为什么全网都在看衰数据中台，数据中台是陷阱，还是利器？
今天的文章，我们聊一聊：为什么全网都在看衰数据中台？
“数据中台是大数据的下一站”
“还没有构建数据中台，你的企业 OUT 了”
“为什么说建设数据中台是企业数字化转型的必要环节”
...
相信很多人，在前两年都在网上看过类似的文章，没错，前两年数据中台的地位很高，说它是“当红炸子鸡”一点也不为过。
可疫情过后，一切都变了。
现在，我们看到的网上信息都在唱衰数据中台，从被各界追捧到人人唾弃，数据中台发生了什么？平静下来冷静判断，它到底是陷阱还是利器？
| 01 发展历程
说到数据中台，还得从如日中天的阿里说起，2016/17年时，阿里一度成为亚洲市值最高的互联网企业，为了解决自身多业务线数据打通、避免重复建设及口径不一致等问题，率先提出了数据中台概念。
2018 年数据中台在大数据圈正式走红，当时，如果和别人沟通不提起数据中台，都不太好意思，生怕别人说自己落伍了。（和当下的 AI 大模型爆火的情形如此相像）。
短短几年，数据中台在国内迅速得到推广，也诞生了一批围绕着数据中台建设的准独角兽企业，比如袋鼠云、奇点云、数澜科技等等（他们也都是阿里系出来的创业团队）。
一起看一下数据中台的发展时间线和关键事件：
| 2010年 | 数据湖概念提出 | Cloudera, Hortonworks | 为大数据存储和分析提供了新的架构 |
| 2013年 | Alibaba提出数据中台概念 | 阿里巴巴 | 数据中台在中国逐渐被广泛接受 |
| 2015年 | 阿里巴巴正式推出数据中台 | 阿里巴巴 | 成立阿里数据中台团队，助力业务创新 |
| 2016年 | 京东建立数据中台 | 京东 | 京东通过数据中台提升运营效率 |
| 2017年 | 腾讯建立数据中台 | 腾讯 | 数据中台助力腾讯云、大数据业务发展 |
| 2018年 | 美团点评成立数据中台 | 美团点评 | 数据中台推动美团业务精细化运营 |
| 2019年 | 数据中台标准化推进 | 阿里巴巴，腾讯，京东等 | 多家中国互联网公司共同推动数据中台标准化 |
| 2020年 | 国际数据中台解决方案涌现 | Google, Microsoft, AWS | 云服务厂商提供数据中台解决方案 |
| 2021年 | 数据中台进入金融和制造业 | 工商银行，华为，西门子等 | 数据中台在更多传统行业得到应用 |
| 2022年 | 数据中台智能化发展 | 阿里巴巴，华为，百度等 | 引入AI和机器学习，提升数据中台的智能分析能力 |
| 2023年 | 元数据管理成为数据中台重点 | Informatica, Collibra | 加强数据治理和元数据管理，提升数据中台的可信度和可靠性 |
| 2024年 | 数据中台进一步融合云原生技术 | Google, Microsoft, AWS | 云原生数据中台解决方案成为主流，提高系统弹性和扩展性 |
| 02 谈谈价值
数据中台火了之后，企业纷纷把它作为企业数字化转型的金钥匙。
投入百万甚至千万，寄希望于数据中台帮助企业解决数据价值挖掘和使用效率问题，推进企业完成数字化转型，创造企业第二增长曲线。
最终结果先按下不表，我们先看一看数据中台有哪些价值。
要谈价值必先谈企业遇到的问题，如果没有对应的问题，数据中台自然对你来说也就缺少了价值，是吧。
2.1 企业面临的挑战
数字化并不是目的，企业在做数字化转型的过程，其实，主要是为了解决自身业务发展的问题。
当下，全球企业都面临流量枯竭，业务增长乏力，但企业的经营成本却在不断增加，利润在急速下滑。
