数据中台选型方法

        数据中台作为当前数字化转型非常重要的基础设施是企业数据治理的重要抓手，作为中台应该如何选择适合的产品呢？本文从选型指标、选型的方法、工具及步骤手把手教你如何选型。

一、数据中台选型指标

    本文将指标分为通用指标、数据开发工具指标、数据治理工具指标、数据服务工具指标以及其他工具指标五大一级指标，以及40项二级指标。供读者根据本团队实际的需求情况进行筛选使用。

如需获取详细指标文档，请关注gzh“大数据食铁兽”，回复：“中台指标”获取。

二、选型方法

使用AHP层次分析法进行选型，具体的指标可参考数据中台选型指南(2/3)-评价指标，根据本团队实际情况进行选取。

AHP层次分析法定义

层次分析法（Analysis Hierarchy Process,简称 AHP），将人的思维过程分成目标层、准则层和方案层，并借助数学模型进行分析，是一种将决策者定性判断和定量计算有效结合起来的实用的决策分析方法。该方法系统性强，使用灵活、简便，适用于组织化的大规模复杂系统。尤其是当系统规模庞大、结构复杂、属性及目标多样，且系统中很多要素指标仅有定性关系时，采用层次分析法进行评价和决策是非常高效的。
基本原理是把复杂问题按支配关系分成递阶层次结构，每个层次都有相互联系相互作用的各个要素组成。通过逐对比较法对层次中各要素的相对重要性进行量化，最后进行相对重要性的总排序。
运用 AHP 法进行决策时，需要经历以下 4 个步骤：
1 建立多级递阶的结构模型
按支配关系自上而下分三层建立评价指标体系：
（1）最高层：也称目的层或目标层，是系统想要达到的目标或结果，是系统评价的首要准则。
（2）准则层：是为实现目标层所设立的准则、子准则等。
（3）最底层：也称方案层。是为实现目标所采取的各种方案、措施等。
​2 构造两两比较判断矩阵
对同属一级的要素,以上一级的要素为准则进行逐对比较，建立判断矩阵。
采用两两成对比较,用 aij 表示要素 Bi 与要素 Bj 对目标 A 的影响程度之比：

称矩阵 

为要素判断矩阵。判断矩阵 A 中的 i 元素与 j 元素相对重要度之比用 aij 表示,且有下述关系：

比值越大，则 i 的重要度就越高。

为了使判断定量化，根据 1-9 标度确定每个要素的相对重要度。​

3 权重计算

（1）用求根法来计算判断矩阵特征向量的近似值。

（2）把特征向量标准化后得到权重向量 

​4 一致性检验

为保证求得的权重的正确性及合理性，还需要进行一致性检验。

计算一致性指标 C.I.

