數據中臺在中國已經逼近炒作的頂峰

數據中臺在中國已經逼近炒作的頂峰正文開始數據中臺是中國本土誕生的一個名詞，很多企業(yè)在“什么是數據中臺”和“我要上XX中臺”徘徊。其炒作程度跟當年的“大數據”一詞有的一拼，如果用Gartner的炒作周期圖來看，數據中臺目前已經逼近炒作的頂峰。

與其不斷地討論什么是數據中臺，企業(yè)更應該了解建設數據中臺的目的是讓企業(yè)高效的數據驅動，減少重復的架構建設。如果要用一張圖來描繪Gartner如何看待數據中臺的建設方向，可以如下圖所示。

數據中臺的建設方向應該處于企業(yè)數字化平臺的核心，即Gartner定義的數據和分析平臺（紅色虛線部分），幫助企業(yè)的數字化平臺（客戶體驗平臺，生態(tài)系統(tǒng)平臺，物聯網平臺和內部信息系統(tǒng)）的業(yè)務用戶做出更好的決策，并在各個數字化平臺的合作孵化下形成可復用的數據分析能力。數據分析能力應該在業(yè)務端無處不在且高度自助，最終助力數字化平臺實現Gartner定義的封裝的業(yè)務能力（PackagedBusinessCapability）。

以下是Gartner對于想建設數據中臺企業(yè)的建議。

數據中臺中數據管理策略的平衡上文提到的這么一個“大而全“的方向聽起來是挺美好，但很多企業(yè)在建設初期是沒有考慮過各個數字平臺對數據資產的可復用性或自服務性的（這也是很多企業(yè)為了建立數據中臺的初衷）。原因很簡單，一次性完成所有平臺的數字化本來就是不現實的，很多公司都是分階段進行的，特別是傳統(tǒng)企業(yè)，很多業(yè)務干脆還沒有完成數字化，別說建設數據中臺了。阿里，騰訊這樣的數字化原生的企業(yè)建設中臺是十分有優(yōu)勢的，或者說數據中臺是這些企業(yè)在業(yè)務指數級增長的同時自然生長出來的產物。

另外數據作為數字業(yè)務的核心資產的價值被廣泛接受，企業(yè)最直接的反應就是試圖在建立數字化平臺時將數據收集（Collect）起來，仿佛這才是實現業(yè)務價值的關鍵。例如，過去非常流行的數據湖，會將收集數據作為核心能力。但收集數據不一定能帶來商業(yè)價值，企業(yè)也沒有可能一口氣收集好全部數據。以物聯網平臺為例，數據分布在網絡上、邊緣設備上、網關上、云端和傳統(tǒng)系統(tǒng)中。例如，需要自主行為的"物"（如聯網汽車或風力發(fā)電機）必須有板載或網關上的數據和處理，以便對變化的情況做出即時反應。面向消費者的IoT解決方案（如用于健身追蹤的可穿戴設備）通常將數據存儲在云端進行分析。而且?guī)缀跛械腎oT解決方案還必須與傳統(tǒng)業(yè)務應用共享和整合數據，以執(zhí)行客戶服務和長時間的性能分析。

另外，對實時（或"近乎實時"）集成的需求不斷增加引入了一個交付時間的要求，這讓最快的數據收集策略也無法滿足。在采取響應之前，操作流程在"邊緣"對數據采取行動與事先將所有的數據收集到集中存儲的位置的要求是不相容的。試圖收集所有這些物聯網數據再后續(xù)處理和使用，既不實際也不可行。同時，保護個人身份信息的隱私法規(guī)也將阻礙數據的整體收集。因此，一些數據用例將需要連接（Connect）到數據，而不僅僅是收集數據。

企業(yè)建設數據中臺絕不是把所有的數據全部收集在一個地方了再開始應用數據，隨著數據的不斷涌入，用一種連接（Connect）的方式在數據原本存放的介質中重復利用數據才是數據中臺也該有的手段。收集數據和連接數據的平衡是現代化數據管理的的必要條件。數據虛擬化能力會是企業(yè)需要在保留已有數據庫，數據湖投入但又想建立數據中臺必須考慮的元素。重復或冗余的數據始終會存在，企業(yè)要建立的不是“singlesourceoftruth”而是“singlesourceoftrust”。企業(yè)可以進一步參考Gartner提出的新一代數據管理設計原則DataFabric去用于實現可復用和增強的數據集成服務、數據管道和語義層，以實現靈活的數據交付。

定位數據中臺為一個組織戰(zhàn)略促進合作企業(yè)在漸進式數字化轉型時面臨的一個共同問題，他們各自為政，分別構建類似的解決方案，例如針對不同業(yè)務目的的數據分析模型，而這些模型具有共同的元素。在最好的情況下，這樣做會造成重復，但更多的情況下，這也會增加復雜性，因為這樣做會產生不同的點式解決方案，即使在單個業(yè)務內也無法溝通，更不用說在全公司的業(yè)務價值鏈上了。從這個角度來看，Gartner更推薦企業(yè)把數據中臺定性成一個組織戰(zhàn)略，把數據分析團隊作為數字化平臺建設必備的一個元素。Gartner也在2019年的《Gartner數字化業(yè)務團隊問卷》中發(fā)現，數據分析/商業(yè)智能是融合團隊(Fusionteam)中除IT以外最常見的功能。

