百分點科技：媒體數據中臺建設方法論和落地實踐

編者按

媒體融合下半場的重心將向智能化趨勢發展。如何打造實用有效的媒體數據產品和服務，繼而完成數智化轉型，已成爲媒體行業當前最爲關注的問題。

本文圍繞當前媒體機構的轉型需求，百分點科技大數據技術團隊系統地介紹了百分點科技媒體數據中臺建設方法論及實踐成果。

一、媒體數據中臺建設背景

以報紙、出版、廣播電視等爲代表的傳統媒體，和以網站、新聞客戶端、微博、微信公衆號、IPTV、OTT等爲代表的新媒體產品，無論是呈現方式、傳播途徑，還是建設目標、技術體系都大不相同，這就導致了系統建設重複浪費、各應用系統和發佈渠道各自爲政，出現業務系統之間相關割裂、隔離，數據標準不規範，以及各系統數據難以融會貫通、數據質量無保證、數據不能有效利用和無法響應快速的業務迭代創新等問題。

傳統的媒體技術架構體系已經很難滿足媒體行業當前業務需求，而中臺恰恰可以很好地解決這些問題。媒體數據中臺以內容建設爲根本，基於互聯網思維，匯聚社內外數據資源，圍繞內容、渠道、平臺、經營、管理等方面的建設需求，形成“數據整合、能力共享、應用創新”的媒體數據中臺服務體系，可以爲前臺應用提供媒體生產輔助、媒體運營輔助、媒體發佈端應用、媒體智庫等能力支撐。

通過媒體數據中臺的建設，能夠向前賦能業務，實現業務與應用的創新；向後沉澱數據，實現數據的整合，做厚做強數據支撐。因此，媒體數據中臺帶來的是從新聞選題、內容生產、質量把控、發佈渠道、傳播效果、內容運營等多個方面進行提升與轉變。通過媒體數據中臺架構將“數據能力下沉、業務應用上浮”，打造“大中臺、小前臺”的技術佈局，形成可持續的媒體數據與服務支撐平臺。

二、媒體數據中臺建設方法論

媒體數據中臺是一個涵蓋數據採集、數據處理、數據資產管理、數據治理、數據服務、數據分析和數據應用等多個層次的綜合平臺。不僅匯聚媒體機構內外資源，還要提供統一的數據存儲、構建統一的數據標準與數據資源管理、提供統一的基礎數據服務給業務方。同時，爲了加強媒體機構大數據分析能力，還需要引入智能分析服務，實現滿足業務需要的各類公共性智能分析應用服務。

媒體數據中臺整體建設目標，主要是提高服務複用率，賦予業務快速創新能力，最終打造成爲平臺化、資產化、智能化、場景化、服務化的“中央廚房”式融媒體數據平臺。

1. 媒體數據中臺四大組成部分

媒體數據中臺從戰略構建維度來說，包括數據資產管理平臺、數據智能分析平臺、資源發佈與展示平臺、資源服務共享平臺等部分：數據資產管理平臺的本質是將數據資產化；數據智能分析平臺的本質是將數據智能化；資源發佈與展示平臺的本質是將數據場景化；資源服務共享平臺的本質是將數據服務化。

（1）數據資產管理平臺

數據資產管理平臺主要是爲了構建媒體數據資產的管控能力，是一個集數據採集、融合、治理、組織管理、智能分析爲一體的數據平臺，最終數據將以服務方式提供給前臺應用，以提升業務運行效率、持續促進業務創新爲目標。最終產出是適用於各個業務的主題庫，輔助新聞生產、智能發佈、媒體運營和輿情分析等業務場景。

數據資產管理平臺可實現對媒體機構內的稿件數據、產品數據、運營數據、行爲數據，以及外部互聯網資源和等各類數據資源有效匯聚與管理，通過建設統一的數據標準與數據資源管理，實現統一的基礎數據服務給業務方。

同時，以數據多樣性的全域思想爲指導，媒體數據中臺一般會採集與引入全業務（採編、供稿等）、多終端（PC、H5、APP等）、多形態（自身業務系統、三方購買、互聯網定向抓取）的數據，實現媒體數據資源的有效利用與融合。通過AI智能技術與人工相結合的方式，開展文字、圖片、音視頻的數據標引工作，實現內容資源的數據化，充分挖掘數據之間的關聯關係，提升數據的潛在價值。利用自動專題、定製專題等功能實現業務庫、專題庫的快速生成，提供敏捷建庫的能力。

