在经分的年代，数据仓库推倒重来了几遍，构建了很多的专题项目，经历了上万次取数，制作了成百上千的报表，但在支撑了当初的业务发展的同时，到底给如今的企业留下了多少资产？

也许是培养了一代又一代的数据人员，如今有的成为数据专家，有的转型业务人员，有的晋升为领导，有的离职踏上新的岗位，为企业服务的合作伙伴也由此获得快速成长，很多也成了庞然大物。

但这个够吗？

显然不够，但很多企业现有的数据历史底蕴就是这些了吧，老系统迟早要倒，新系统还是要建，但老系统的好基因却很难留下来，这一代的数据仓库与上一代数据仓库一般不能说是演进，而是重来，或者是靠着个人的经验撑起整片天，又如10年前笔者用逻辑回归实现的飞信潜在模型，现在只能到历史的PPT中去寻找其踪影了，反应了同样的道理。

想向新人介绍一下历史，囧于历史没什么好说的，也没什么好展示的，说明了传承的不够，曾经沧海难为水，其实可以做的更好。

那么问题的核心在哪里？

答案就是数据中台，今天就来谈一谈。

广义的数据中台包括了数据技术，比如对海量数据进行采集、计算、存储、加工的一系列技术集合，对于大多企业，这些能力是能够买到的，因此无所谓积淀，要积淀大多也是别人的积淀，而不是企业的，当然自主研发的除外，比如阿里的ODPS等。

笔者提的数据中台要更往上走，包括数据模型，算法服务，数据产品，数据管理等等，这些服务跟企业的业务有较强的关联性，是这个企业独有的且能复用的，比如企业自建的2000个基础模型，300个融合模型，5万个标签，这些就是笔者说的中台，它是企业业务和数据的沉淀，其不仅能降低重复建设，减少烟囱式协作的成本，也是差异化竞争优势所在。

为什么数据中台如此重要呢，笔者概括大致有以下四个原因：

1、回归服务的本质-数据重用

今天的浙江移动已经将2000个基础模型作为所有数据服务开发的基础，这些基础模型做到了“书同文，车同轨”，无论应用的数据模型有多复杂，总是能溯源到2000张基础表，这奠定了数据核对和认知的基础，最大程度的避免了“重复数据抽取和维护带来的成本浪费。”

曾经企业的数据抽取就有多份，报表一份，数据仓库一份，地市集市一份，无论是抽取压力、维护难度及数据一致性要求都很高。

同时，统一的基础模型将相关业务领域的数据做了很好的汇聚，解决了数据互通的诉求，这点的意义巨大，谁都知道数据1+1>2的意思。

2、数据中台需要不断的业务滋养

在企业内，无论是专题、报表或取数，当前基本是烟囱式数据生产模式或者是项目制建设方式，必然导致数据知识得不到沉淀和持续发展，从而造成模型不能真正成为可重用的组件，无法支撑数据分析的快速响应和创新。

究其原因是模型建设往往是项目式的建设方式，一旦项目结束，在面对业务提出更多需求时，项目模型团队可能已经撤离了，或者考核指标早已经随着项目结束，模型提供者在主观上没有太大的积极性去满足新的需求，如果当初模型的扩展性设计的不好，或者时间太紧，或者系统稳定的需要，往往导致有心无力满足新的需求，结果是数据模型无法再扩展，成为事实上稳定的但无用的模型。

其实，业务最不需要的就是模型的稳定，一个数据模型如果一味追求稳定不变，一定程度就是故步自封，这样的做法必然导致其他的新的类似的数据模型产生，当越来越多的模型都采用自建的方式满足需求时，意味着老的数据模型就可能要离开历史舞台了，而留下的是割裂的成千上万的模型，也就失去了模型知识沉淀的可能，曾经做过一张几百个字段的万能宽表，由于太大后来就没人敢去动它，随着新的业务不断增加，这张宽表的价值却越来越低直至退出历史舞台。

数据模型不需要“稳定”，而需要不断的滋养，只有在滋养中才能从最初的字段单一到逐渐成长为企业最为宝贵的模型资产。

其实标签也一样，做过不少异动标签或离网模型，曾经效果不错，随着公司转型流量经营，原来以语音异动判断为主的这类标签开始难以适应变化，但后续已经没人能改得动它，这个标签也就退出了历史舞台，退出的可不仅仅是一个标签，这个标签承载的所有的既有经验也就被废弃掉了，想想这些标签当初花了多大的代价做成就会感觉非常可惜。

