最近专注在数据和人工智能领域，从数据仓库、商业智能、主数据管理到大数据平台的建设，经过很多项目的沉淀和总结，最后我和团队一起总结了精益数据创新的体系。一直战斗在企业信息化一线。
企业为什么要建设数据中台，数据中台对于企业的价值到底是什么。从概念和框架的角度，给你提供一个更全面的视角。做好任何一件事情的前提就是弄清楚为什么。
1 数据中台的诉求
百度搜索指数
数据中台的百度搜索指数最终超越了数字化转型和数据仓库。很多企业已经在落地，没启动的企业也在考虑中。显然，数据中台能满足企业的一些诉求。
数据中台行业调研得出的词云图。
大家对数据中台最多的期待：
- 距业务更近
- 为企业提供直接业务价值
- 提供数据服务而不止报表
1.1 传统企业的数据系统距离用户和业务较远
- 数据系统只是技术支撑，不能直接产生业务价值。做一个业务系统，如电商平台可直接带来收入。但传统的数据应用，如数据仓库不能带来直接价值
- 当业务人员要在报表里修改一些内容时，得到的响应慢，因为业务人员无法自己直接使用数据来产生洞察，需要去找数据团队
- 过去在数据方面的投资，大量花费在数据采集、处理和建模部分，而真正利用到业务领域的也不多
换个角度看，业务开发团队对数据利用有很大需求，体现在希望数据中台能解决企业数据开发的效率问题，协作问题和能力问题。
数据中台给应用开发人员这样的希望：他们无需关注具体取数逻辑，只需关注客户需求，像搭乐高一样组合各种数据中台的数据服务到自己的应用，数据准确且一致。
所以，数据中台的价值就是改变原来企业利用数据的形式。
过去，数据的利用形式主要是BI，说直接点就是做报表，做报表就是让管理者知道现在的业务在发生什么，为啥会发生这些事，接下来可能发生啥，这一切都是提供给我们的管理者去看的，帮管理者去做出一个业务决策。
随业务复杂度提升，一个决策背后的因素很多，一个现象需要多维解读才能体现业务全貌。于是，管理者需要的报表越来越多，很多企业会有多个不同业务线的数据仓库，每个数据仓库里都有千张以上的报表，最后就陷入了报表的迷宫。
回头来看这过程，发现报表并不是我们需要的，而数据本身也不是我们需要的，我们需要的是一个业务决策，一个业务行为。如用户打开电商产品目录时，将他最可能购买的产品展示在第一页，而原来OLTP、OLAP分离的数据处理流程做不到，在业务交易过程中，也无法从历史数据和全域数据的分析结果中获得行动的指引。
市场对数据中台的期待，是提供直接驱动业务流程的数据服务，而不仅是需经过人去转化和解读的数据可视化报表，原来商业智能时代已去，市场和用户期待数据智能时代。
2 建设数据中台的根本目的
建设数据中台似乎能提供这种诉求的解决方案。但建设中台不容易，需在技术、组织架构都做对应调整，落地过程也面临种种挑战。企业为啥还兴师动众落地数据中台？数据中台的愿景是打造数据驱动的智能企业。
企业建设数据中台，成为数据驱动的智能企业
3 对企业的收益
- 优化现有业务
- 实现新业务的转型
3.1 优化现有业务
通过数据分析和人工智能技术的应用，优化原业务流程。
1 增加现有业务的收入
如通过分析产品的价格、销量、用户数据来优化产品定价、优化产品组合、进行精准营销，从而能够促进产品的销售，增加现有产品的收入。
案例
给一个能源类企业做的数据中台。建成后能够根据历史销量、市场份额、市场容量等数据进行建模，从而帮助企业的销售部门去优化销售任务的分配，提升销售额。这小项目能给企业啥价值？
过去，企业每年年初给全国几十个销售定业绩并持续跟踪，很痛苦，目标不好锚定，每个销售管理一堆经销商，经销商销量、退货都不拉通，无法客观地量化和追踪销售的业绩。
过去这一切靠的都是销售总监经验去拍数，更多靠谈判力，不确定性很高。有了数据中台后，把行业数据、市场竞争数据、往年销售数据以及经销商的数据都拉通来看，一下给到销售总监全貌，还可模拟，让销售业绩分配这个工作变成一个可量化、可预测的确定性工作。
2 促进生产效率
通过数据中台建设，能促进生产效率的提升。
如某大型电信服务商，通过对勘测、规划、设计工作的建模，实现数据自动化处理，减少人工干预和问题的出现，大幅提升工程师设计效率和准确性，将工程设计周期缩短一半。
分析原因。电信服务商的投标是一个很复杂的工作，从客户发出需求到根据需求去勘测、做出规划、具体实施设计再到把实施设计转化成物料设计、工程设计、财务设计，最后再形成投标方案，这个过程过去至少需要一个月，需要众多不同业务部门和专业技能的协作，其中大部分工作都花在了不同数据的合并、拉通、对齐和映射上。