（2） 數據智能分析平臺

數據智能分析平臺提供認知智能和業務智能兩種類型的AI能力。其中，認知智能主要是基於機器學習、深度學習及遷移學習等人工智能技術，提供自然語言處理、圖片識別、OCR識別和視頻分析等基礎能力。業務智能以基礎智能爲基礎，對基礎智能進行組織封裝，包含一系列業務上通用的基礎服務能力，對數據層面提供數據的深層次加工，對業務層面提供業務的深層次分析，業務智能包括智能推薦、用戶畫像、內容標引、專題分析、內容審校和智能專題等。通過大數據中心能力平臺的構建，提升媒體機構智能處理能力，有助於實現能力複用，降低開發成本，實現產品創新。

數據智能分析平臺的目標是構建媒體AI能力，對社內外提供AI能力支撐，實現媒體從數字化到智能化的轉型升級，爲媒體生產、智能發佈、媒體運營、傳播效果評估和輿情分析提供智能輔助。

（3）資源發佈與展示平臺

可以說資源發佈與展示平臺是整個媒體數據中臺的臉面，對於媒體機構而言，可以將數據和能力統一封裝後集中展示，是服務於相關用戶的共享資源統一門戶，實現共享資源的統一呈現，以及資源的檢索、資源的靈活組織與頁面發佈，同時提供靈活的權限管理，打造“一門式”服務平臺。

資源發佈與展示平臺主要包括兩個部分，前臺資源展示部分和後臺資源發佈部分。前臺展示爲媒體數據中臺的內容數據提供瀏覽和使用，包括網站門戶首頁、瀏覽頻道、瀏覽文章和智能檢索能力集成等。後臺管理主要是用戶和內容的管理，包括內容管理、菜單管理、模板管理、標記管理和用戶管理等。

（4）資源服務共享子平臺

當媒體機構有效整合分散異構的信息資源，消除“信息孤島”桎梏，形成了自己的數據資產和AI能力以後，接下來就需要將這些能力對外提供服務了，實現他們的價值，資源服務共享的需求應運而生了。

目前企業資源共享主要面臨三個問題，一是數據需求方因爲數據格式不統一、數據提取效率低、無法直接獲取數據。二是數據所有方由於開發效率低、數據授權管理體系不完善、提供數據服務方式不夠快捷、調用關係複雜等問題也無法高效地管理。三是數據需求方與數據所有方無法實現無縫數據互聯互通，且提供數據服務方式單一，無法滿足大數據時代的多場景共享需求。

資源服務共享平臺會把數據能力、分析能力以微服務的形式封裝成統一口徑的API服務接口，從而對外提供數據服務與能力的支撐，形成數據服務資源目錄，實現數據接口的開始快速開發與對外發布，實時響應業務端的數據服務能力要求。通過簡單可視化配置的方式就可以實現數據接口API的創建、API發佈、API版本管理、API文檔管理等問題，降低日常運維成本。

因此，整個媒體數據中臺由以上四個平臺進行相關支撐與配合，共同構成媒體數據中臺整體系統架構，貫穿數據採集、存儲、分析和發佈等的全流程。

1. 數據架構設計
   
   

數據中臺整體架構如上圖所示，可以劃分爲資源匯聚、數據預處理、數據入庫、數據整理、數據資產、數據服務等過程。

數據資源匯聚包括數據採集和數據集成。這些資源數據主要來源於內容生產數據、第三方數據、互聯網定向數據等，包括稿件、報刊、期刊、社交媒體、移動客戶端、網站等數據類型。支持數據庫、文件、流式等多種接入方式對多源異構數據進行接入，將數據資源匯聚整合。值得注意的是，匯聚過程需要針對目前業務系統的規劃實現匯聚處理，並對數據進行統一的存儲規劃。

數據預處理主要是對數據進行初步的清洗和標準化等預處理工作。數據入庫前的預處理會進行字段解析、映射、轉換以及處理字段的殘缺、錯誤、數據去重等工作。清洗之後的數據需要進行標準化處理，將不同格式的數據按照統一數據格式規範轉換。同時，數據入庫前一般需要進行自動標引、數據分類等工作：針對文本數據，會進行自動分類、自動摘要、關鍵詞、情感分析等方面的識別和標籤提取；針對圖片類型數據，會進行圖片人物、圖片場景、圖片屬性、新聞事件、地標建築等方面的識別和標籤提取；針對音頻數據，會進行語音識別、音頻屬性、新聞事件等方面的識別和內容提取；針對視頻數據，會進行視頻人物、視頻場景、視頻屬性、新聞事件、地標建築等方面的識別和標籤提取。

