你与顶级架构师的差距，可能就在这个数据中台解决方案

最近数据中台很火，接触的很多企业都在提这个东西。然而，很多连数据基础都没有、仍然处在数据孤岛阶段的企业，上来就说我今年要做数据中台项目，这实际上是因为大家都在追热点，而没有真正搞明白这个名词的含义。

很多顶级架构师都喜欢谈中台，他们口中的中台和你了解的中台又有什么差距呢？往下看。

首先，国内的数据中台兴起，大多是因为阿里巴巴的马老师提出的”大中台、小前台”的口号。所以，我们先来看看阿里对数据中台的定义。

 

数据中台是什么

数据中台是指通过数据技术，对海量数据进行采集、计算、存储、加工，同时统一标准和口径。数据中台把数据统一之后，会形成标准数据，再进行存储，形成大数据资产层，进而为客户提供高效服务。

这些服务跟企业的业务有较强的关联性，是这个企业独有的且能复用的，它是企业业务和数据的沉淀，其不仅能降低重复建设、减少烟囱式协作的成本，也是差异化竞争优势所在。

广义的数据中台包括了数据技术，比如对海量数据进行采集、计算、存储、加工的一系列技术集合，今天谈到的数据中台包括数据模型，算法服务，数据产品，数据管理等等，和企业的业务有较强的关联性，是企业独有的且能复用的，比如企业自建的2000个基础模型，300个融合模型，5万个标签。它是企业业务和数据的沉淀，其不仅能降低重复建设，减少烟囱式协作的成本，也是差异化竞争优势所在。

数据中台的价值

1、数据复用。

浙江移动已经将2000个基础模型作为所有数据服务开发的基础，这些基础模型做到了“书同文，车同轨”，无论应用的 数据模型有多复杂，总是能溯源到2000张基础表，这奠定了数据核对和认知的基础，最大程度的避免了“重复数据抽取和维护带来的成本浪费。

曾经企业的数据抽取就有多份，报表一份，数据仓库一份，地市集市一份，无论是抽取压力、维护难度及数据一致性要求都很高。同时，统一的基础模型将相关业务领域的数据做了很好的汇聚，解决了数据互通的诉求，这点的意义巨大，谁都知道数据1+1>2的意思。

2、沉淀业务模型

在企业内，无论是专题、报表或取数，当前基本是烟囱式数据生产模式或者是项目制建设方式，无法形成标准化统一业务模型，无法沉淀和共享也就无法迭代生长，从而造成模型不能真正成为可重用的组件，无法支撑数据分析的快速响应和创新。只有在迭代生长中的业务模型才能从最初的单一字段，逐渐完善形成为企业最为宝贵的统一模型资产和统一数据资产。

以报表为例，企业报表成千上万的原因往往也是没有沉淀造成的，针对一个业务报表，由于不同的业务人员提出的角度不同，会幻化出成百上千的报表，如果有报表中台的概念，就可以提出一些基准报表的原则。

比如一个业务一张报表，已经有的业务报表只允许修改而不允许新增，自然老报表就会由于新的需求而不断完善，从而能演化成企业的基础报表目录，否则就是一堆报表的堆砌，后续的数据一致性问题层出不穷，管理成本急剧增加，人力投入越来越多，这样的事情在每个企业都在发生。

FineReport做的报表

3、数据驱动业务创新

我们都知道，以往的业务决策，大多是凭经验拍脑袋的，现如今，数据的价值和重要性不言而喻。企业的管理者在做决策时，越来越想要先看数据。所以，好的数据基础，是决策和创新的加速器。而现在市场竞争如此激烈的大环境，不但需要企业做出正确的决策，效率和执行力也是关乎存亡的，数据中台即是数据创新效率的保障。

研究过机器学习的都知道，没有好的规整数据，数据准备的过程极其冗长，这也是数据仓库模型的一个核心价值所在，比如运营商中要获取3个月的ARPU数据，如果没有融合模型的支撑，得自己从账单一层层汇总及关联，速度可想而知。

在如今的互联网时代，企业都在全力谋求转型，转型的关键是要具备跟互联网公司一样的快速创新能力，大数据是其中一个核心驱动力，但拥有大数据还是不够的，数据中台的能力往往最终决定速度，拥有速度意味着试错成本很低，意味着可以再来一次。

数据中台、数据仓库、大数据平台的关键区别是什么？

认可了数据中台的价值，我们自然是想要去快速搭建，然后真正去规划建设的时候，我们会发现，数据中台的建设和数据仓库、大数据平台是有重合的，这就需要我们充分理解三者的区别。

 

综上，我们会发现，数据中台是在数据仓库和大数据平台的基础上，将数据生产为为一个个数据 API 服务，以更高效的方式提供给业务,本质是一个构建在数据仓库之上的跨业务主题的业务系统。

所以，我们会发现，不论要做哪一个数据项目，数据才是核心，统一数据仓库、主数据是基础。只有打通各业务系统的数据孤岛，将数据标准、口径、模型、存储统一，形成具备完整性、规范性、一致性、准确性和及时性的高质量数据，才能逐渐释放数据价值。

如何进行数据价值变现

分为几个阶段：首先，把数据管理起来，形成统一数据资产（数据资产不等同于数据，数据资产是唯一的，能为业务产生价值的数据）;

 

其次，将数据可视化，在我们将数据自动化、可视化的呈现出来的过程中，我们能够充分释放数据的信度、效度、准确度方面的价值。

这也是为什么越来越多的传统企业在进行数据项目规划时，通常会先做一个叫做”管理驾驶舱”的东西。其本质就是，通过上层呈现所要保证的一致性和规范性，倒逼下层的数据管理、数据治理，从而逐渐开展数据分析辅助决策、数据驱动业务等。数据可以告诉决策者一些潜在的规律，以数据来证明或判断决策。

第三个阶段，很多时候，即便数据质量非常完备了，但因为依赖于统计学的数据分析只能对历史的、以往发生过的事情做解释，所以往往总是会慢半拍。而数据挖掘、机器学习，这些近几年才流行起来的技术，可以充分利用海量的数据，通过算法模型去挖掘数据背后的规律，从而辅助我们提前预测或者个性化推荐。

以往我们只会用数据来证明我们历史的决策对错，现在我们用数据来引导我们做出对的决策。基于数据资产催生的人工智能，将数据进行再融合形成新的数据，源源不断给我们提供新的业务视角，让我们不断创新、不停去尝试。

当我们逐渐依赖数据机器人的指令，形成数据服务思维和习惯，让业务与数据形成循环活起来，让它成为业务的一部分，同时让机器智能成为决策环节，运营就可以智能化，即智能化的数字业务系统。

最后，想必对于各种企业要做数据项目，想要构建数据中台，我们可以形成一个优先级顺序，以管理驾驶舱为驱动的数据仓库建设——>面向各业务主题的全面数据治理——>非结构化数据+海量数据加速的大数据平台——>把数据变成个性化服务的数据中台。