Dataiku 是由 Dataiku 公司打造的通用 AI 平台（Universal AI Platform），覆盖数据准备、机器学习、LLM/智能体到模型部署与治理的企业级全流程。 定价：免费版可用；付费版价格需联系销售。编辑评分：⭐ 4.5。
Dataiku是什么？
简单说，Dataiku是一个企业级的“一站式”数据科学和机器学习平台。你不需要在Excel、Python、Jupyter、MLflow、Docker、Kubernetes之间来回折腾，Dataiku把这些环节串在了一起——从数据接入、清洗、做特征，到训练模型、部署成API，再到上线后的监控，都能在同一个界面完成。
它特别强调“协作”和“可视化”。即使团队里有人不太会写代码，也可以通过拖拽、点选的方式参与数据分析和建模；而偏技术的人又能随时切换到Python/R/SQL写自定义脚本。有点像把Jupyter Notebook的灵活性和企业级平台的稳定性、权限管理揉在了一起，适合想规模化落地AI的团队。
核心功能
1. 数据连接与准备 支持各种数据源：本地CSV、云存储（S3、GCS）、数据库（MySQL、PostgreSQL、BigQuery）、甚至实时流数据。连接后可以用可视化流程编辑器做清洗、合并、数据类型转换。实际用下来，对于结构化数据，它的“自动化数据诊断”挺实用——能自动识别缺失值、异常值、分布，省掉很多手动探索的功夫。
2. 特征工程与可视化探索 提供了大量内置的特征变换算子（标准化、编码、聚合、时间窗口等），可以直接在界面上拖拽使用，也能用Python表达式自定义。配合实时图表看每次变换后的分布变化，对快速迭代特征很有帮助。不过当数据集很大时，交互响应偶尔会慢一些。
3. 自动化机器学习（AutoML） 你选定预测目标（分类/回归/时序等），设置好训练/验证集，平台会自动尝试多种算法（随机森林、XGBoost、LightGBM、甚至神经网络），并给出模型效果对比和可解释性报告。对于快速验证基线模型或非技术用户，AutoML的体验很友好。但如果你想精细调参，也可以手动接管。
4. 模型部署与API发布 训练好的模型可以一键部署为REST API（也支持批量预测），并自动生成调用文档和示例代码。部署后还能设置资源配额、限流、回滚策略。多数用户反馈，从模型训练到上线API，熟练后几分钟就能搞定，比传统手动用Flask、Docker打包要快很多。
5. 模型性能监控与漂移检测 上线后的模型可以设置定期监控——比如每天检查预测分布、特征分布是否发生漂移，并自动触发告警或重新训练。这个功能在企业生产环境中很实用，因为很多模型上线后数据会慢慢变化，没有监控等于“盲跑”。
6. 多用户协作与角色权限管理 支持项目级的版本管理（类似Git的视觉差异对比）、代码/流程共享、评论和审批流程。管理员可以精细控制谁可以看哪些数据、谁可以部署模型。对于有合规要求（如金融、医疗）的团队，这点很关键。
版本/套餐对比
| 版本 | 主要面向 | 典型能力差异 |
|---|---|---|
| Dataiku Free Edition | 个人学习、小团队试用 | 功能基本完整，但有用户数、数据量、模型部署数限制；不包含企业级安全与权限管理 |
| Dataiku Enterprise | 中型团队、有合规需求 | 全量功能，含角色权限、审计日志、高可用部署、LDAP/SSO集成 |
| Dataiku Cloud Starter | 需要云端托管，快速启动 | 提供SaaS版，免运维；按节点付费，适合不想自建基础设施的团队 |
| Dataiku Cloud Business | 大型企业，需要定制SLA、私有云、高级支持 | 含专属实例、私有连接、合同级服务保障 |
价格细节暂未公开，具体需联系销售。官方提供免费版（功能受限）和云版14天免费试用，可以先体验再决定。
值不值得用？
优点
- 可视化+代码双模式，确实降低了编码门槛，业务人员也能参与建模。
- 全流程打通：从数据到监控一条龙，减少工具切换的摩擦。
- AutoML和监控功能做得比较扎实，尤其漂移检测在企业场景很实用。
- 团队协作和版本管理完善，适合多人同时推进项目。
缺点
- 学习曲线存在。虽然界面直观，但平台概念多（项目、流、配方、数据集……），初学者刚开始可能会有点懵。
- 社区和第三方资源远不如Python/R语言生态丰富，遇到冷门问题可能只能查官方文档。
- 付费版价格偏高，对中小企业和个人开发者来说，如果只是偶尔跑模型，可能不划算。
总体结论：非常适合中大型团队、有持续AI落地需求的企业。它解决的是“规模化协作”和“生产化部署”的痛点，而不是“一个人跑个实验”。如果你只是偶尔做一次分析，或者团队很小且预算有限，开源工具（如Jupyter + MLflow）可能更灵活、成本更低。
使用建议
- 先用免费版或云试用。搭一个小项目跑一遍全流程（从数据导入到部署API），感受下界面逻辑和版本管理，再决定是否采购。
- 注意培训投入。团队成员至少要有1-2人能快速上手，之后再带动其他人。Dataiku官方有免费学习路径（Dataiku Academy），建议先学完“Dataiku 101”。
- 从AutoML起步，再手工调优。对大多数常规问题，先用AutoML跑出基线，然后针对最佳模型手动调参或做特征工程，效率更高。
- 善用插件和API。Dataiku支持Python/R/Java脚本扩展，也提供REST API用于集成到现有流水线（比如和Airflow、Kubernetes对接）。
- 规划好数据访问权限。团队人数多时，提前设计好角色和目录结构，否则后期调整成本高。
适合谁用？
推荐
- 数据科学团队（3人以上），有多个模型需要持续迭代和上线
- 企业AI部门，需要统一管控模型生命周期，有合规或审计需求
- 希望“业务人员参与数据分析”的跨职能团队
可考虑
- 有数据分析师但编程能力一般的团队（借助可视化+AutoML能快速产出）
- 云原生公司，能接受SaaS版按月付费，不想自己搭平台
不推荐
- 个人学习者或独立开发者（有免费的Jupyter/Colab/Python包就够了）
- 预算非常有限的初创公司（建议先用开源方案，等团队和项目规模大了再评估）
- 已有成熟技术栈、且工程师愿意自己维护Kubeflow/MLflow等开源平台的大团队（迁移成本可能高于收益）