數據入庫是對解析後的文本、圖片、音視頻、文件等數據進行分層分區存儲。待入庫的數據需要保證數據的完整性、規範性和時效性，必須按照平臺要求的數據格式規範統一進行轉換後入庫。

數據整理的主要是對入庫的數據進行人工標引、數據集成等工作，通過數據選取、標引、校對等功能，對數據進行標引和有序地組織、檢索和展示。同時，可以根據標籤匯聚資源專區，形成服務接口供第三方系統調用，通過人工標引這種方式，來提升數據的標籤準確度，爲一些重要專題製作的準確性打下基礎。

數據資產環節是把接入的數據基於業務現狀及未來規劃進行數據資產劃分，對接入的數據進行深層級的加工、實現數據資源的分類管理、元數據管理、資產管理。媒體數據資產主要由內容庫和主題庫兩個部分組成，業務庫是基於業務系統構建的，爲前臺業務提供諸如專題庫、語料庫、實體庫、知識庫等業務爲導向的數據資產。而主題庫是爲了應對快速建庫需求，通過簡單的檢索篩選，形成滿足業務需求的主題庫，降低了數據開發成本。

數據能力和智能分析能力全部以微服務的形式對外提供調用，由數據中臺保證數據服務的性能和穩定性、數據質量和準確性，實現服務的統一管控和綜合治理。

1. 媒體數據中臺建設的三個階段

   一次性建設完成媒體數據中臺全部內容比較困難，很多公司都是分階段進行的，特別是傳統媒體單位，很多業務還沒有完成數字化，別說建設數據中臺了。媒體數據中臺整體規劃建設採用“分階段，垂直業務分批”的思路進行。整個媒體數據中臺可以分爲三個階段進行建設。
   
   

階段1：基礎平臺建設

建設目標：

媒體數據中臺第一階段主要以搭框架、建標準、聚數據爲主。第一階段建設的要務是與各部門的生產數據打通，建立統一的數據接入、數據分類、數據接口、數據存儲標準，優先對影響業務開展的基礎性數據進行接入工作。同時梳理數據分類標準，通過文本智能處理能力實現自動分類、摘要、關鍵詞、情感分析等方面的識別和標籤提取，並支持對數據內容和分類體系進行加工與維護。同時平臺面提供滿足不同業務的基本數據服務與頁面能力的支撐。面向數據管理人員提供資源管理功能，實現對內容的加工與分類。面向開發人員提供基礎的數據服務接口，提供資源檢索、查看、下載等接口服務。面向用戶提供資源門戶訪問服務，支持用戶對數據資源進行查看與檢索。

建設內容：

整體技術架構搭建

建立數據接入、數據存儲標準

分類標準梳理、分類標準體系的建立

重要基礎性數據的接入

文本智能處理能力建設

資源管理（內容管理、分類體系管理）建設

資源門戶（資源展示、資源檢索）建設

基礎數據服務（部分）建設

建設成果：

建設完成數據接入、數據存儲、數據分類、數據服務標準；

建設完成自動分類、摘要、關鍵詞提取、命名實體等文本智能處理能力建設；

建設完成數據資產管理平臺中對入庫資源的內容管理、分類體系管理功能；

建設完成資源發佈與展示平臺其中資源門戶部分的資源展示、資源檢索功能；

建設完成資源檢索、資源下載等基礎數據服務。

階段2：數據整合能力增強

建設目標：

媒體數據中臺第二階段主要以數據深度加工整理、數據智能服務、快速建庫與內容發佈作爲階段目標。第二階段會引入人工標引能力，通過標引工具可以實現數據選取、標引、校對等流程，深挖數據的價值。標引完的稿件可通過標籤進行組織、檢索、展示，同時可利用標籤實現數據聚合，爲快速生成專題庫打下基礎。

快速建庫將專題數據自動匯聚與人工加工相結合，使用機器學習的聚類算法自動發現並生成專題類簇，通過人工對類簇打專題標籤的方式，達到專題的自動發現與製作的功能。同時定製專題面向業務人員提供以“專題”爲核心的資源匯聚服務，通過相關（關鍵詞、實體詞、分類標籤、屬性等）維度組合，實現歷史數據、實時數據的快速匯聚。內容發佈支持專題頁面的快速生成，通過模板技術實現專題頁面的呈現與訪問。同時本階段會對檢索能力、推薦能力進行提升，提供智能糾錯、智能補全、智能聯想、語義搜索、內容推薦等功能，優化內容檢索和推薦的效果，提升用戶的體驗。在數據服務方面，會加強對數據服務的管理與監控，對數據服務進行統一的註冊與授權、形成數據服務目錄，對外提供服務能力的支撐。

