写在前面

数据中台，一个老生常谈的问题。关于数据中台的解读，公开的资料有很多，每个人似乎都有自己的理解。面对铺天盖地的各种名词，难免会让人有一种云山雾罩的感觉。本文将跳出数据中台来浅聊一下数据中台，抛却这些高大上的解读，回归本质。

首先，值得注意的是，数据中台依然是当下大数据领域最前沿的数据建设体系，数据中台是传统的数据仓库的一种升级，是数据采集、建设、管理与使用的一整套体系。由此可见，数据中台是一种数据建设体系，那要进行数据体系化建设，需要什么呢？组织、方法论和产品工具。所以，数据中台不是孤立的一个产品，也不是数据加工处理之后做几张报表那么简单。

数据不是为了存储，不是为了管理，更不是为了治理，而是为了服务，为了价值化。

为什么做数据中台

缘起

与其说为什么做数据中台，不如说为什么使用数据。数据在如今时代的重要性是不言而喻的，因为数据很重要，所以我们要使用数据监控业务的发展现状，助力业务决策，赋能业务增长。一般而言，对于一些小企业，其业务体量比较小，复杂度相对比较低，所以一些简单数据处理就可以满足日常对数据的使用。这里谈的数据中台，是针对于一些大型的数据化公司(互联网科技公司)，其业务体量之大和复杂度之高，使得一些简单的数据处理难以满足数据使用的需求，由此就应运而生了很多数据处理的方法和工具。在实际的摸索实践中，又不断的沉淀升华，于是乎就有了一套标准和一些列可操作的SOP，这其中很多的环节都是数据仓库的范畴，为了有别于数据仓库，就起了一个数据中台来进行命名。所以，不需要纠结名字是什么，要搞懂其本质是什么。

事物的发展不是直线前进的，而是螺旋式上升的。所以，一定是在遇到问题并解决问题的过程中得以发展的。换句话说，新事物的出现是为了解决某些既定问题的。那在企业使用数据的过程中会遇到哪些问题呢？

• 数据标准问题烟囱式开发及局部业务服务支撑，导致指标同名不同口径问题频发
• 数据质量问题重复建设导致任务链冗长、任务繁多，计算资源紧张，数据时效性不好；口径梳理定义的文档沉淀到开发代码实现之间存在脱节，数据准确性保障风险高
• 需求响应问题烟囱式开发周期长、效率低，导致业务响应速度慢
• 成本资源问题烟囱式开发的重复建设浪费技术资源；上线难下线更难，源系统或业务变更不能及时反映到数据上，加之数据不标准，研发维护难上加难的同时，大量无用计算和存储造成资源浪费。

目标

面对如此多的问题，需要一套体系化的方法和工具产品来支撑，方可一一破解。由此引申出来，做数据中台要实现哪些目标，其实很简单：降本提效赋能业务提升。

• 业务提升使用数据的目的是辅助业务增长的，所以最本质，最原始的诉求或者目标就是怎么让业务增长。
• 效率提升这个效率包括两个方面，一方面是业务侧因为有了数据的辅助而提效，另一方面产研侧因为有了工具和方法论而提效。
• 降低成本开源节流是亘古不变、颠扑不破的一条准则，任何事情都要有成本的考量，无论是对于业务还是产研，在节省成本的情况下能够不断带来业务增量才是一个可持续的发展。

怎么做数据中台

前面提到，数据中台是一整套体系，不是一个数据产品就能解决的事情。另外，无论对于数仓还是数据中台，能否做成功并发挥作用，也取决于组织的环境。如果一个组织的基因是根植在数据上的，那实践并推动起来就相对简单，如果一个组织并没有意识使用数据或者不需要那么复杂的数据场景，那么实现起来就会略显困难。数据建设不是喊口号、做PPT吹水。它是一项复杂工程，涉及到方方面面，不是一蹴而就的，是在实践中不断完善的。如果一个组织压根就没有数据基因，那结果只会是空中楼阁。

与其说怎么做数据中台，不如说怎么进行体系化的数据建设。这样理解起来就不是为了数据中台而数据中台。总结起来：

• 组织
• 方法论
• 产品工具

组织

组织是根本，皮之不存毛将焉附。一个组织对于数据的依赖程度和对数据的应用深度，是数据中台的根基。如果把数据中台理解成一个工具，那组织就是使用工具的人，换句话说，组织是让数据中台运转起来的载体。如果组织中的人对于数据的使用程度不高，数据中台也就是成了无源之水无本之木了，也就很难推进后续的事情，即便做成了，也不会有人使用，更不用说会发挥什么价值了。

所以，让使用数据成为大家的肌肉反应，是一个前置条件。当有了这个前置条件，就可以通过数据产品、数据应用，从而让组织中的人更好的理解和消费数据。

方法论

就像做开发一样，任何一套框架背后还是有一套基本的思想。构建数据中台也有一套理论来支撑它：数据中台的思想就是One Data方法论，由One Model、One ID、 One Service三个部分组成，包括数据标准规范、模型规范、数据研发规范、数据服务规范等一系列的建设标准外，还包括规范落地的相关工具去保障标准化、体系化的建设。

img

One Model：统一数据构建和管理

数据是客观的，只是存储在数据库一些表。关键是如何用数据表达、刻画和呈现对应的业务事实，这个背后需要有一套标准，这个标准叫One Model。零散的数据存放在数据库中，并不能直接拿来去使用的，需要加工处理之后才有业务意义。另外，现实中大家对于数据口径的定义和解读也是不一样的，比如什么是PV，UV，什么是活跃，这些问题都会造成数据之间的阻塞。所以，只有数据标准统一了，才能实现数据价值的最大化。

通俗来讲，One Mode是数据建模的标准，比如：

• 主题域建模：在数据中台, 主题对应一个宏观的分析领域，比如交易、流量、商品、用户等等。
• 维度建模：主题域的基础之上，有响应的维表和事实表。

One ID：统一数据萃取

One ID是数字化商业很重要的基础设施，为了能够更好的刻画用户，打通数据体系，通过ID Mapping 产生OneID，这一步之后我们的整个数据体系就将使用OneID作为用户的ID，这样我们整个数据体系才能得以打通。

OneService：统一数据服务

数据在一起不是为了统一，是为了Service。不提供服务的数据，就只有成本，也感觉不到数据的价值。数据存在并且放在一起而不加以应用，并不代表你有数据中台。

OneService核心是服务的复用，能力包括：

• 利用主题逻辑表屏蔽复杂物理表的主题式数据服务
• 一般查询+ OLAP 分析+在线服务的统一且多样化数据服务
• 屏蔽多种异构数据源的跨源数据服务

产品工具

有了方法论之后，还需要有一套工具产品来承接。如果只是大谈特谈方法论，而不去落地，那也很难将方法论延续、演进，所以方法论背后必须有一套工具。

• 数据采集
• 数据开发
• 数据质量管理
• 元数据管理
• 数据资产管理
• 数据服务
• 数据安全

可以看出，数据中台是一项很复杂的系统工程，涉及的工具产品有很多。当然，这些产品工具都有对应的云服务，这样开发人员就可以专注于数据和业务，从而提升研发的效率。对于自研工具的企业而言，一般也是围绕这些方面进行开发的，指的注意的是，工具只是手段，不是目的。数据不是为了存储，不是为了管理，更不是为了治理，而是为了服务，为了价值化。

总结

本文首先介绍了数据中台的起源，然后介绍了数据中台的目标，接着介绍了如何去建设数据中台，主要包括：组织、方法论和产品工具三个方面。