数据中台：让数据用起来

纯阳书评第360期《数据中台》这是第一本专门写数据中台的书，有亮点也有槽点。首先这本书写得很聪明，善于选择突破口。四大中台中，组织中台是老虎屁股摸不得，业务中台也不是乙方轻易能搞得定的，技术中台又离业务和管理型用户有点远，唯有数据中台是个最好捏的柿子，是最好的突破口。那么为什么这么说呢？理由有三个，一是数据出价值已是共识，所以无需更多市场教育，用户就知道数据中台肯定有价值，所以选择这个点作为落地中台的突破口会节省不少口水。二是数据中台性格温柔、脾气和善，对企业现有的组织、管理、业务和IT系统都很友好，不会动不动就要求变革、发动革命，而是可以表现的人畜无害，群众基础好，所以招致的反对最少。三是BI很早就开始落地实践，不少企业的BI系统也上线了很多年，整个行业积累了为数众多的数据整合、分析、展示和应用的经验、方法和工具，从而为数据中台的落地创造了相当有利的基础，有效降低了其实践难度。 显然本书作者清晰地认识到了数据中台的诸多有利条件，从而把数据中台作为当下中台落地实践的突破口，实属聪明之举。 其次这本书通过构建一个自洽的方法框架，把数据中台从平台选择、数据汇聚联通、数据开发、数据体系建设、数据资产管理、数据服务体系建设到数据中台运营和安全管理各个环节要重点关注的问题和有关知识、方法和工具做了一个简要的介绍、梳理和总结，形成了一个可以帮助读者快速了解这个领域的结构化知识体系。 然后要说这本书的槽点了。 第一个槽点是，感觉这本书的调子起高了。数据中台肯定是一个很好地工具，这点毋庸置疑，但是如果把它拔得太高的话，就必然会面临过犹不及的尴尬。第1.4节“开启信息化的下一站”中作者回顾并梳理了信息化建设的历程，总结了“软件功能驱动模式”、“数据治理驱动模式”、“业务能力驱动模式”和“业务服务化驱动模式”，这么总结其实也没多大毛病，并且指出企业在相当长时间内会有多种建设模式并存，这也符合事实，但是作者非要说以数据中台为驱动的建设模式将有可能成为融汇归一的新型建设模式，这就需要商榷了。信息化建设要提到模式这个层面需要考虑的东西很多，绝不是一个数据中台可以搞定的。如果数据中台可以创生一个新模式，那么传统BI岂不也可以早在几十年前就宣称自己也创生一个新模式？ 第二、作者讲述数据中台价值的逻辑可能需要探讨。数据中台的价值在哪里？本书在1.4.2讲了一个很有意思的逻辑，“数据中台是增援未来，是以发展的观点解决企业面临的问题，面对不确定的未来，企业无法确认今天的数据未来会怎么用，会产生什么样的价值，所以才需要数据中台”，先把数据接进来，资产化、服务化，未来当企业看清业务场景再去应用。这段话的意思显然是我做中台赌明天，既然是赌那么并不是所有人都应该走上赌桌，而且既然是赌，那么怎么能指望这种数据中台驱动的信息化建设新模式能够“开启信息化的下一站”。一句话，到底数据中台是确定的方向，还是本质上需要我们赌一把？我的答案是数据中台肯定有价值，从工具的角度是方向，有问题的是作者的逻辑。 尽管有些小的逻辑问题，这本书还是值得一看，推荐!

这是一本业务视角优先、零基础友好的数据中台入门读物，跳出晦涩的技术架构与代码细节，用通俗直白的语言讲透数据中台的核心逻辑，尤其适合非技术背景、需要理解数据体系建设的从业者阅读。 这本书核心解决的问题 1. 理清数据中台的本质价值，破除概念迷雾 书中直击企业最普遍的痛点：数据分散在各个业务系统、数据标准不统一、数据无法复用。它清晰解答了数据中台到底是什么，核心作用就是打通孤岛数据、统一数据口径，让沉淀的数据真正产生业务价值，不再是闲置的数字资产。 2. 搭建数据治理的整体认知框架 本书完整梳理了数据中台从建设到落地的全流程，涵盖数据采集、数据清洗、数据建模、数据服务等关键环节，帮读者建立系统化的数据思维，明白一套可用的数据体系需要哪些核心模块支撑。 3. 提供贴近业务的落地方法论 区别于纯技术类书籍，本书更侧重业务应用层面的落地思路，讲解如何通过数据中台赋能分析、决策、风控等实际场景，让读者理解数据如何从原始素材转化为可直接使用的分析依据。 4. 衔接数据应用与AI智能化建设 书中内容可以很好承接知识图谱、大模型等AI应用的底层基础，让读者明白：无论是知识抽取还是智能问答，都需要一套规范、统一的数据底座作为支撑，为后续智能化项目建设奠定认知基础。 整体评价 这本书是业务人员入门数据体系的优质选择，不堆砌专业术语，不讲复杂技术原理，只聚焦数据如何服务业务。 它最大的作用，就是帮读者跳出技术细节，建立“数据驱动业务”的底层思维，理解数据中台是所有智能化应用的基础，为后续开展AI、知识图谱类项目提供底层逻辑支撑。

