中国企业的大数据发展大概经历了三个阶段。第一阶段，是 2000 年之后的企业内部信息化，中国许多大型企业开启了一波以数据库、ERP 为主的底层 IT 建设，进行了初步的“业务数据化”建设。第二阶段，是 2004 年到 2012 年，随着 BAT 纷纷上市，互联网经济的崛起，让数据思维深入各行各业，数据量慢慢壮大。第三阶段是 2013 年之后，移动互联网的发展，一些金融、零售等大型企业响应“互联网＋”概念，走向线上线下深度融合，这时数据服务的形式开始增多，业务维度更加复杂。

　　将数据用起来，随时随地分析企业情况进行精细化运营，企业需要打通老一代 ERP、数据库等 IT 系统，同时还需要应对业务增多且快速变动的情况。而且企业之间、各部门之间的数据往往都没有“共享”，运用不同的开发队伍开发平台和工具的不统一，这时，数据服务往往就是一个个从各平台伸出的数据“烟囱”。但这些传统企业有数据积累，已经有了比较好的信息化基础，也有数据应用的场景，这些业务需要数据服务。

　　企业数据中台建设具体实践中的一些经验，主要归纳成 5 个关键步骤来完成这个建设过程。

　　要了解 业务现状： 梳理业务过程及核心业务指标、知晓现有数据应用情况，还要找到可能的创新点。项目会选择最有可能的业务价值点，作为中台建设的验证，来看数据赋能业务的结果。

　　要盘点现有 数据现状： 现有什么数据、还需要增加什么数据。比如说企业的行为日志、机器日志都是资产。

　　要调研现有的 IT 现状：比如采用的什么数据库、数据量、数据字段和更新周期等，以便后续更好地设计技术架构。因为有一些信息系统非常封闭，如果数据不开放，拿不到一手数据，在 DT 时代就难以推进数据中台战略。

　　要了解现有 组织架构： 以怎样的组织形态来保证中台的顺利推进，协助者是谁，服务对象又是谁，以及一些相应配合机制，这些都是上数据中台之前需要梳理的。

　　根据现状形成整体的规划蓝图，形成技术产品、数据体系、服务方式以及运营重点等相关的方案，梳理确立各块架构。企业信息架构经常谈到业务架构、技术架构、应用架构和数据架构都需要在这个阶段进行确认，这 4 个架构具体介绍如下：

　　技术架构：如何根据业务架构近远期规划，对数据的存储和计算进行统一的选型？

　　应用架构：特指数据中台应用架构，如何为后面几个关键步骤的内容提供平台工具？

　　结合数据架构的整体设计，通过数据资产体系建设方法，帮助企业构建既符合场景需求又满足数据架构要求的数据资产体系并实施落地。这个步骤涉及数据汇聚、数仓建设、标签体系建设以及应用数据建设，其中最关键的是标签体系建设过程。所谓标签体系是面向具体对象构建的全维度数据标签，通过标签体系可以方便支撑应用，大数据的核心魅力点和服务要就体现在标签体系的服务能力。数据资产分为四层：贴源 数据层、统一数仓层、标签数据层、应用数据层。如下图所示。

　　与直接调用不同， 数据中台绝大多数是通过服务调用方式提供的。服务的建设方主要是数据技术团队，他们把建好了数据体系利用数据引擎能力，生成数据服务 API，再发布到数据服务市场。在服务过程中，数据安全是不得不考虑的问题，哪些人能看到什么数字资产，能选择什么类型的服务都是需要严格审核的。

　　整个数据中台的建设、使用不是一下子完成的，绝对不是一个项目，是一个运营迭代的过程，用“看、选、用、治、评”的过程来保障整个数据中台可以持续运营、持续迭代，形成一整套闭环的机制。企业通过多个组织之间的配合推进，会逐步形成企业特有的数据文化和认知，这是企业在数字化转型中非常重要但很难跨越的点。

　　当下，人人都在谈论数字化转型，但怎么转，做什么维基体育，中台有可能成为企业推进数字化转型的有效方法之一。理想的数据中台架构，是什么样的

　　我们先来看下网易严选的数据体系（上图），就更清楚数据中台的定位了。数据中台的下层是数据平台，数据平台主要解决跟业务无关的问题，主要是大数据的存储和计算问题。数据中台的上层就是数据前台，主要包括 BI 报表、数据产品和业务系统。数据中台首先赋能分析师通过 BI 报表的形式来驱动业务精细化运营。

　　可以看到，数据中台的主要作用在于将企业内部所有数据统一处理形成标准化数据，挖掘出对企业最有价值的数据，构建企业数据资产库，对内对外提供一致的、高可用大数据服务。下面重点来看看亿信华辰根据多年大数据经验的累积及数据中台的项目实践总结出来的数据中台技术架构，主要分为以下5个部分：

　　数据中台不产生数据，数据其实来源于各个业务系统、数据库、网络环境等，是日常操作所产生的数据，多数存储在网络环境和存储平台中，且各个系统之间独立存在，很难直接使用，需要去进行数据抽取、采集、整合和处理，将异构数据采集到统一的平台进行存储，进而通过建模将数据进行加工处理，变为对业务有用的数据，只有这样才能有效汇聚数据，形成数据中台的统一数据资源。

　　将采集补录、抽取整合的业务数据汇聚后，以数据形态存储，当下大数据发展的节奏让数据库技术也由传统关系型数仓架构，向Hadoop分布式架构演变，并随着业务实时性决策需要，推动融合MPP、SQL on Hadoop、流处理等大数据技术服务的实时流式计算存储应用，实现海量数据高效统一管理，为企业提供实时数据支撑。

　　数据平台建好后，业务数据可能杂乱无章，数据质量低，需要经过一系列的治理提高数据质量，将数据统一起来进行管控，这个过程中就包括数据模型管理、数据标准管理、元数据管理、数据质量管理、生命周期管理、数据安全管理。数据模型管理是根据业务对数据进行分层、整合处理，方便数据的分析应用；元数据管理方便技术人员进行分析数据来龙去脉以及对数据库底层数据质量进行把控；数据标准用来指定一系列标准，对元数据进行标准的检查；数据质量是根据一系列规则，对库表数据进行校验和整改；数据生命周期和安全贯穿整个流程，为数据保驾护航。

　　经过数据汇聚、数据治理，已经形成的数据资源需要有统一的地方去进行管理，方便业务人员理解数据，这时就需要建立数据资产管理体系，需要先根据业务先形成资产目录，数据拥有者将自己的数据资产挂到对应的类目树，梳理成一套完整的资产目录，将数据资产开放出去，展示给业务人员或外部人员，提供企业的数据意识。

　　经过前期一系列梳理工作，数据还没有真正发挥它的价值，而数据服务则是将数据资产转化成一种服务能力，那么如果我们需要调用某个数据资产要怎么操作使用？数据提供方又如何将数据资产提供给别人使用？这就是我们说的数据服务功能，帮助用户实现数据规划咨询，数据资产服务开放及数据可视化展示应用等。返回搜狐，查看更多