以往靠堆人头，或者个人经验判断推进业务增长的模式已经失灵了，因此，企业越来越重视，数据在企业经营中的作用。
内部构建了越来越多，基于数据的应用产品，比如数据经营看板、促销活动地图、供应链智能管理、生产制造协同管控等等。
随着，企业数字化化程度的逐渐深入，数据应用/产品越来越多，暴露出了越来越多的问题，主要有：
指标口径不一致。
市场部在统计销售额时，包含了所有商品的销售收入，而财务部则只统计实际到账的收入，不包含退货和折扣。结果，两部门在分析月度销售数据时，得出了截然不同的结论，市场部认为销售业绩很好，而财务部则认为销售有所下滑。
重复性开发建设。
线上部门利用电商平台的数据开发了一套客户推荐系统，线下部门则基于门店会员数据开发了另一套推荐系统。由于缺乏统一的数据平台，这两套系统各自为战，无法共享数据和算法模型。
数据流通和共享效率低下。
市场部需要采购部提供最新的库存数据，以便合理安排促销商品和数量，但采购部的数据系统较为封闭，数据提取和共享效率低下，导致促销策划过程中常常因为数据滞后而无法及时调整策略。
数据质量差
一位客户在门店注册时使用手机号，而在电商平台注册时使用邮箱，系统未能合并这两个账号，导致重复记录。由于这些数据质量问题，市场部在进行会员营销活动时无法准确定位目标客户，影响了营销效果。
2.2 数据中台价值
针对以上问题，阿里提出著名的三个 ONE（ONEDATA /ONEMEDLE/ ONESERVICE）方法论，用于指导数据中台的构建。
数据中台有以下价值：
数据共享与复用：打破数据孤岛，实现跨部门的数据共享，提升数据利用率。
数据质量提升：通过统一的数据治理，确保数据的一致性、准确性和完整性。
敏捷响应业务需求：快速响应市场变化，支持灵活的数据分析和应用开发。
降低成本：减少数据冗余，优化数据存储和处理成本。
提升决策效率：通过数据驱动的洞察，支持更科学的业务决策。
其实以上说的都是通用的数据中台价值，有读者可能说太虚了。
你说的对，单纯凭借这些价值点，是很难认可数据中台的价值的。不过可以针对业务问题，进一步细化下价值。
比如上面说的指标口径不一致的问题，本质上就是业务口径定义和管理不一致，存在重复指标加工，数据来源也可能不支持，这么多变量，任何一个环节出问题，都可能导致指标同名不同义、同义不同名等问题。
那么，数据中台如何解决这个问题呢？
首先，将原先分散的数据加工和指标管理逻辑，收拢到数据中台里，由一个团队统一负责指标口径的管理和开发。
其次，在中台中构建统一的数据标准（包含模型标准和指标标准），确保相同粒度的度量或指标只加工一次，并构建全局统一的公共维表。
同时，企业内部可以便捷的获取到所需的指标，并能清晰的查看指标的定义和口径。
这里用到数据中台的两个模块，分别是数据建模和数据地图的能力。
多个数据消费场景，要能够便捷使用指标，避免无数可用的窘境。针对指标的消费和使用，有 2 个途径：
一个是通过数据中台的数据服务模块，将指标快捷的发布成数据 API，然后，到下游系统使用，比如 BI 可视化报表，直接添加 API 来源，进行指标的分析。
另外一个是使用数据中台内置的自助取数/即系查询等能力，主要满足在中台工具内部直接完成数据的消费闭环，不过，一般服务于临时性或者一次性的数据获取场景。
这就是数据中台针对企业内部指标口径不一致问题的一个简单说明，用于佐证数据中台可以帮助企业更好的解决这类问题。
小结：
数据中台之所以被很多企业认可和采购，并不仅仅是由阿里提出的概念或方法论。
更重要的是数据中台，确实能够帮助企业构建标准的、安全的、统一的、共享的数据组织，有效的消除了冗余数据，构建了企业级数据资产，提高了数据的共享能力。