建設內容：

人工標引能力（數據選取、任務分配、數據標引、標引工作量統計）建設

智能檢索能力（二次檢索、拼音檢索、智能糾錯、智能補全、智能聯想、語義搜索等）檢索

智能推薦能力（內容推薦、熱門推薦、關聯推薦等）檢索

數據服務目錄建設

快速建庫能力（專題聚類、專題定製、專題管理）建設

快速頁面發佈能力（模板管理、專題發佈）的建設

建設成果：

建設完成數據資產管理平臺中數據標引模塊數據選取、任務分配、數據標引、標引工作量統計功能；

建設完成數據資產管理平臺中專題管理模塊專題聚類、專題定製、專題管理功能；

建設完成資源發佈與展示平臺其中發佈管理模塊的模板管理、專題發佈功能；

建設完成資源檢索、資源下載等基礎數據服務，形成數據訂閱類、數據檢索類、智能分析類、數據統計類等服務目錄和服務。

階段3：能力持續提升

建設目標：

媒體數據中臺第三階段主要以輔助內容生產和媒體運營、數據的多維統計及大屏可視化、數據智能分析作爲階段目標。通過人工智能與大數據技術，賦能融媒體轉型升級，爲未來業務創新提供更多的技術支撐。構建驅動信息採集、選題策劃、輔助生產、用戶畫像、渠道分發、傳播效果監測、輿論監督等功能的智能化、精準化、實時化，助力媒體單位實現生產力、引導力、影響力、公信力上的提升。媒體生產輔助應用主要用來支撐選題策劃、新聞採訪、新聞編輯、新聞審校、新聞發佈等業務流程，提供智能選題、新聞採寫、媒體資源庫、智能專題、個性化推薦等生產輔助能力。媒體運營輔助應用提供媒體傳播分析、媒體影響力分析、用戶全息畫像、決策分析等運營輔助能力。

建設內容：

數據多維統計及大屏可視化

圖片、音視頻智能分析

智能勘誤能力

用戶標籤畫像

用戶運營分析

傳播效果評估分析

其他應用系統支持對接

… ….

建設成果：

建設完成資源發佈與展示平臺中大屏可視化、指標統計等功能；

建設完成數據智能分析平臺中認知智能相關功能與應用；

建設完成數據智能分析平臺中業務智能相關輔助內容生產和媒體運營應用。

1. 媒體數據中臺落地實施流程
   
   

（1）數據調研

通過數據盤點讓數據成爲資產，瞭解企業有哪些數據，在哪裏，有多少量級。主要包含業務流程梳理、數據流程梳理、數據識別和分類等工作。

盤點需要接入的結構化、半結構化、非結構化數據，通過調研表和訪談的方式收集數據信息。數據源通常包括報紙、期刊、網站、APP、社交媒體等。確認是否需要進行歷史數據遷移。

結構化數據需要收集的信息通常包括：

數據接入信息：重點包括系統信息、數據庫信息、管理人信息、數據量信息、加密機制信息、增量信息、可接入庫表信息等；

數據字典：表結構收集，主要包括表的主外鍵、各字段的定義規則、校驗規則等；

代碼表：系統中所使用的的代碼表信息收集；

數據整合規則：數據內容衝突時整合規則的收集。

非結構化數據需要收集的信息通常包括：

非結構化數據用途；

存儲位置，元數據如何獲取；

文件種類；

文件內容解析、格式轉換、是否需要抽取內容；

以何種方式返回使用。

（2）架構設計與技術選型

根據項目需求確定總體設計思路，進行總體系統架構、技術架構和應用架構設計。在此基礎上確定總體數據規劃，根據數據的數據類型和業務使用場景、展現形式，設計相應的存儲方式，以滿足數據服務要求。必要時可以進行集中測試，通過讀寫速度、可靠性等指標的測試結果綜合判斷，最終決定數據存儲選型。