整本书读下来，给我的感觉就是数据中台是一套体系，或者说是一种思维方式。之所以会有这种思维方式的出现，是因为对现有业务所呈现出来的缺口进行一个有效的补充。而原有的系统结构和模式太过于沉重和复杂，以至于并没有很好的办法去改造。从战略层面上来讲，数据的使用和安全保护肯定是未来企业在运营，管理以及产品设计的上的突破点。但是是否适用于所有的企业，还是要根据企业自身状况和所处规模来看。毕竟给我的感觉，数据中台的建设无论成本，人力，资源的投入都是不小的开支，如果并没有显示出更多的价值，那么企业自然也很难坚持下去。同时，数据中台推出数据思维的概念，我觉得这是未来各个企业进行数字化转型必备的需求，拿招商银行为例，银行从原有的对资产和负债的重视，逐步转换为对月活等相关经营指标的重视，从某种程度上来说这就是从上到下的一种思维的革新。企业要做数据中台，要做数字化转型，首先要做的就是上层领导必须开始用数据进行思考和经营，这样才能有效的推进数据中台。从另一个角度来看，要做数据中台对于数据的要求就会更加的多样化和全面性，对于中小企业，它们的业务模式相对来说还是比较单一，尤其对于tob端的企业来说更是如此，它们如何利用数据来产生更多的价值，又该如何形成这种正反馈效应？在我看来，行业的强大来自于整个行业产业链和上下游资源调配的能力，所以数据使能也不仅仅是终端企业的事情，如何让整个生态抗风险能力更强，我觉得也是以后整个熟悉化推进应该考虑的方向。

小白用这本书入门还挺好的。面试官或很喜欢问的一些问题这本书都给了答案。 比如说为什么要治理数据？ 数据能有什么应用？ 过程中困难会遇到什么问题？怎么解决？ 有几个点是我比较有收获的： 1.人人都在说数据很宝贵，但是数据具体可以做什么呢？ 大数据应用 ❏金融风控和反欺诈：利用关联分析、标签传播、Page Rank和社团发现等图算法组件，构建金融反欺诈核心能力，根据客户本身属性和行为数据识别虚假账号和欺诈行为，增强金融监管能力，保障金融业务稳定和安全。 ❏文本挖掘分析：利用命名实体识别、图挖掘等文本算法能力，通过分析非结构化的文本信息自动识别其中的实体以及它们之间的关系，构建关系网，可以深度分析以前未处理的一些线索。 ❏广告精准营销：通过深入洞察客户需求、偏好和行为，利用特征分箱、Light GBM、PMI等算法组件构建的机器学习模型来智能挖掘潜在客户，实现可持续的精准营销计划和高质量曝光率，有效提升广告点击率。 ❏个性化推荐：利用协同过滤、XGBoost等推荐场景组件，通过分析海量用户行为数据构建多维用户画像，实现千人千面的推荐，提高转化率。 这些场景的落地通过算法开发工具可以大幅提升效率，当企业缺少算法工程师构建场景时，可以降低企业构建智能化场景的门槛，快速实现企业需求。 2.面试官比较爱问的：在数据建设的过程中遇到了什么困难？解决方案是什么？ 在这本书里面也有答案。 数据治理遇到的问题： ❏对建设数据标准的目的不明确。 ❏过分依赖咨询公司。 ❏对数据标准化的难度估计不足。 ❏缺乏落地的制度和流程规划。 ❏组织管理水平不足。