| 03 为什么看衰数据中台
为什么现在全网都在看衰数据中台呢？
发生了什么？
失败案例太多了，成功案例则寥寥。
背后的因素千差万别，就像托尔斯泰在《安娜·卡列尼娜》里面有一句名言名句
“幸福的家庭都是相似的，不幸的家庭各有各的不幸。”
特别是阿里为首的互联网企业，近些年的发展并不顺利，股价也跌到了地下室。
以及，阿里这两年开始内部复盘变革，逐渐地拆中台，去中台化。中台的提出和传播者开始拆中台去中台，这对中台的生态打击非常大。
其实，阿里这里的拆中台更多指的是业务中台，并不是数据中台，可媒体朋友们可不管这些，反正中台不行了，关你什么中台...于是，大家可以看到大量中台不行的内容。
阿里于数据中台，真是：“成也萧何败萧何”。
当然，这些都是表面现象，更为重要的因素是，国内复杂的企业形态，以及繁琐多变的数据需求。
3.1 数据中台不是万能的
数据中台虽然并不特指某一个软件工具，更偏向于一个抽象概念。
但是，很多企业管理者并不去这么分，我要搞数据中台，搞了数据中台就能帮我解决企业内部的数据问题。
殊不知，数据中台只是扮演一个工具属性，内部的组织管理和制度，才是更为重要的存在，比如匹配的组织架构、内部数据管理制度、数据加工及使用流程等等。
如果按照重要程度来划分的话，数据中台工具集最多占到 20%。
3.2 错位强匹配
是否企业遇到任何数据问题，都需要用数据中台这个所谓的“终极方案”？
完全不是的。
很多企业管理者被第三方销售或者顾问画各种大饼，自己也没有判断能力，不管三七二十一，上数据中台就对了。
但是，内部根本没多少数据可用，企业还没解决数据采集的问题，很多数据都还在线下，通过人工手工方式采集，这时候，上数据中台简直就是拿大炮打苍蝇。
3.3 缺少专业的数据治理专家
这个是多数企业数据中台项目失败的最核心原因，没有之一。
一方面是，这块人才非常紧缺。一般都在某个甲方企业内（对，不是乙方，乙方很多所谓的数据治理专家都是产品专家，缺少业务视角），也比较难挖。
另一方面，企业管理者未重视这类人才的投入，认为内部的 IT部门或者业务部门协作，就完全可以填补这块的人才缺失，而不需要专门招这类人员。
大错特错，愚蠢啊。
200 万的数据中台预算都花了，为啥还要 50 万招一个数据治理专家，没搞明白这点的 CIO ，可能永远无法理解，为什么自己负责的数据中台项目会失败。
PS：
懂业务又懂数据开发流程和系统的综合性人才非常稀缺。
AI 大模型出现以后，很多的数据开发和分析师职业发展受到了极大的挑战，其实，可以深耕某一个行业，往这个方向发展。
AI 短时内依然只能替代一些重复、机械性的工作，写 SQL 这项技能越来越不重要，未来肯定会被更强的大模型给取代，但是，对于业务的理解和内部的协同和沟通这件事情 AI 永远无法做到，至少我们这一代是看不到了。
动起来，不要只做 SQL BOY(表哥/表姐)。
（正文完）
今天的分享就到这里，希望对你能有多帮助和启发。
我是云祁，Focus on BigData，聚焦在「数据知识体系」「思维进化」这两块， 感兴趣的小伙伴，可以点击关注。
数据体系构建
数仓实践：总线矩阵架构设计
数仓解惑：什么是 OneData 体系？
数仓实践：建模方法论综述
数仓实践：浅谈 Kimball 维度建模
数仓实践：OLAP数仓总结
数据思考：数据驱动业务的四个层次
数据仓库：关于事实表的设计与实践
数仓实践：关于维度表的设计与实践
数仓实践：浅谈维度建模优劣分析
数仓实践：数据仓库建设公共规范指南
深入解读：数据团队工作全貌
数仓实践：维度建模标准规范定义
数仓实践：一文读懂数仓 ODS 层模型设计
更多精彩