DataOps To be or NOT to be？

上回书到，越来越多的企业注意到了DataOps的理念，并在积极的尝试和实践。但还有更多的企业在观察和思考“我们为什么要去实践DataOps？”

请允许我们引用莎翁的一段话作为开头，也请诸位一起来思考一下：DataOps是 To be 还是 NOT to be。

To be, or not to be: that is the question: Whether it`s nobler in the mind to suffer the slings and arrows of outrageous fortune, Or to take arms against a sea of troubles, And by opposing end them?

发展

电子化存储阶段

20世纪60年代开始。依托于文件系统和磁盘等技术，使得数据可以进行长期保存。但在这一阶段效率是较低的。

结构化数据管理

20世纪80年代开始。依托于数据库系统，实现了对结构化数据的存储，以此为基础支撑了各类业务的开展，百花齐放。实现了一定程度上的共享性，支持了数据灵活的增删改查。

数据分析阶段

20世纪90年代开始。随着数仓技术的成熟与企业管理需求的增长。企业管理者依托于数据仓库来实现对数据的汇总、分析，从而支撑管理决策。

海量数据管理阶段

21世纪10年代开始。大数据与人工智能飞速发展。数据的战略地位越来越高，更多的企业认识到数据同样是企业的资产。各类数据库的技术越发成熟，存储的成本逐渐降低，使得各类数据都有被存储、分析的需求，除了关注历史，企业还要对未来进行预测。

挑战

毫无疑问，随着互联网、IT等技术的发展，数据的增长是爆发式的，从而倒逼着数据处理的技术不断发展，进而又产生了更多的数据。在一轮轮的技术浪潮中，企业管理者的管理从经验导向演进为数据导向。这无疑使得企业的发展更为成熟更为科学，也同样让我国的企业更具有国际竞争力。

但在这一轮数据浪潮中，企业随着数据能力的建设发展，越来越多的问题也涌现出来。例如：

1. 数据孤岛林立
2. 数据建设维护高成本
3. 数据准备阶段低效
4. 数据的“可用不可信”等问题

Experian在2019的全球数据管理调查报告中更是直言，89%的企业难以管理数据。

转机

DataOps的适时出现可以说是必然的。DataOps以其敏捷化、精益化、自动化、智能化和可信等特点，对数据的全生命周期进行了一次“洗礼”。DataOps的出现可以说就是为了突破当前企业所遇到的数据瓶颈而生的。

DataOps通过对整个数据过程的重构，实现了

1. 对现有（新增）数据源进行有效的集成（不论是物理集中还是逻辑集中）
2. 合理弹性的数据存算资源配置
3. 随时预备的安全的离线、实时以及数据科学开发环境
4. 灵活的数据编排以及可信的数据质量等

这些特性都让企业不论从效率还是质量上都得到了显著的提升，同时也大幅降低了人力与物力的成本，进而打通数据生命的“任督二脉”。

未来

回到我们开头的问题，对于是否要践行DataOps，一方面要取决于企业当前的发展阶段与未来业务的发展需求，另一方面我们也要明白DataOps的建设不是一蹴而就的，既不要担心输在起跑线上，也不要因为一时半刻未见效而放弃。

中国信通院当下正联合工商银行、招商银行、农业银行、平安银行、浦发银行、南京银行、交通银行信通卡中心、长亮科技、联通数科、新大陆、亚信科技、阿里云、腾讯云、新炬网络、中软国际、浩鲸科技、科杰科技、海南数造、美亚柏科、深算院、数梦工场、网易、新华三、海尔等30余家单位对DataOps制定相关的行业标准体系。未来我们将结合中国的数据发展情况，打造一套适合我国数据行业发展的DataOps体系。

结尾让我们引用斯大林在1931年一次名为《论经济工作人员的任务》的演说内容：“人们有时问：不能稍微放慢速度，延缓进展吗？不，不能，同志们！决不能减低速度！恰恰相反，必须竭力和尽可能加快速度。我们对苏联工人和农民所负的义务要求我们这样做。我们对全世界工人阶级所负的义务要求我们这样做。延缓速度就是落后。而落后者是要挨打的。但是我们不愿意挨打。不，我们绝对不愿意！”

那么您的企业是否已经开始践行DataOps了呢？欢迎加入我们，一起分享交流DataOps的实践经验、探讨组织遇到的切实问题。