快速看完了本书，有点失望。 本文对数据中台的定义非常高大上，“数据中台是一套可持续“让企业的数据用起来”的机制，是一种战略选择和组织形式，是依据企业特有的业务模式和组织架构，通过有形的产品和实施方法论支撑，构建的一套持续不断把数据变成资产并服务于业务的机制。”书里提到，数据中台是一个包含数据仓库的数据建设和组织机制。 但是全书的内容却还是跟以前的数据仓库建设方法论没有太大区别，80%都是数据仓库建设的内容，就是多了一些大数据技术的覆盖和标签体系建设的方法。完全可以叫新一代数据仓库。 书中对于企业应该如何从组织架构调整，人员角色配置和运行机制方面来确保数据中台能够顺利启动和健康运行的内容太少，高度不够。 本书对于制造，零售，政府这些数据建设相对落后的行业来说有不错的价值，可以作为启动企业数据平台建设的参考。但对于银行，电信这些数据建设成熟度非常高的行业，就显得太落后了点

据说，2019年是数据中台元年。作为一个数据PM，之前从三节课的中台产品经理课程中对中台这个概念有所了解。花了两个几小时，一口气翻完了后的感觉是:这个是让老板对数据中台立项的好推手。言归正传，我个人觉得以下几章推荐指数较高: 第4章 企业数据建设成熟度评估，可用于企业自查思考，书中图表仅做参考; 第8章 数据资产管理，这块是极易忽视但非常重要的，供自查; 第9章 数据服务体系建设，了解业务数据化后的数据服务化的可能方式。 其他章节视大家的兴趣和背景简单了解即。 如果你对数据分析或数据产品的工作感兴趣，可找来其他的书一起看。 相关书单如下: 1.想入行分析师，或希望学会数据分析能力的同学 ，可通读《数据分析:企业的贤内助》一遍，尤其关注方案设计、数据分析思路部分。与自己看数据时的思路做对比，或参考文中提供的思维模型（KANO/SWOT/5W2H等）去试着分析自己面临的问题，内化知识，效果更加。 2.想对数据采集方法、数据模型（事件分析漏斗分析、留存分析、分布分析、点击分析等）了解更多的，可阅读神策数据桑文锋的《数据驱动:从方法到实践》。 3.了解更多的数据分析方法与应用，可阅读talkingdata于洋的《游戏数据分析的艺术》，只看目录，就能发现很多有意思的部分，比如收入分析、图关系分析。 4.网站分析方面，推荐王彦平的《人人都是网站分析师:从分析师的角度解读和理解数据》。这本书全全面详实地介绍了GoogleAnalysis的使用和原理，如站内搜索分析，归因分析。目前国内的百度统计等网站统计，都源于GA，想了解网站分析鼻祖GA的同学可以看看。 5.想转行数据产品的，可阅读李鑫《数据产品经理的必修课》。书中对数据PM的日常工作梳理得非常清晰，覆盖的能力图谱也非常全面。 6.行业趋势，推荐阅读数澜科技的《数据中台:让数据用起来》。其中，第4章 企业数据应用成熟度评估 和第7章 数据中台体系架构，推荐优先阅读。 希望以上书单，对大家有所帮助[微笑]

