数据中台为什么这么火？

数字时代的到来加速了全行业数字化的进程，阿里、腾讯、百度、京东等头部互联网公司纷纷调整架构，将To B计划调整为企业的发展重点战略，并在组织架构中增设“数据中台”，借助大数据能力提升公司的效率。这样的数据思维在2019年由互联网公司传递向社会各界辐射了出来，传统企业纷纷寻求数字化转型、部署企业的数据中台，也有越来越多的科技公司投身数据服务，提供多样化的数字化解决方案。

图片来源于摄图网

那么，对于寻求数字化转型的企业而言，究竟该如何管理公司的数据资源？如何让数据产生价值，有效服务前端业务？

在2019年，呼声最高的答案无疑是数据中台。

数据中台是通过大数据，将海量数据进行采集、计算、存储加工、统一口径、形成标准等，构成企业大数据资产层；借助数据处理工具，形成用户画像、智能推荐等服务，进而赋能于前台应用，为客户提供高效服务。数据中台能够帮助企业降低重复建设、减少烟囱式协作的成本，同时连接数据与业务，沉淀企业的数据资产，实现数据价值化。

数据中台的巨大能量

数据汇集，融会贯通

数据中台以大数据平台为基础

平台，能汇集多源数据，包括业务系统、财务系统、人力系统等结构化、半结构化与非结构化数据，运营多种IT系统，支持新型数据的存储，满足企业数据互通的诉求；借助数据中台提供的DMP等数据工具，为数据打上标签，根据标签形成企业专属用户画像，实现企业在不同场景下的精准营销、智能推荐等。

企业的“能力架构师”

企业的数字化转型并不是简单地利用创新技术推动产品与业务的创新，同样重要的还有通过数据中台提升企业的业务能力、技术能力、计算能力和数据能力，未来还需承载企业的AI能力等，沉淀企业在组织层面可传递、可复用的各项能力，通过全域数据整合与应用，减少反应时间、降低成本、规避风险，全面提高企业的效率。

企业数字化的驱动者

企业中可能存在众多业务分支，不同业务分支都拥有自己的系统和数据源，各系统之间还会有功能和数据之间、服务与应用之间的冲突，导致数据在各系统之间无法共享、效率低下。通过大数据平台，数据中台能够实现全域数据的统筹，包括数据监测和统计、数据化运营和分析，支持个性化检索、定制化营销、智能化用户运营等，做到让企业数据真正地“跑起来”。

数据与业务的双驱动

数据中台介于业务前台与系统后台之间，以大数据能力为基础，通过数据治理、统一ID、搭建标签体系、设计场景算法等，实现业务场景、交易处理、商品供应链、用户触点等业务的数据化，通过数据分析处理后，形成用户画像、智能推荐等数据应用服务，实现数据反哺业务。数据中台能够根据企业业务选择切入不同的数据应用场景，促使后续服务持续升级创新、业务实时联动以及全局优化，实现数据与业务的双驱动。

图片来源于摄图网

数据中台部署应“因材施教”

数据中台的重点优势在于，能够帮助企业实现业务数据化、业务数据化，而不同行业的业务大不相同、相同行业的不同企业的业务也不尽相同，因此企业需从自身业务与企业发展阶段出发，选择不同数据架构的数据中台。数据中台并不是一个一成不变的标准化产品，而是一种数据思维的集中体现，内部架构依据不同行业的业务需求有不同的设计。

地产行业

地产企业多以集团化运作，业态丰富多样，涉及到的业态包含酒店、机器人、农业、社区零售服务等。在多业态的运作模式下，物业和项目的数据显得繁复冗杂。因此，数据治理及多系统数据的融合打通是地产企业的基本需求。而由于市场、政策和舆论的共同作用，地产行业的增量市场不断萎缩，地产企业需要探索更多的业务形态，因此对存量市场的精细化运营、驱动业务更加高效地运转、构建数据指标、为投策及用户精细化运营提供数据依据，是地产企业数字化转型的发展性需求。

地产数据中台总体分为三层：

数据层尽可能保留原始全量业务数据，接入企业销售系统、HR系统、仓储系统、财务系统等内部数据源以及爬虫与手工收集等外部数据源，由大数据工程师将数据进行打通、治理、清洗与转换；

中间数据层保留统一规范的标准业务数据，通过 ID-Mapping 把各业务板块的数据打通，保持以对象为中心的全域标签数据；

数据应用层按照业务的需要从中间层、标签层抽取数据进行组装，满足业务以及性能需求，为企业提供数据产品、数据API、业务产品、商业产品、智能投资预测等服务，帮助地产企业实现全域数据资产化、经营管理数字化。

金融行业

金融行业经历了信息金融时代、互联网金融时代的发展，积累了大体量、多类型的业务数据与用户数据，而在数字化时代，金融行业面临业务变化快、数据量大、高并发等问题。因此，金融行业数据中台需要能够同时支撑多个业务系统、让业务之间的信息形成交互，整合资源、合理安排，避免重复工作，同时给多个产品赋能，实现敏捷化共享服务、提升业务创新能力。

