为什么大家要建设数据中台?什么时候建合适？
数据中台一词现阶段很热，金融行业、互联网行业、制造行业等等都在讨论数据中台的建设，分享一下券商行业的数据中台建设。
首先，我们为什么要建设数据中台？
从业务角度看，数据中台在发展过程中，面临着以下挑战：
第一，烟囱建设。虽然券商和银行的体量差距较大，但日常运营系统规模却相差无几，从安信证券来看，我们现有系统大概 200 多套，功能俱全。但从数据角度看，缺少共享数据模型和规范，包括指标、口径等，数据重复存储，导致资源浪费；
第二，数据孤岛。这个问题和烟囱建设密切相关，因为数据分散在各个系统内，无法有效整合打通，数据割裂严重，很难做统一的分析与统计，难以发挥全域数据的价值；
第三，需求响应慢。为满足业务场景需求，需要从多个系统里进行数据采集，再做复杂的转换加工，缺乏底层工具和平台方面的支撑，疲于应付临时性提数分析需求，无暇顾及平台级建设和数据治理，恶性循环；
第四，缺乏沉淀积累。大数据开源组件众多，更新迭代快，安装部署维护使用的技术门槛高，证券场景复杂，无法做到技术、业务、人才的积累。
然后，从数据技术架构的演变历程来看，数据的发展有着清晰的脉络。
关系数据库建立初始仅是底层数据库存储计算最基础的一个部件，不管是数据分析还是报表功能，都是作为业务系统的附属功能或者一部分而存在；九十年代数据仓库概念提出之后，业务系统与管理系统逐渐分离，并陆续出现了专门为 OLAP 场景打造的专用数据库产品。
自 2005 年，互联网海量数据处理加工引发技术革命，以 Hadoop 开源生态为基础的大数据技术栈兴起，数据湖成为数据存储加工的主要方式；直至近两年，数据逐渐从业务过程的“副产品”转变为“本身即业务，本身即服务”， 厚中台、薄前端的理念才开始被业界认可。
其次，在我的理解中，数据中台包括 4 个部分的内容：
第一，方法论。涉及大中台、小前台、业务数据化、数据业务化等一些概念，也包括现在常用的建模的理论等。
第二，组织。建设数据中台需要有专业的数据团队，若单纯依附于业务团队是不靠谱的，如果一个企业没有专业的数据中台的团队，那么这个数据中台一定是建不成的。
第三，工具链。如果只讲方法论是没有办法落地的，因此，所有的方法论都需要有对应的工具平台做支撑推动其落地，这里面包括最基础的底层大数据平台，包括任务调度工具、数据服务、自助查询分析工具等。
第四，运营。也就是数据的运营，偏向于数据治理、从源头做全生命周期的数据治理。