数据中台读书笔记： 首先这本书的核心传递的价值非常明确：数据中台就是让数据持续用起来，然后整本书就都在讲解如何能够让数据持续用起来。 第一，先做数据的汇聚，这部分讲的是数据的采集和存储能力，数据源需要支持各种类型的数据来源，同时需要能够支持这些异构数据的存储（这部分与我们的理解是一致的）；--这一部分是对应产品能力 第二，采集完成后需要进行数据体系的建设，即构建分层数据仓库：贴源层（对应我们的原始域）统一数仓层（也叫明细数据层，对应我们的标准域）、标签数据层（这个我们没有）以及应用数据层（对应我们的应用域。贴源层与数据源进行对应，数据结构也保持与业务系统的一致，目的是对原始系统数据进行初级加工，比如去重复，合并等处理，与我们的原始域的作用一致；统一数仓层就是进行业务域建模，构建面向主题的数据存储，构建维表、事实表以及各种指标统计；标签数据层是我们没有的，主要是构建树形结构的标签体系，主要目的是对数据进行分门别类，以及标签计算，对核心数据按照标签体系进行打标记，比如客户数据、产品数据。同时本书推荐采用横表进行数据存储（HBase是个选择）。另外在标签数据层中还有一个比较重要的一点是构建super-id，即统一数据的唯一标志。比如一个人的信息可以通过身份证号码、护照号码、社保号等，需要用一个超类ID来统一这些唯一标志，能够确定是同一个人。应用层数据的建设与我们的认识一致，即按照顶层业务的实际需要构建相应的数据集。---这一部分主要是实施交付、体力活 第三，进行数据资产管理（数据治理），本书提及了信通院的《数据资产管理实践白皮书》讲解了数据资产管理包含数据治理。之所以第三步是数据资产管理，因为第二部已经把数据体系建立起来了，有数据需要管了。在讲数据治理方法论上提到了国际数据治理委员会DAMA的成果，以及工信部下属的电子工业标准化研究院牵头，联合多家高校和著名企业提出的DCMM，本书以这个为主展开的内容。在进行数据资产管理时依托信通院的白皮书中提出了包含的数据标准管理（我们有并不完善）、数据模型管理（需要完善）、元数据管理、主数据管理（欠缺）、数据质量管理、数据安全管理（欠缺）、数据价值管理（欠缺）、数据共享管理、生命周期管理（欠缺）、标签管理（欠缺）、数据资产门户。----这部分对应产品能力 另外本部分，本书还提及了比较虚的管理效果评估 第四，数据资产也管理起来之后，下一步就是对外提供服务，即数据服务体系的建设，这部分的内容需要我们的dataservices+apim+catalog进行能力融合，与我们的医疗信息共享平台类似。---这部分对应产品能力 第五，整个服务体系建立起来之后，就表示已经有人开始使用数据中台对外提供的能力了，接下来就是如何进行这些能力的运营。这部分提出了一些包括如何控制成本，以及运营口诀：战略层面要重视，组织机构打扎实，数据氛围造起来，内部典型须周知，安全意识不放松，成本账单详追踪，质量规范严落地，中台运营必成功。 最后，则是进行数据安全的管理和控制，需要确保平台安全、服务安全、数据安全以及apt攻击防御。手段：统一认证、资源隔离、数据加密、数据脱敏、数据容灾备份。这部分内容参考意义不大。 本书的价值在于补全了我们在数据标签上的科普，以及更加系统的讲解数据中台。另外附件的各个行业的解决方案图中枚举的数据体系的各层级数据的业务描述帮助我们完善行业方案。

没有几年福报厂经验都看不懂, 书中一堆阿里味名词: 复盘，赋能，抓手，对标，沉淀，对齐，拉通，倒逼，颗粒度，落地，中台，方法论，漏斗，组合拳，闭环，打法，履约，引爆点，串联，价值转化，纽带，矩阵，协同，反哺，点线面，认知，交互，兼容，包装，响应，刺激，规模，重组，量化，宽松，资源倾斜，完善逻辑、抽象，复用打法，发力，精细化，布局，商业模式，联动，场景，聚焦，快速响应，影响力，价值，细分，垂直领域，维度，定性定量，聚焦，去中心化，关键路径，接地气，梳理，输出，格局，生态，协同、点线面、强化认知、强化心智、击穿心智、下钻、挖掘、交互、兼容、包装、附能、响应、刺激、规模、重组、量化、宽松、资源倾斜、完善逻辑、抽离、打法、发力、精细化、闭环、布局、商业模式、联动、场景、痛点、落地、跟进、方法论、迭代、快速响应、影响力、价值、细分、垂直领域、维度、颗粒、定性定量、聚焦、关键路径、接地气、梳理、输出、格局、生态、沉淀、抓手、结果导向、话术、体系、对齐、同步