一個好的數據分析團隊是由集中的團隊和各條業(yè)務線上的分散團隊組成的。很多企業(yè)過分的關注于技術架構的建設而不是業(yè)務人員基于數據的合作，在一味追求新的數據分析技術棧的過程，忽略了對于組織戰(zhàn)略的調整以解決實際業(yè)務用戶的問題，把原來遺留的問題從數據倉庫移到了數據湖，再移到現在的津津樂道數據中臺，而不是解決它們，一個現代化的數據分析團隊應該是數據分析能力的賦能者，從管控數據能力到促進基于數據的合作。

業(yè)務場景出發(fā)整理已有的數據分析能力企業(yè)在不斷建設自己數字化平臺時，早已投入了各種數據分析資產，這個時候為了數據中臺這個新詞而放棄已經建立的數倉，數據湖，數據整合平臺是沒有必要的，企業(yè)需要做的是把數據中臺作為一個組織戰(zhàn)略去聯合各個部門共同建設可復用且自服務性高的數據分析能力，通過業(yè)務流程到數字化平臺，自上而下（紅線）的去整理已有的數據分析能力。

大多數企業(yè)其實都已在做自下而上（藍線）的數據分析平臺，這本沒有錯，尤其是企業(yè)集中式的IT團隊已部署數倉，設計了ETL流程和報表系統(tǒng)。但是作為前線的業(yè)務獲得這些能力是被動的，久而久之，并不會存在業(yè)務主動要求提升自己的數據分析能力，畢竟業(yè)務作為企業(yè)內部的甲方，只提需求還是很爽的。然而為了讓企業(yè)變得更數據驅動，或者說讓企業(yè)建的的數據中臺能被真正用起來，逼著業(yè)務從業(yè)務場景開始做數據分析是一條必經之路，尤其在業(yè)務端才是能提出業(yè)務問題發(fā)起分析時刻（AnalyticsMoments）的一群人。

下圖就是一個典型的電商的業(yè)務場景，從業(yè)務端定義并梳理分析時刻，從技術棧尋找相對應的數據分析能力的過程。分析時刻是Gartner定義的一種數據分析流程，通過對數據進行可視化、探索和應用算法，支持業(yè)務成果的交付，從而做出更好或更快的決策，實現業(yè)務流程的自動化。在這個例子中，數據分析能力（最右側）是被逐步建立起來的，他們的背后有大量的廠商可以被選擇，這些能力可以多大程度的被其他分析時刻復用，多低的門檻可以被業(yè)務應用，直接決定了數據中臺的成功。其中廠商的能力可以通過Gartner每年數據分析領域的九張《魔力象限（MagicQuadrant）》及配套的《關鍵能力（CriticalCapability）》報告進行評估。

分析時刻的梳理往往是一個數據中臺建設最為棘手的部分，他一方面依賴供應商是否有業(yè)務咨詢的能力將業(yè)務場景梳理清楚，另外一方面也依賴企業(yè)自身的數據素養(yǎng)去不斷優(yōu)化對于數據分析能力的要求。

企業(yè)可以借著建立數據中臺這個機會，分類整理已有的數據分析能力或試行新的數據分析能力，Gartner每年出的《GartnerAnalyticsAtlas》報告就可以像能力字典一樣去幫助企業(yè)分類與挑選。

數據分析能力整合到復用是一個創(chuàng)新的過程通過剛才的例子我們也可以看見，電商場景的業(yè)務邏輯是很成熟且明確的，其背后數據分析能力也能很快的被重復應用上，然而可復用的數據分析能力是個非常主觀的概念，不一樣數據素養(yǎng)的團隊對于數據分析能力的要求是非常不同的，越簡單易用，也容易被別的業(yè)務場景給重復利用，不一樣的地方是數據的情景和用戶情景。如果數據中臺的輸出能力僅僅只是DataasaService，即API的形式是遠遠無法讓業(yè)務可以直接使用的，從而降低了企業(yè)對數據分析應用的廣度。企業(yè)應該通過整合復用以豐富數據分析能力的輸出，隨著新技術的引入和融合團隊的建立，這無疑是個創(chuàng)新的過程。

例如，由機器學習為基礎的增強型數據分析和管理工具，就可以大大降低用戶的使用門檻（自然語言驅動的分析）并減少數據管理的工作量（主動利用元數據學習獲得用戶行為）。企業(yè)應該了解到利用增強型能力是為減少數據分析手動的部分，從而給用戶給多時間去構思業(yè)務如何使用數據。圖譜分析（Graph）的引入也會更進一步幫助企業(yè)去探知利用率嚴重不足的數據，圖譜可以發(fā)現企業(yè)數據與數據之間以及不同部門使用數據中被忽視或難以察覺的聯系，從而讓需要可復用的能力有據可尋，圖譜已經變成了很多數據分析產品的基礎性技術。企業(yè)建立數據中臺，缺少的可能既不是數據的量(Quantity