4.数据中台 --- 数据中台建设的评估与选择

4.1　企业数据应用的成熟度评估
	通过 企业数据 对 业务的支撑程度 来评估企业应用数据的能力。数据应用能力成熟度可以总结为 统计分析、决策支持、数据驱动、运营优化 4个阶段。

	数据应用能力成熟度越高，则代表数据对业务的支撑能力越强；应用能力成熟度越低，则意味着业务对数据的依赖程度越低。

	1.统计分析阶段
		丰田通过 精益生产 和 持续优化 的理念，建设 MRP、ERP、CRM、OA 系统。

		DBA/DBE => 数据分析师 => 业务数据分析师

		这一类分析师和传统数据分析师不同，IT时代的业务数据分析师们所面临的问题不是数据匮乏而是数据过剩。他们的主要职责是在了解业务和管理要求的前提
	下，通过工具将底层存放在数据库中的原始数据变成一份份图表或者报告，从而实现从数据视角展现当前企业在经营过程中取得的成绩和存在的问题。这个阶段的分析
	其实还只是停留在对过去业务结果的统计，形成了面向业务主题的客观事实描述和分析结果，但由于维度有限而且停留在历史数据，因此无法支撑企业级别的基于数据
	的经营决策。

		总而言之，该阶段主要是以业务需求为导向，通过IT系统的建设，实现业务过程的流程化、自动化，这个过程中可能会有少量的数据记录，但并没有以数据为
	导向积累数据，主要是通过单一维度的少量数据的统计分析进行业务总结。

		统计分析阶段主要有以下5个特征：	
			1.企业战略方面
				该阶段的企业战略定位纯粹以业务驱动，主要以满足企业业务需求，实现业务过程的流程化、自动化为导向。

			2.数据形态方面
				该阶段的企业可能有少量的业务数据积累，但没有以数据未导向积累数据，数据主要以业务系统依托的关系型数据库进行存储，数据无组织，各
			业务分散存储和管理，数据维度单一，尚未开始理解全业务链背后各个环节的数据，无数据质量管控。

			3.数据场景方面
				该阶段的数据应用场景只针对业务系统中的关键数据和指标进行简单的、单一维度的统计分析和管理，辅助业务总结，每次基于业务目标的数据
			统计都需要定义开发，如周报、月报等。

			4.数据应用工具方面
				该阶段业务报表主要基于系统嵌入式报表模块产出，或系统数据导出后通过excel制作报表，模式相对单一。通过一些统计分析，可以了解系统的
			一些基本使用情况和经营指标。

			5.组织架构方面
				该阶段企业无专门的数据相关部门，主要以IT部门的数据库运维管理和业务部门的数据分析师为主。需要数据相关的能力时，一般用系统中定制的
			统计报表或者由特定业务部门提供excel报表。


	2.决策支持阶段
		企业的管理者们意识到，如果对数据的应用仅停留在单系统、单维度的统计分析上，只用于对历史业务开展情况进行简单描述，数据并没有发挥出应有的价值，
	数据只是辅助企业了解业务运转的情况。企业不再满足于这种现状，希望能通过数据未业务决策提供支撑。因此，企业对数据的需求逐渐开始向更全面、更准确、
	更贴合业务管理决策的方向演进，其中最明显的特征就是企业开始构建企业级数据仓库，有BI团队来支撑需求分析与决策。

		这么多来自于不同系统的数据，口径、规范都不一样，应该用哪一个数据才对？在面对类似这样的问题，多数企业想到的最简单办法是：寻找专业团队，使用
	专业工具来对这些数据进行抽象和提炼，形成能够反映整个公司业务运转情况的一整套指标体系，通过对指标体系的监控间接实现对整个公司运转情况的管理。而
	正是沿着这个思路，很多企业专门成立了商业智能部门和数据仓库部门，用来将业务或管理人员提出的指标需求转化为开发人员能够理解的文档，并同时开始了BI
	工具、经营决策管理系统和大屏等可视化工具和系统的建设。希望将大量复杂的原始数据抽象为指标，并以具体化。可视化的方式直接呈现在决策者面前，为其
	提供决策支撑。	

		总而言之，该阶段主要是企业在业务系统建设的基础上，基于业务目标有意识的进行数据的收集、管理、分析，通过企业数据仓库建设，为企业业务提供决策支持。

		决策支撑阶段具有以下5个特征：
			1.企业战略方面
				该阶段，企业开始具备通过数据支撑经营决策的思路，并在考虑通过数据可视化的方式实现数据与业务的融合，以解决业务问题和支撑管理决策。

			2.数据形态方面
				企业开始注重业务过程中的数据积累，开始对各个业务环节的数据进行汇聚、管理，数据维度逐渐丰富。以面向业务主体的指标体系为形式进行数据组织，
			开始注重数据质量的管控，实施数据质量控制。

			3.数据场景方面
				该阶段的数据应用场景开始数据仓库进行各业务主题的数据收集、管理、分析，为企业管理人员提供决策支持，构建包括 领导驾驶舱、企业运行指数、企业
			第四张报表等场景应用。

			4.数据应用工具方面
				开始针对数据收集和管理建立数据仓库、数据开发工具和专业可视化工具，进行系统化数据收集、管理和分析。

			5.组织架构方面
				开始出现数据分析师的岗位，可能会设立专门的数据挖掘或商业智能部门来支撑企业进行数据化决策。


	3.数据驱动阶段
		不难看出，无论是统计分析阶段还是决策支撑阶段，业务的运转和数据之间依然是互相隔离的。企业对数据的应用都还停留在对部分维度的业务数据进行分析得到的结果后，
	再由人工对业务的开展进行不同程度的干预，最终实现业务优化，其最主要的使用群体是管理者。而随着企业业务数据的不断丰富，加上大数据和人工智能技术的成熟和应用，
	企业管理者们在迈进DT时代后又开始了新一轮的探索：在应对海量原始业务数据无法直接被业务使用的问题时，业务部门根据需求自建大数据团队以及相应的数据处理能力，
	通过汇聚、清洗、建模、挖掘等工作，同时借力于IT行业近年来在计算能力和人工智能领域的飞速发展，提升数据处理结果的实时性和智能化程度，将从数据中挖掘的价值服务于
	业务，从而让数据驱动业务变得更加精准、更有效。
		
		最为典型的是 千人前面的推荐展示和精准营销。

		总体来说看，该阶段主要是企业在大数据的背景下，开始基于海量数据积累，利用大数据、机器学习和深度学习等技术，进行数据的深度挖掘和分析，通过对多源、异构的
	全域数据的汇聚、打通，跨界考虑数据价值