企业建设数据中台后，所有数据能自动处理，大家在同一数据服务里获取、修改、加工同样一套数据，且每次做方案的过程都沉淀成新的服务，后面项目可复用，大大缩短工期，有些标准化较高的项目类型，可从原来一月缩到三天。
降低运营成本，提升运营的利润
目前利用场景最多的，主要通过数据分析优化业务流程、缩短运营周期，从而提升运营利润。
如给一家大型钢铁厂进行配方规划优化，通过对配方数据、市场价格、销量数据的综合分析建模，给到成本最优、产值最高的生产组合，降低运营成本，提升利润。
钢铁行业里配矿决策是很复杂但很重要环节，不同配矿方案，成本和工艺都不一样，对利润影响很大。如何根据技术和商业的众多因素选择最优配方？过去都根据经验维护和计算配矿规则，效率低、周期长。
有数据中台，将原材料的性能、化学工艺、产品质量等技术因素和价格、成分、运营成本及销售收入等商业因素的数据统一进行建模，统一计算后最终做出综合规划，这大大提升利润、降低运营成本。
如下图所示，这是一个典型的钢粉配方的和制造成本的表格，这里面每一项的变化都会带来成本的变化，而影响利润的除了制造成本外，还有销售价格，运营成本等，这样一来如何设计出最优化的配矿决策就是非常重要的因素。通过数据建模，ML的智能配矿模型能全方位规划最优方案，达到特定商业目标，如缩短生产周期或提升利润，优化库存。
提升用户体验
提升用户体验的核心是企业要理解自己的用户，知道用户对自己产品、服务的认知，然后对应优化自己的产品和服务，这就需要建设用户数据平台，构建统一的用户视图，建立起用户画像。
这里我举个富国银行的例子，他们在数据转型中，利用数据中台分析用户的行为数据，来重构在线银行的网站，提升用户体验。富国银行在2016年的时候面临很大的业绩挑战，为了更好地了解用户，他们建立了企业级的数据中台，把全行的用户信息都打通，做成用户画像，打上各种标签，并根据这些用户画像和标签，重新设计了电子银行网站，让网站的服务和风格以用户为中心。
为期几年的数据转型之旅，富国银行也因此项目成为行业“零售之王”，更多细节《富国银行的数据转型之旅》。
提升资产利用率
分析、优化高价值资产，提升资产的利用率。
物流领域路径优化
物流企业做路径优化项目，提升人员和车辆使用率。过去，每天早上每区都有个经验丰富员工，统一规划前一天收到的派件和收件订单，把这些订单分给对应的小组。
这过程的目的就是最大化利用车辆、快递员两个核心资产。但这规划很复杂，因为不仅要考虑成本，还要考虑每个件积压时间不一、紧急程度不一、不同的地点路况对于车辆的要求也不一样等等，这些数据的采集、拉通、建模是很重要的基础工作而这一切都依赖与数据的打通。
建设数据中台，拉通数据后，派单收单的路径更优化了，更好分配给快递员，提升车辆使用率20%。
这场景就很典型，体现数据中台所支撑的智能规划业务的价值。
3.2 业务创新和转型
建设数据中台的第二个收益，实现业务创新和转型。四个主要的价值。
① 数字化产品创新
一个合作十多年海外房地产交易网站客户，定期和他们做黑客马拉松。
有次我们黑客马拉松的一个小组，通过数据分析发现一个小模式，有一群用户，在一段时间内高频访问网站，但不产生任何看房、卖房行为。最后数据分析发现这样的用户都有共同特点，大部分女性，基本访问链接停留时间最长的，很多都是图片，且是室内图片。
推测这群人是来看装修，于是小组孵化新产品，专门提供装修服务，这产品最后还成功了，成为公司除房地产中介服务之外的新业务线。
这也是典型的通过数据洞察发现业务新价值，从而实现数字化产品创新的场景。
② 数字化资产销售
将已积累的数据，通过组合、包装、分析、脱敏，形成对一部分用户有价值的数据资产，如行业报告或优质内容，直接销售产生收入。
典型场景搜索引擎，搜索引擎将用户的信息进行统计分析、脱敏处理后，变成一系列的知识和分析报告，然后以会员提供给需要用户。
百度指数里面，用户可定义和购买自己感兴趣的关键词，一年198元，然后百度就会把所有搜索过这个关键词的记录统计，变成这关键词的搜索指数。如数据中台的关键词就是我去年购买的，我就能实时追踪这个关键词在中文市场被搜索的热度。这就是数据化资产销售的价值模式。
③ 业务平台化收益