再以报表为例，企业报表成千上万的原因往往也是没有沉淀造成的，针对一个业务报表，由于不同的业务人员提出的角度不同，会幻化出成百上千的报表，如果有报表中台的概念，就可以提出一些基准报表的原则，比如一个业务一张报表，已经有的业务报表只允许修改而不允许新增，自然老报表就会由于新的需求而不断完善，从而能演化成企业的基础报表目录，否则就是一堆报表的堆砌，后续的数据一致性问题层出不穷，管理成本急剧增加，人力投入越来越多，这样的事情在每个企业都在发生。

3、数据中台是培育业务创新的土壤

企业的数据创新一定要站在巨人的肩膀上，即从数据中台开始，不能总是从基础做起，数据中台是数据创新效率的保障。

搞过机器学习的都知道，没有好的规整数据，数据准备的过程极其冗长，这也是数据仓库模型的一个核心价值所在，比如运营商中要获取3个月的ARPU数据，如果没有融合模型的支撑，得自己从账单一层层汇总及关联，速度可想而知。

很多合作伙伴的数据科学家到一个企业水土不服，除了业务上不熟悉外，往往还面临着数据准备的困境，取数的高难度导致他难以快速的去验证想法，企业想借助外力去搞数据创新有时成了一厢情愿。

标签也一样，企业打造标签可并不仅仅是做几个标签那么简单，它需要打造的是一个标签服务平台，要能最大限度的规范标签的格式，接入方式，组合方式，调用方式等等，只有这样，基于标签的二次快速创新才有可能，企业每发布一个新的标签，就意味着新增了一种能力，这才是数据知识的真正传承。

比如当常驻地模型发布成为标签平台的一个标签后，以后凡是涉及到常驻地判断的都可以直接调用，这极大降低了关于用户位置数据准备的成本。

在如今的互联网时代，企业都在全力谋求转型，转型的关键是要具备跟互联网公司一样的快速创新能力，大数据是其中一个核心驱动力，但拥有大数据还是不够的，数据中台的能力往往最终决定速度，拥有速度意味着试错成本很低，意味着可以再来一次。

4、数据中台是人才成长的摇篮

记得笔者刚进企业的时候，要获得成长一是靠人带，二是找人问，三是自己登陆各种系统去看源代码，这样的学习比较支离破碎，其实很难了解全貌，无法知道什么东西对于企业是最重要的，获得的文档资料也往往也是过了时的。

现在有了数据中台，很多成长问题就能解决，有了基础模型，新人可以系统的学习企业有哪些基本数据能力，O域数据的增加更是让其有更广阔的视野，有了融合模型，新人可以知道有哪些主题域，从主题域切入去全局的理解公司的业务概念，有了标签库，新人可以获得前人的所有智慧结晶，有了数据管理平台，新人能清晰的追溯数据、标签和应用的来龙去脉，所有的知识都是在线的，最新的，意味着新人的高起点。

更为关键的是，数据中台让新人摆脱了在起步阶段对于导师的过渡依赖，能快速的融入团队，在前人的基础上进行创新。

数据中台天然的统一，集成的特性，有可能让新人打破点线的束缚，快速构筑起自己的知识体系，成为企业数据领域的专家。

当然，数据中台的建立不是一蹴而就的，每个企业都应该基于实际打造独有的中台能力，在这个过程中，需要遵循一些原则：

首先，企业的组织架构及机制需要顺势而变，比如以前负责数据的部门或团队往往缺乏话语权，面对业务需求往往是被动的接受的角色，这让一切数据中台的想法化为泡影，需要为数据中台团队授权。

其次，要改变工作方式，现在很多企业的数据团队的主要工作内容就是项目管理、需求管理等等，当一个项目完成后又投入到下一个项目，做好一个需求后又开始负责下一个需求，这样的工作确实非常锻炼人的组织、协调能力，但这样能力的提升与工作时间的长短并不是呈线性增长的，虽然增加了项目和需求管理经验，但并不能在某一个专业领域得到知识和经验的沉淀，随着时间的流逝，越来越多的人会失去最初的工作积极性和创造性，事实上，数据人员只有深入的研究业务、数据和模型，端到端的去实践，打造出数据中台，才是最大的价值创造，才能使得持续创新成为可能。

第三，数据中台的团队要从传统的支撑角色逐步向运营角色转变，不仅在数据上，在业务上也要努力赶超业务人员，中台人员要逐步建立起对于业务的话语权，不仅仅是接受需求的角色，更要能提出合理的建议，能为业务带来新的增长点，比如精确营销。

DT时代，接下来整个社会会进入开放共享的时代，致力于大数据变现的企业最大的价值就是将这些核心数据能力进行对外开放的运营，到那个时代，数据中台将成为企业最为宝贵的资产。

从个人的角度讲，将自己的贡献幻化为中台能力，能够持续的为公司创造价值，这是值得骄傲的事情。