可以作为数据中台入门的一本合格科普读物。 本书从数据中台的概念入手，区分了数据中台与传统数据库，随之介绍了数据中台的架构——基于云底座，服务于应用，由数据汇聚、数据开发、数据体系、数据资产管理和数据服务体系五部分构成，此外还有配套的数据运营体系和数据安全管理。后文分别以此七部分为七个章节，展开叙述了数据中台的全貌。 首先数据中台的定义，本书认为数据中台是一套可持续“让企业数据用起来”的机制，是一种战略选择和组织形式，是依据企业特有的业务模式和组织架构，通过有形的产品和实施方法论支撑，够贱的一套持续不断把数据变成资产并服务于业务的机制。数据中台具备数据汇聚整合，数据提纯加工，数据服务可视化，数据价值变现4个核心能力。为了让数据用起来，就要形成业务数据化，数据资产化，资产服务化，服务业务化的闭环。 数据中台的建设方法论，1种战略结构，把数据中台驱动业务发展定位为企业级战略。2项保障条件，通过宣导统一组织间的数据认知，通过流程加速组织变革。3条目标准则，将数据的可见、可用、可运营3个核心准则始终贯穿于中台建设的全过程，保障建设在正确的轨道上。4套建设内容，通过技术体系，数据体系，服务体系，运营体系建设保证中台建设的全面性和可持续性。5个关键步骤，通过理现状，立架构，建资产，用数据，做运营5个关键行动控制中台建设关键节点的质量。 数据中台建设前先进行评估和选择，数据应用成熟度分为统计分析阶段，决策支持阶段，数据驱动阶段，运营优化阶段。第四阶段就是数据中台需要出马的时候。 接下来是数据中台的建设内容，首先是数据汇聚。数据采集有线上行为采集(客户端埋点，服务端埋点)，线下行为采集，互联网数据采集，内部数据汇聚(数据组织形式有结构化数据，半结构化数据，非结构化数据，数据时效性有离线数据实时数据)。其中数据交换有ETL和ELT两种方式，也有离线数据交换和实时数据交换不同的方式。在数据存储方面，考虑到数据规模，数据生产方式，数据应用方式，可以采取在线和离线，OLTP和OLAP，分布式系统,关系型数据库,非关系型数据库和云数据库等不同的存储组合。 在数据开发层面，涉及的产品能力有离线开发，实时开发和算法开发三部分。计算能力分为批计算，流计算，在线查询和即席分析4类型(非行业通用分法)。离线开发套件的核心功能有作业调度，基线控制，异构存储，代码校验，多环境级联，推荐依赖，数据权限等。实时开发的特点是实时且无界的数据流，持续且高效的计算，流式且实时的数据集成。算法开发套件架构下方是统一存储，统一调度，计算框架，组件库组成的AI能力;上方是数据准备，预测学习，模型管理和服务管理的AI工具。 数据体系从下到上是贴源数据层(ODS)，统一数仓层(DW)，标签数据库(TDM)，应用数据层(ADS)。 数据资产的定义是企业拥有或控制的，能够为企业带来未来经济利益的，以物理或者电子的方式记录的数据资源。本书将数据资产和数据治理混为一谈，是最大的一个问题。后续内容其实都是讲怎么做数据治理的。包括数据标准管理，数据模型管理，元数据管理，主数据管理，数据质量管理，数据安全管理，数据价值管理，数据共享管理，生命周期管理，标签管理，数据资产门户等。书中提到数据资产管理的7个成功要素，分别是强有力的组织架构，清晰的数据战略，重视数据的企业文化，合理的制度与流程，标准与规范，成熟的软件平台，科学的项目实施。 数据服务按计算逻辑封装方式分为基础数据服务，标签画像服务，算法模型服务。常见的数据服务有圈人服务，推荐服务，分析服务，查询服务。3种常见的数据应用有数据报表，数据大屏，智能应用。 数据中台的运营4个价值切入点为统一战略，搭建组织，打造氛围，实践创新。4个目标是可阅读，易理解，好使用，有价值。数据资产运营执行的5个动作是组织登记，宣传推广，服务保障，治理优化，价值评估。 数据安全对平台安全，服务安全，数据安全，APT攻击防御四方面带来挑战。大数据平台安全管理技术手段有统一安全认证和权限管理，资源隔离，数据加密，数据脱敏，数据共享安全，数据容灾备份。

《阿里巴巴云上数据中台之道》、《阿里巴巴中台战略思想与架构实战》、《大数据之路：阿里巴巴大数据实践》，关于中台的几本书无外乎这几本，而《数据中台：让数据用起来》基于中台实施经验讲述但跳出中台实施范畴，抽象出对中台概念、中台价值、中台定位、中台实施方法的说明，对个人启示颇多。本书核心在七、八章，分别对数据体系建设和数据资产管理作了详细描述，但是天下文章一大抄，第七章涵盖大量Kimball数据建模内容，第八章涵盖大量《数据资产管理实践白皮书4.0》内容，大家可以阅读后分别展开扩展阅读学习。 数据中台概念虽火，但落地实施很难，主要原因是各类数据管理水平与数据应用水平不一，若要真正提升数据价值，数据平台升级-数据质量提升-数据模型优化-元数据管理细化，再走上一遍OneData、OneEntity、OneService与企业组织架构优化，然后再上数据资产化，ID-Mapping标签体系，小企业根本扛不住也很难活到最后看到价值的时候。因此本人更期待未来出现一些适合各行业且符合"数据中台"理念“小而美”的“最佳实践”，让数据中台概念泛化在各类数据实践中。