有一句话在去年很流行，“未来的企业，要么自己做平台，要么被别人平台化”。平台经济成为了这几年数字化领域炙手可热的概念。总的来说，平台化就是你搭建一个平台，让需求方和供给方上来交易，最后你来收取服务费。
如何建立平台呢？拉通一个领域数据，形成数字化平台，再通过平台运营一个特定的业务和客户群体，从而通过平台来产生收益。
典型场景 - 交易撮合平台，如比特币交易平台。这和数据中台啥关系？
这过程其实也是领域数据中台的建设过程，因为平台方主要做的就是数据的生意，对接信息、对接交易双方。数据中台在企业内部，就相当一个数据采集、加工、交易的平台，业务方既可能是数据服务的消费者，又可能是生产者，最终产品是数据服务。
④ 数字化生态业务
从更高维度来看，就是在平台化基础之上，通过打穿产业供应链，帮助企业建设自己数字化生态，从而在生态中产生新的业务价值和收入。如Google应用商店。
当有足够多的伙伴在这平台进行交易，它就能在这些海量的交易和行为数据发现特别多规律，然后产生更多产品创新，利用数据来牵引这生态朝自己设计方向发展。
这生态里，有很多角色参与，开发者、自由开发者、广告商、应用购买者等，而Google掌握所有方数据，用户浏览、下载、付费、交易，一切数据都能够被分析利用，帮助Google Play运营方发现新业务价值，创造收入。
4 总结
建设数据中台到底啥用，一个数据中台收益框架包括两大维度、九个细分项。最核心的就是给我们建设数据中台这件事找到目标，可把这9项作为指导，先明确价值和方向，再找到应用场景，以此作为牵引来建设自己的数据中台。
大部分企业要经历一个转型的，朝着数智化方向演进。企业的转型，从最早的信息化走向数字化，下一个目标是数智化。
信息化解决的是企业内部的管理问题，让企业能够以一个有组织、有流程的方式高效地运转起来。
数字化解决的是企业与外部的连接问题，让企业能够直接触达客户，并且建立线上的业务。 数智化解决的是让企业成为智能企业，业务更智慧的问题，这个过程的核心生产要素就是数据。
数智化转型能给企业带来颠覆性变革，但如何发现数据价值，构建数据智能的能力，规模化赋能业务？企业需要一个抓手，利用它对齐业务和技术，不断前进。数据中台就像这抓手，谁能围绕以上的业务优化和转型两个方面的价值来建设数据中台，谁就能在数智化转型中获得领先优势。
数据中台这股浪潮给我们提供机会，但这机会也提出很多、很高能力要求。
5 FAQ
成为数智化企业，都需要哪些能力呢？我做了众多个国内外领先企业的转型研究，发现了一些规律和有意思的事情。
数据中台概念出来时，有很多说法，从不同层面去分析，会发现所有问题的根源都来自“定位”这两个字。
- 对程序员，数据中台可能是解决数据规范和数据钻取问题的一个良方
- 对产品经理，数据中台可能是解决业务与数据融合的关键
- 对中层管理者，数据中台是打通部门之间数据共享的重要依据
- 对企业家来说，紧跟行业趋势，顺势而为，是讲一个好故事必不可少的部分
但有一点大势所趋，信息化->数字化->智能化，即数智化。
就像5G来临势必带动一些新独角兽。互联网中变化莫测的打法更像是古代军事战争。谁能敏锐察觉敌情，就能敏捷做出最快的反应。又像《三体》黑暗森林中所描述的那样。黑暗森林中的猎人，谁最先发现猎物，开枪。带来的是一系列的连锁效应。
我们公司是做数据采集（从各信息系统的关系数据库、大数据组件等多样存储介质抽取、转换、共享数据）服务；属于功能性产品，不了解业务，那我们能参与数据中台那部分工作？因为公司内部在讨论的时候，提到的更多观点也是，连数据模型定义都不清楚，怎么介入。
你所在公司主要做的数据集成工作，位于整个数据研发链路中，研发阶段的第一环节。
整个数据研发链路划分：
明白你从事的工作在数据中台数据研发链路中的位置后，来看你们如何参与数据中台中。
数据集成产品，参与到数据中台的链路:
- 在数据导入时，建立数据源到数据中台表的数据链路关系，这样可将数据中台中表的血缘关系扩展到业务系统的数据源，当数据源发生变更时，我们可以第一时间获取到变更信息
- 数据传输要与元数据中心打通，从元数据中心获取各种数据源信息
- 数据集成，要注意既要支持批量数据的集成，也要支持实时数据的集成
- 数据传输，要能够与数据开发任务，建立任务依赖关系，后续的数据清洗任务依赖于数据集成任务
至于数据模型定义不清楚，数据传输须接入元数据中心，在元数据中心中，对每张表，都有数据字典的定义，数据传输可以基于字段的格式，进行自适配。