（3）數據標準體系制定

結合國家標準、行業標準和實際業務，梳理、摸底各數據源數據情況，對關鍵業務過程數據、業務結果數據制定數據接入標準，數據分類標準、數據存儲標準、數據服務標準。

接入標準。數據接入負責將各種資源統一接入到數據中臺中來。需要制定相應的數據接入規範，適配不同數據接入需求，能夠提供數據庫、消息隊列、API、文件等常用接入方式。新增數據類型只要符合數據接入規範，都可以進行接入。通過這種標準的數據接入管道和擴展方式，可以靈活的響應業務側的不斷變化的接入需求，保證數據接入的通用性和統一性。

分類標準。參考《新聞資料分類法》、《中國新聞信息分類法》等國內外分類標準，以現有的分類體系爲基礎，結合數據實際特點配合客戶完成設計、調整及完善分類體系工作。

存儲標準。對於多種數據來源的不同數據類型需要確定相應的字段轉換、存儲方式，與存儲標準。規範數據存儲組件、存儲路徑、存儲格式、副本策略、備份機制等內容，對數據進行分層分區設計，保證數據存儲的合理性以及擴展性。

服務標準。整理需要建設的服務清單，對服務清單中的接口進行分類。根據服務接口承載業務類型，對服務進行拆分。定義數據接口訪問方式、訪問路徑、請求格式、返回結果格式、以及返回狀態碼類型，保證數據服務整體的規範性和一致性。

（4）數據模型設計

數據模型設計。媒體數據是非結構化性非常強的，與傳統行業數倉最大的區別是媒體行業90%以上數據都是非結構化的，如文本、圖片、視頻等。因此需要根據業務場景以及多種異構數據源，數據存儲採用分區分域、分層分級的設計思路，創建原始庫、業務庫、主題庫、知識庫等。

（5）數據接入

通過數據接入，建立數據標準化流程，實現數據的採集與清洗、標準化。

數據標準化將各種資源統一接入到數據中臺。

支持文字、圖片、音視頻、文件、結構化和非結構化等不同數據類型。

接入方式可靈活配置管理，能夠適應不同數據資源接入，保證數據的完整性。

數據接口具備良好的容錯性和安全性，避免因數據接口問題影響整體系統的穩定性和可靠性。

具有可視化WEB配置管理和運維管理界面，支持數據管理人員進行接入任務各要素的配置和定義，支持進行數據接入任務的監控和日常運維操作，支持數據接入過程可記錄，對採集系統工作結果提供報告；支持數據接入系統異常告警能力，主動反饋數據接入故障等信息。

（6）數據預處理

數據清洗：在接入數據時進行數據的有效性檢驗和過濾排重等數據預處理工作，確保數據質量。對數據進行解析、字段的映射，完成數據的標準化操作。

基於媒體行業數據的特徵，數據預處理採取批流結合的方式解決業務場景對數據的要求。數據從不同數據源過來，如API、MQ、log、file等，數據要在實時計算中做文本去重、數據結構化、內容標籤化和輕度的實時統計等操作，數據存儲之後需要進行主題建設、關係挖掘、知識圖譜計算和算法訓練，因此需要通過批流結合的處理方式來滿足對數據本身能力的需要。

其中內容標籤化就是通過自動標引方式理解新聞，理解新聞與哪些信息相關，基於文本挖掘的手段，實現對內容數據的分類打標。

自動標引具體來說就是調用中文語義接口，對入庫數據進行標籤化，主要標籤有關鍵詞、文本分類、自動摘要、中文分詞、詞性標引、命名實體等。

文本實施流程：

梳理並制訂文本分類體系；

開發文本程序；

部署文本程序；

數據接入過程中調用文本接口；

根據返回結果人工標引訓練模型提高準確率。

（7）數據分層存儲

整個數據架構根據現有的數據資產狀況，合理的選擇設計相關數據架構及系統架構模型，以支撐平臺現在及未來幾年內對數據的存儲壓力要求以及對外服務的需求。

（8）數據加工

通過數據加工，重新組織數據，讓數據變得更好用。通過人工標引方式，梳理重要報道數據，建立報道標籤維度。並根據需求和數據內容梳理標引規範，形成作業指導書。對標引的結果進行校對、全檢、標籤修改等操作，通過標引匯聚成專題。

平臺會將所有數據分成不同主題，按不同主題進行建設、存放和加工。媒體是一個非常複雜的行業，對各個行業的數據都是有訴求的，媒體需要挖掘大量不同行業的數據支撐新聞生產和報道，數據進來之後，再挖掘潛在的新聞點，生成選題策劃，幫助用戶做選題等工作。