其中，

显然，n越大

的误差越大。因此，在检验时引入随机性一致性比值

当随机一致性比率

<0.1时认为计算所得的层次排序权重是正确的、合理的，否则，需要重新调整判断矩阵，直到一致性检验合格为止。

​5 综合重要度的计算

权重最大的方案即为实现目标的最优选择。

三、工具及步骤

本文采用SPSSPRO进行层次分析法的权重计算。选择专业版本，可支持多层级指标打分及方案打分，直接出最终结果。

分析步骤

1.填写判断矩阵，构建主观评价矩阵。

2.查看各指标权重，这里采用方根法求取特征向量。

3.使用一致性检验判断所构建的判断矩阵是否存在逻辑错误，若不通过，则需重新构建判断矩阵。

步骤一：构建决策模型

构建指标模型，并且添加产品方案。

步骤二：指标评分

先针对一级指标进行打分，具体的打分方法如下：

再进行二级指标打分

步骤三：方案评分

假定有ABC三种产品供选择，需要针对ABC三种产品分布进行两两打分。

步骤四：分析结果

最后点击分析结果，直接给出方案的评分，分值越高则方案越优。

各层级指标及权重值：

注意看一致性校验结果：需通过一致性校验才能证明评分结果无矛盾。如下扩展性部分一致性检验不通过，则需要返回重新检查相关的评分情况，直至通过为止。

节点项	产品A	产品B	产品C	CR值	一致性检验
公司实力	0.659	0.156	0.185	0.028	通过
本地化团队	0.6	0.2	0.2	0	通过
研发团队	0.648	0.23	0.122	0.004	通过
应用案例	0.634	0.174	0.192	0.009	通过
信创支持	0.634	0.174	0.192	0.009	通过
运营维护	0.634	0.174	0.192	0.009	通过
安装部署	0.634	0.174	0.192	0.009	通过
收费模式	0.55	0.21	0.24	0.017	通过
平台兼容性	0.55	0.21	0.24	0.017	通过
扩展性	0.113	0.379	0.508	0.155	不通过
计算引擎支持	0.333	0.333	0.333	0	通过
存储支持	0.126	0.458	0.416	0.009	通过
资源管理	0.634	0.174	0.192	0.009	通过
性能及稳定性	0.167	0.167	0.667	0	通过
管理功能完备性	0.333	0.333	0.333	0	通过
易用性	0.333	0.333	0.333	0	通过
DataOps支持	0.333	0.333	0.333	0	通过
兼容性	0.333	0.333	0.333	0	通过
功能完整性	0.333	0.333	0.333	0	通过
数据服务	0.333	0.333	0.333	0	通过
可视化服务	0.333	0.333	0.333	0	通过
分析及挖掘服务	0.333	0.333	0.333	0	通过

如果想要查看具体指标的权重情况，可点击详细结果看并使用。

一级指标结果

	通用	数据开发	数据治理	数据服务	特征向量	权重值(%)
通用	1	2	0.333	4	1.278	21.404
数据开发	0.5	1	0.167	7	0.874	14.638
数据治理	3	6	1	9	3.568	59.755
数据服务	0.25	0.143	0.111	1	0.251	4.204

二级指标结果

	公司实力	本地化团队	研发团队	应用案例	信创支持	运营维护	安装部署	收费模式	特征向量	权重值(%)
公司实力	1	1	1	0.5	3	0.25	3	0.333	0.885	8.583
本地化团队	1	1	6	3	5	0.25	5	5	2.207	21.412
研发团队	1	0.167	1	4	7	0.25	3	3	1.342	13.018
应用案例	2	0.333	0.25	1	5	1	5	5	1.462	14.182
信创支持	0.333	0.2	0.143	0.2	1	0.2	1	1	0.374	3.627
运营维护	4	4	4	1	5	1	5	5	3.075	29.839
安装部署	0.333	0.2	0.333	0.2	1	0.2	1	1	0.416	4.032
收费模式	3	0.2	0.333	0.2	1	0.2	1	1	0.547	5.306

二级指标结果2

	平台兼容性	扩展性	计算引擎支持	存储支持	资源管理	性能及稳定性	管理功能完备性	易用性	DataOps支持	特征向量	权重值(%)
平台兼容性	1	5	5	5	5	5	5	1	9	3.733	31.704
扩展性	0.2	1	0.333	1	1	1	0.25	0.25	6	0.664	5.638
计算引擎支持	0.2	3	1	1	3	3	1	3	5	1.629	13.841
存储支持	0.2	1	1	1	3	1	2	2	4	1.286	10.92
资源管理	0.2	1	0.333	0.333	1	0.333	0.2	1	5	0.58	4.925
性能及稳定性	0.2	1	0.333	1	3	1	0.25	5	7	1.064	9.039
管理功能完备性	0.2	4	1	0.5	5	4	1	5	5	1.802	15.303
易用性	1	4	0.333	0.5	1	0.2	0.2	1	5	0.799	6.79
DataOps支持	0.111	0.167	0.2	0.25	0.2	0.143	0.2	0.2	1	0.217	1.841

二级指标结果3

	兼容性	功能完整性	易用性	特征向量	权重值(%)
兼容性	1	2	1	1.26	41.26
功能完整性	0.5	1	1	0.794	25.992
易用性	1	1	1	1	32.748

二级指标结果4

	数据服务	可视化服务	分析及挖掘服务	特征向量	权重值(%)
数据服务	1	1	1	1	33.333
可视化服务	1	1	1	1	33.333
分析及挖掘服务	1	1	1	1	33.333