图片来源于摄图网

金融行业数据中台基本架构同样包含了大数据基础平台、数据中台工具及数据应用服务，但根据金融服务场景化、多维化、高频化的特征，重点提供实时数据报表、自助分析平台服务，帮助金融企业快速作出反应；而在数据应用服务层面，金融行业数据中台基于大数据、人工智能、机器学习等技术进行建模、预测，为金融企业提供风控、反欺诈分析、客服机器人、智能投研、客户流失预测、销售渠道优化、产品服务优化、舆情分析等智能应用。

泛零售行业

零售行业经过几百年的演变，逐渐形成了百货商场、超级市场、便利店、购物中心的形态，而这是线下的发展支线。零售行业的线上发展始于1990年，电子商务逐渐发展起来，到了2010年兴起网络商城购物。而如今，线上线下的融合打通，又促成了以消费者的体验为中心、以数据为驱动的泛零售业态，主要涵盖行业包括商超便利、鞋服零售、医药美业。

图片来源于摄图网

商超便利的主要需求在于智能推荐、营销引流、快捷自助等提升用户购物体验的服务升级，数据中台打通单个及多个门店的消费链数据，为企业提供价签扫码、自助支付、人脸支付等数字化服务，给顾客提供便捷快速的交互服务和更娱乐化、人性化的消费体验；商超便利的数据中台还应侧重于用户画像的刻画及智能营销工具的提供、门店库存实时监控和智能仓储物流，帮助企业优化门店的经营管理，扩大可运营客户，增强企业长期竞争力。

鞋服零售行业数据中台的数据架构以解决供应链、财务、人资、物流及运营等方面的数字化运作为导向而设计，主要包含有商品管理体系、财务体系、人力体系、用户运营体系等。数据中台的大数据基础层与数据工具层实现数据的融合打通及分析处理；针对鞋服零售行业特点，数据应用层聚焦于提供多门店数据实时可视化报表、门店智能导购服务、门店数字化经营管理系统、业务财务一体化管理、人力资源管理标准化等服务，帮助鞋服零售企业快速响应市场需求，实时掌握全局动态，多门店商品精准采购捕获，实现企业全方位的数字化变革、快速扩张。、

医药企业数字化转型“难念的经”在于AI+药物发现、数字药物、临床实验数字化、临床数据挖掘、电子健康记录、药物安全、市场数据洞察等。因此医药行业数据中台应具备极高的数据挖掘能力、数据计算能力及强大的数据建模能力，借助数据工具帮助医药企业从海量数据中找到价值点，为药物开发、营销策略、市场洞察提供更有力的决策支持。而对美业而言，主要痛点在于客户信息缺失、数据提报混乱、推广手段匮乏。针对这些痛点，数据中台需要贴合美业业务构建护肤美容数据库、知识图谱库等，结合前端硬件设备与人工智能技术提供五官分析、肤质监测、妆容定制等服务并沉淀用户数据，根据用户的面部特征，匹配相应的产品方案，接入智能导购系统，赋能一线导购员，提升用户的消费体验及服务质量。

WakeData数据中台

WakeData企业经营数据中台惟客通包含了大数据平台、流计算平台、数据接入平台、数据开发平台、数据治理平台、机器学习平台等数据处理平台，在六大数据平台基础上，提供自助分析平台、画像平台、开发服务平台及推荐平台等数据应用服务。结合数据处理平台与数据应用服务，为企业提供一站式客户经营大数据解决方案，帮助企业IT从业务支撑走向业务赋能。

WakeData数据中台的中台工具与应用，按照开发难度分为了三层。最简单的是提供标签库（DMP），企业可以基于标签的组装快速形成营销客户群，一般面向业务人员；其次是提供数据开发平台，企业可以基于该平台访问到所有的数据并进行可视化开发，一般面向SQL开发人员；最后是提供应用环境和组件，让企业技术人员可以自主打造个性化数据产品，层层递进，以满足不同层次的企业需求。

面对不同行业、不同发展阶段的企业，WakeData数据中台支持个性化定制服务，深度融合了企业业务、产品、系统、组织各个模块，结合企业特点与需求，设计不同的数据架构、数据指标、标签体系、数据应用、营销工具等数据中台工具、应用与服务。根据企业的规模和业务的不同，数据中台可大可小，规模、复杂度都各不相同，但它对业务产生的价值是一样的，因此，企业应根据自身需求，灵活部署数据中台。

图片来源于摄图网

数字经济时代，企业数字化转型需从自身业务需求及发展阶段出发，选择不同数据中台进行部署，建设企业数字化生态，迎接5G智慧时代。WakeData数据中台顺应企业数字化转型的趋势，深耕客户需求，为企业量身打造数字化解决方案，以帮助企业构建自己的大数据能力为使命，帮助企业建立数据资产，实现数据价值化，最终降低成本、提高效率，快速平稳地完成数字化转型，共赢数字时代新机遇。