最近數據中臺很火，接觸的很多企業都在提這個東西。然而，很多連數據基礎都沒有、仍然處在數據孤島階段的企業，上來就說我今年要做數據中臺項目，這實際上是因爲大家都在追熱點，而沒有真正搞明白這個名詞的含義。
很多頂級架構師都喜歡談中臺，他們口中的中臺和你瞭解的中臺又有什麼差距呢？往下看。
首先，國內的數據中臺興起，大多是因爲阿里巴巴的馬老師提出的”大中臺、小前臺”的口號。所以，我們先來看看阿里對數據中臺的定義。
數據中臺是什麼
數據中臺是指通過數據技術，對海量數據進行採集、計算、存儲、加工，同時統一標準和口徑。數據中臺把數據統一之後，會形成標準數據，再進行存儲，形成大數據資產層，進而爲客戶提供高效服務。
這些服務跟企業的業務有較強的關聯性，是這個企業獨有的且能複用的，它是企業業務和數據的沉澱，其不僅能降低重複建設、減少煙囪式協作的成本，也是差異化競爭優勢所在。
廣義的數據中臺包括了數據技術，比如對海量數據進行採集、計算、存儲、加工的一系列技術集合，今天談到的數據中臺包括數據模型，算法服務，數據產品，數據管理等等，和企業的業務有較強的關聯性，是企業獨有的且能複用的，比如企業自建的2000個基礎模型，300個融合模型，5萬個標籤。它是企業業務和數據的沉澱，其不僅能降低重複建設，減少煙囪式協作的成本，也是差異化競爭優勢所在。
數據中臺的價值
1、數據複用。
浙江移動已經將2000個基礎模型作爲所有數據服務開發的基礎，這些基礎模型做到了“書同文，車同軌”，無論應用的 數據模型有多複雜，總是能溯源到2000張基礎表，這奠定了數據覈對和認知的基礎，最大程度的避免了“重複數據抽取和維護帶來的成本浪費。
曾經企業的數據抽取就有多份，報表一份，數據倉庫一份，地市集市一份，無論是抽取壓力、維護難度及數據一致性要求都很高。同時，統一的基礎模型將相關業務領域的數據做了很好的匯聚，解決了數據互通的訴求，這點的意義巨大，誰都知道數據1+1>2的意思。
2、沉澱業務模型
在企業內，無論是專題、報表或取數，當前基本是煙囪式數據生產模式或者是項目制建設方式，無法形成標準化統一業務模型，無法沉澱和共享也就無法迭代生長，從而造成模型不能真正成爲可重用的組件，無法支撐數據分析的快速響應和創新。只有在迭代生長中的業務模型才能從最初的單一字段，逐漸完善形成爲企業最爲寶貴的統一模型資產和統一數據資產。
以報表爲例，企業報表成千上萬的原因往往也是沒有沉澱造成的，針對一個業務報表，由於不同的業務人員提出的角度不同，會幻化出成百上千的報表，如果有報表中臺的概念，就可以提出一些基準報表的原則。
比如一個業務一張報表，已經有的業務報表只允許修改而不允許新增，自然老報表就會由於新的需求而不斷完善，從而能演化成企業的基礎報表目錄，否則就是一堆報表的堆砌，後續的數據一致性問題層出不窮，管理成本急劇增加，人力投入越來越多，這樣的事情在每個企業都在發生。
FineReport做的報表
3、數據驅動業務創新
我們都知道，以往的業務決策，大多是憑經驗拍腦袋的，現如今，數據的價值和重要性不言而喻。企業的管理者在做決策時，越來越想要先看數據。所以，好的數據基礎，是決策和創新的加速器。而現在市場競爭如此激烈的大環境，不但需要企業做出正確的決策，效率和執行力也是關乎存亡的，數據中臺即是數據創新效率的保障。
研究過機器學習的都知道，沒有好的規整數據，數據準備的過程極其冗長，這也是數據倉庫模型的一個核心價值所在，比如運營商中要獲取3個月的ARPU數據，如果沒有融合模型的支撐，得自己從賬單一層層彙總及關聯，速度可想而知。
在如今的互聯網時代，企業都在全力謀求轉型，轉型的關鍵是要具備跟互聯網公司一樣的快速創新能力，大數據是其中一個核心驅動力，但擁有大數據還是不夠的，數據中臺的能力往往最終決定速度，擁有速度意味着試錯成本很低，意味着可以再來一次。
數據中臺、數據倉庫、大數據平臺的關鍵區別是什麼？
認可了數據中臺的價值，我們自然是想要去快速搭建，然後真正去規劃建設的時候，我們會發現，數據中臺的建設和數據倉庫、大數據平臺是有重合的，這就需要我們充分理解三者的區別。
綜上，我們會發現，數據中臺是在數據倉庫和大數據平臺的基礎上，將數據生產爲爲一個個數據 API 服務，以更高效的方式提供給業務,本質是一個構建在數據倉庫之上的跨業務主題的業務系統。
所以，我們會發現，不論要做哪一個數據項目，數據纔是核心，統一數據倉庫、主數據是基礎。只有打通各業務系統的數據孤島，將數據標準、口徑、模型、存儲統一，形成具備完整性、規範性、一致性、準確性和及時性的高質量數據，才能逐漸釋放數據價值。
如何進行數據價值變現
分爲幾個階段：首先，把數據管理起來，形成統一數據資產（數據資產不等同於數據，數據資產是唯一的，能爲業務產生價值的數據）;
其次，將數據可視化，在我們將數據自動化、可視化的呈現出來的過程中，我們能夠充分釋放數據的信度、效度、準確度方面的價值。
這也是爲什麼越來越多的傳統企業在進行數據項目規劃時，通常會先做一個叫做”管理駕駛艙”的東西。其本質就是，通過上層呈現所要保證的一致性和規範性，倒逼下層的數據管理、數據治理，從而逐漸開展數據分析輔助決策、數據驅動業務等。數據可以告訴決策者一些潛在的規律，以數據來證明或判斷決策。
第三個階段，很多時候，即便數據質量非常完備了，但因爲依賴於統計學的數據分析只能對歷史的、以往發生過的事情做解釋，所以往往總是會慢半拍。而數據挖掘、機器學習，這些近幾年才流行起來的技術，可以充分利用海量的數據，通過算法模型去挖掘數據背後的規律，從而輔助我們提前預測或者個性化推薦。
以往我們只會用數據來證明我們歷史的決策對錯，現在我們用數據來引導我們做出對的決策。基於數據資產催生的人工智能，將數據進行再融合形成新的數據，源源不斷給我們提供新的業務視角，讓我們不斷創新、不停去嘗試。
當我們逐漸依賴數據機器人的指令，形成數據服務思維和習慣，讓業務與數據形成循環活起來，讓它成爲業務的一部分，同時讓機器智能成爲決策環節，運營就可以智能化，即智能化的數字業務系統。
最後，想必對於各種企業要做數據項目，想要構建數據中臺，我們可以形成一個優先級順序，以管理駕駛艙爲驅動的數據倉庫建設——>面向各業務主題的全面數據治理——>非結構化數據+海量數據加速的大數據平臺——>把數據變成個性化服務的數據中臺。