数据中台、业务中台、数据仓库、现有信息架构

背景

   伴随着云计算、大数据、人工智能等技术的迅速发展，以及这些技术与传统行业快速融合，企业数字化、智能化转型的步伐逐渐加快。 IDC（Internet Data Center）预测，到2021年，全球至少50%的GDP将被数字化，而每个行业的增长都会受到数字产品与服务、数据化运营的驱动。
   数字化转型成功的企业，其内部和外部的交互均以数据为基础。业务的变化快速反馈在数据上，企业能够迅速感知并做出反应，而其决策与考核基于客观数据。同时，数据是活的，是流动的，越用越多，越用越有价值。随着数据与业务场景的不断交融，业务场景将逐步实现通过数据自动运转和自动化优化，进而推动企业进入数字化和智能化的阶段。

1.数据中台

   传统IT建设方式下，企业的各种信息系统大多是独立采购或者独立建设的，无法做到信息的互联互通，导致企业内部形成多个数据孤岛。 互联网、移动互联网的发展带来很多新的业务模式，很多企业通过服务号、小程序、O2O(Online To Offline)平台等新模式触达客户、服务客户，新模式是通过新的平台支撑的，产生的数据与传统模式下的数据也无法互通，这进一步加剧了数据孤岛问题。分散在各个孤岛的数据无法很好地支撑企业的经营决策，也无法很好地应对快速变化的前端业务。因此需要一套机制，通过这套机制融合新老模式，整合分散在各个孤岛上的数据，快速形成数据服务能力，为企业经营决策、精细化运作提供支撑，这套机制就是数据中台。 数据中台是一套可持续“让企业的数据用起来”的机制，是一种战略选择和组织形式，是依据企业特有的业务模式和组织架构，通过有形的产品和实施方法论支撑，构建的一套持续不断数据变现资产并服务于业务的机制。数据来自于业务，并反哺业务，不断循环迭代，实现数据、可见、可用、可运营。

1.1数据中台的目的

   数据中台把数据变为一种服务能力，既能提升管理、决策水平，又能直接支撑企业业务。数据中台不仅仅是技术，也不仅仅是产品，而是一套完整的让数据用起来的机制。既然是“机制”，就需要从企业战略、组织、人才等方面来全方位地规划和配合，而不能仅仅停留在工具和产品层面。以阿里为例：旗下拥有跨金融，零售的多条业务线。要做数字化转型，不仅仅是技术问题，更是组织与业务运转模式改变的问题，需要顶层战略规划和组织架构上的改变。这也是为什么各大互联网公司在宣布中台战略时，会伴随着组织架构的调整。

2.数据中台VS业务中台

2.1数据中台与业务中台的区别

   业务中台更多偏向于业务流程的管控，将业务流程中共性的服务抽取出来，形成通用的服务能力。比如电商平台，有C2C、B2C、C2B、B2B四种模式，其中订单、交易、商品管理、购物车等模块都是共性的。将这些组件沉淀出来，形成电商行业的业务中台，再基于这些业务中台组件的服务能力，可以快速搭建前台应用，譬如：C2C模式的淘宝、B2C模式的天猫、B2B模式的1688、C2B模式的聚划算，用户通过这些前台业务触点使用业务服务。 业务中台不直接面向终端用户，可以极大提升构建面向终端用户的前台的速度和效率。
  业务中台是抽象业务流程的共性形成通用业务服务能力，而数据中台则是抽象数据能力的共性形成通用的数据服务能力。比如，原始业务数据通过资产化服务化，形成客户微观画像服务，这个服务可用于电商平台的商品推荐，也可能用于地产购房意愿，还可以用于金融领域的信用评级等。同一个服务，在应用层面展现的内容可能不一致，但是底层的数据体系是一致的。数据中台也将极大提升数据开发的效率，降低开发成本，同时可以让整个数据场景更为智能化。

2.2数据中台与业务中台的联系

  如果同时拥有数据中台和业务中台，则数据中台与业务中台相辅相成。业务中台中沉淀的业务数据进入到数据中台进行体系化的加工，再以服务化的方式支撑业务中台上的应用，而这些应用产生的新数据又流转到数据中台，形成循环不息的数据闭环。业务中台的存在是为了围绕公司业务运营进行服务，将获取的多维度数据传递给数据中台，由数据中台挖掘新的价值反馈给业务中台，以优化业务运营。
  不仅仅是业务中台，目前各种中台层出不穷，但是中台不是平台，平台可以有很多，可以有营销平台、风控平台、管理平台等，但是中台，一个企业只需要一个。现在还有业务中台、数据中台之分，未来数据与业务会更加紧密地结合，有望完全融为一体，会统一成“企业中台”。

3.数据中台VS数据仓库

  数据仓库的主要应用场景是支持管理决策和业务分析，而数据中台则是将数据服务化之后提供给业务系统，目标是将数据能力渗透到各个业务环节，不限于决策分析类场景。数据中台持续不断地将数据进行资产化、价值化并应用到业务，而且关注数据价值的运营。
   数据中台建设包含数据体系建设，也就是数据中台包含数据仓库的完整内容，数据中台将企业数据仓库建设的投入价值进行最大化，以加快数据赋能业务的速度，为业务提供速度更快、更多样的数据服务。数据中台也可以将已建好的数据仓库当成数据源，对接已有数据建设成果，避免重复建设。当然也可以基于数据中台提供的能力，通过汇聚、加工、治理各类数据源，构建全新的离线或实时数据仓库。个人认为随着企业业务数据越来越多，机器学习，人工智能等技术发挥的作用也会越来越大。

4.数据中台VS现有信息架构

  如何唤醒沉睡的数据资产，把数据真正用起来，以支持自身业务的智能化升级，这是摆在所有传统企业面前的数字化转型难题。在互联网建设时期，随着公司发展和业务调整，信息架构也不断的被推到重建，消耗企业大量成本。不过 数据中台与企业现有信息架构不存在竞争关系，不会导致企业现有系统、功能和应用的重复建设。
  以一个轮胎制造的上市公司为例，该公司用了多个业务系统，比如OA系统、EPR系统、工艺设计与管理系统、物流系统、生产系统等。该企业的一个核心痛点是：“无法准确知道当前的轮胎能否准时或者提前交付”。制造型企业一般处于产业链的中间位置，非终端或者源头端，比如这家轮胎制造企业，它的上游是橡胶提供方，下游是汽车组装商或者汽车零部件厂商。轮胎的及时交付就意味着公司的生命线-稳定的现金流。而轮胎能否及时交付的数据分布在所有系统（数据孤岛）。在数据中台之前，他们是把所有的数据从数据库中导出Excel表格，再去做对应。如果有了数据中台体系，可以通过中台机制汇聚相关系统中的原始数据，并且面向轮胎这一公司经营的实体构建一系列场景化的标签特征。同时通过离线或者实时的数据交互模式，不断更新特征值，将业务场景所关注的数据价值直接展现出来。