（9）數據治理

數據治理貫徹執行在整個數據處理流程中每一個階段，數據治理保證數據是被管理的，數據管理則保證被管理的數據實現指定的目標。指導和監督元數據管理、標準管理、質量管理、安全管理等功能具體數據管控。質量管理主要通過分析源系統表數據，從及時性、完整性、準確性、有效性、一致性方面對源系統數據進行數據校驗，發現並記錄數據質量問題，生成數據質量問題報告。元數據管理描述了數據在使用流程中的信息，通過血緣分析可以實現關鍵信息的追蹤和記錄，影響分析幫助瞭解分析對象的下游數據信息，快速掌握元數據變更可能造成的影響。數據管理是數據治理的延伸，包含數據資產視圖、智能搜索等功能。

（10）能力整合

整合數據資源管理、數據服務、數據發佈等能力，通過體系化的平臺建設,實現對業務系統和應用開發提供更加高效、簡潔、靈活的數據服務，使得上層應用不會受限於底層多變的數據格式、數據類型、數據處理和管理邏輯以及複雜的基礎架構建設和運維，最大限度的釋放數據的價值。

數據平臺能力整合與開放主要有三個方面。

第一，數據的整合與開放。任何數據進到平臺之後，都會在整個大數據處理鏈條中進行計算、整合、內容結構化，以及加入標籤等處理，同時基於用戶感興趣的數據範圍，做標籤的特徵過濾，篩選用戶想要的數據。

第二，提供智能分析能力的整合與開放。通過開放算法能力，幫助用戶做數據能力和算法能力的應用，提供文本內容實體識別服務、文本去重判定服務、圖像人物識別服務和圖像標籤化服務等。

第三，產品能力的整合與開放，例如，將用戶畫像、內容推薦、傳播分析等能力對外開放。

1. 媒體數據中臺落地實踐

目前百分點科技已服務衆多國家級的報業和出版客戶，包括新華社、中國日報、科技日報、新華網、南方報業、人民出版社等。

比如，爲南方報業建立的媒體智能數據中臺，對全媒體大數據的資源進行採集，並對採集到的海量全媒體數據進行分佈式存儲、高效檢索、智能分析。目前，南方數據服務平臺已經擁有上千個數據庫集，上百種數據智能應用工具，能夠提供多端融合採編輔助支撐，如熱點聚類、主題延展、內容摘要、機器翻譯、機器人協作、實體影響力畫像和個性化推薦等新技術新應用，幫助南方報業夯實數據服務能力，以數據和AI能力爲策採編發各個環節賦能。

百分點科技還爲新華社搭建了全媒體中臺，尤其在去年疫情期間，分別僅用一個月時間便快速構建並推出了“兩會報道”等專題新聞應用創新產品。通過中臺提供的專業化數據服務，助力全媒體採編。

三、媒體中臺助推媒體智能化轉型

媒體融合下半場的重心將向智能化發展。從傳媒到數據、從傳播到服務、從採訪到採集、從對內到對外，動能轉換的過程需要轉換思路、轉換機制、轉換形態，通過用數據、養數據、聚數據、管數據，從數據化運營到運營數據業務，形成媒體數據生產應用的新的閉環系統。

通過全媒體中臺的建設，可以爲媒體應用提供媒體生產輔助、媒體運營輔助、媒體發佈端應用、媒體智庫和輿情分析等能力支撐。

值得注意的是，媒體數據中臺的建設需要自上而下，需要進行詳盡的前期規劃設計，需要符合各媒體機構的實際情況，且不可全盤照搬，需要結合實際情況進行取捨調整，以達到價值最大化。

對於全媒體中臺的建設，首先需要媒體機構有一定的數據基礎和業務規模，這是因爲只有當自身數據多樣、業務規模不斷擴大、業務相互獨立，急需通過全媒體中臺解決效率、成本和質量的問題。

並且，媒體數據不能侷限於現在的媒資數據，而應該是基於媒體連接能力、地緣優勢、服務定位特色等形成的各類數據。媒體的數據庫建設不能停留在簡單的媒資庫時代。盤活媒體數據使用需要新思維，要以加快數字經濟時代媒體融合創新發展爲戰略目標，以“數據資產增值”爲考量，以市場需求爲導向，圍繞不同的用戶需求和市場需求，打造實用有效的媒體數據產品和數據服務。

重視數據流通變現，打造有價值的數據庫，數據積累是一方面，更重要的是數據變現，實現媒體數據資產增值。無論是傳統媒體或是新媒體，都應該在原有的商業盈利模式基礎上，把握數字經濟發展的機遇，開放媒體數據服務能力，開拓盈利新渠道。