特定垂直行业，需要快速见效和合理的性价比，那么标准化产品 + 行业方案的模式可能更合适。

但无论选择哪种模式，核心都是要真正解决客户的问题，创造实实在在的价值。

第四，深度定制与标准化的平衡

Palantir 的深度定制模式创造了强大的护城河，但也意味着难以规模化。神策的标准化产品更容易规模化，但需要不断提升产品的通用性和价值。

在实践中，我们发现一个可能的平衡点是：“标准化的底层能力 + 可配置的上层应用”。也就是说，底层的数据采集、建模、治理、分析引擎是标准化的，但在这个基础上，上层的应用则是客制化的。而在 AI 时代，也许就是通过 AI 辅助编程定制开发来满足个性化需求，也是一个可行的选择。

PART05

结语

殊途同归的探索

Palantir 的本体论和神策的 SDAF 闭环、多实体模型，虽然诞生在不同的国家、服务不同的客户群体、采用不同的技术路径和商业模式，但它们在本质上是在解决同一个问题：如何构建一个从数据感知到智能决策再到业务行动的完整闭环系统。

这种“不谋而合”，反映的是企业数字化转型的一些共性规律：

1. 在大模型时代，数据的价值并没有降低，数据基础设施（Data Infra）是 AI 时代的关键基础设施
2. 数据的价值依然在于应用，而非存储
3. 分析和运营必须深度融合，而非相互孤立
4. 持续的反馈循环是系统进化的动力

未来的方向

• 更实时的决策： 从事后分析到实时决策，从批处理到流处理，从天级延迟到秒级响应。这需要整个数据架构的升级，从采集、存储、计算到应用。
• 更智能的自动化： AI 不仅仅是辅助人类决策，而是能够自主执行越来越多的决策和行动。这需要更完善的业务语义体系，让 AI 能够准确理解业务逻辑并安全地执行操作。
• 更完整的闭环： 从局部闭环到全局闭环，从单一触点到全渠道协同，从单次交互到全生命周期管理。这需要打破部门墙，实现数据和业务流程的真正打通。
• 更深入的业务融合： 数据系统不再是业务系统的“附属品”，而是与业务系统深度融合，甚至成为业务系统本身的一部分。这需要数据团队和业务团队更紧密的协作。

写在最后：

作为一个从程序员成长为创业者的技术人，我深知技术的价值最终要通过解决真实的业务问题来体现。无论是 Palantir 的本体论，还是神策的 SDAF 闭环和多实体模型，其价值都在于帮助企业更好地理解自己的业务，做出更明智的决策，并将决策高效地转化为行动。客户只是想要有人帮助他们解决自己的问题，而并不在乎供应商到底使用哪种方案。

在这个过程中，没有放之四海而皆准的“最佳实践”，只有适合自己企业阶段、资源和目标的“最优选择”。希望本文的分析和思考，能够为同样在数据驱动这条路上探索的朋友们提供一些参考和启发。

上述所有观点只代表我个人看法，希望能够对大家有所帮助。有错漏之处不可避免，还请大家谅解。也欢迎大家与我交流讨论，可以在评论区留言，或者扫码入群交流。