数据中台与业务中台是什么关系，会冲突吗？
数据中台就是D-PAAS，关注点在数据，要求实时性更强；业务中台就是B-PAAS，关注点在流程，要求更加安全和稳定；未来数据中台+业务中台会生产所有前台业务系统，所谓业务中台定义世界，数据中台驱动未来。为了让您对数据中台有更全面的理解，可以看下如下的内容：
一、数据中台产生的历史背景
数据从软件诞生的那一天开始就存在，但是，数据并不是第一天就被存储和利用的。在信息化时代，企业早期通过流程来进行生产和管理，流程是预先设计好的，然后在设计好的流程中产生了数据。比如现在销售部门依赖于CRM（客户关系管理平台），售后部门主要看客服系统，市场营销部门关心微信平台，数据分析团队使用各类数据分析工具…在这个过程中，各个企业分别都在用不同的方式来尽可能的利用数据产生的价值。
但是随着企业为了适应需求端（市场和消费者）的变化，早期工具各自产生新的、孤立的、片面的客户数据，却无法快速同步，甚至团队之间还怀疑对方数据是否正确。因此，企业急需调整和改革供应端（生产制造和供应链），也就是需要一个统一真实的数据源来描述客户，而不是任由客户的不同维度数据由不同部门各自存储，于是在这样的场景下数据中台应运而生。数据中台跟之前大数据平台最大的区别，在于数据中台距离业务更近，能更快速地响应业务和应用开发的需求，可追溯，更精准。
数据中台的概念是最早由阿里巴巴首次提出，是为了应对像双十一这样的业务高峰、应对大规模数据的线性可扩展问题、应对复杂业务系统的解耦问题，而在技术、组织架构等方面采取的一些变革，其本质上还是一个平台，阿里称之为“共享服务平台（Shared Platform as Service，SPAS）”。SPAS采用的是基于面向服务的架构SOA理念的 “去中心化”的服务架构，所有的服务都是以“点对点”的方式进行交互。阿里之所以选择“去中心化”的分布式服务架构，主要是考虑到扩展性。
二、数据中台对企业有什么价值
数据中台对一个企业，起着至关重要的作用，可以让数据在数据平台和业务系统之间形成了一个良性的闭环。为什么这么说呢，不得不提到两个概念“前台”和“后台”。
前台是由各个应用组成的前端系统平台。前端系统直接触达用户，通过前台，企业与最终用户直接进行信息交互。例如，企业搭建的电子商务网站、门户网站、手机APP、微信公众号等都属于前台。后台是由各个业务管理系统组成的后端平台。每个后台业务系统管理了企业的一块业务，例如，财务系统、产品系统、客户管理系统、仓库物流管理系统等。基础设施、存储和计算平台作为企业的核心计算资源，也属于后台的一部分。
因为企业后台往往并不能很好的支撑前台快速创新响应用户的需求，后台更多解决的是企业管理效率的问题，而中台要解决的才是前台的创新问题。此时的前台和后台就像是两个不同转速的齿轮，前台由于要快速响应前端用户的需求，讲究的是快速创新迭代，所以要求转速越快越好；但后台由于面对的是相对稳定的后端资源，而且往系统陈旧复杂，甚至还受到法律法规审计等相关合规约束，所以往往是稳定至上，越稳定越好，转速也自然是越慢越好。
所以，随着企业务的不断发展，这种“前台+后台”的双轮速率“匹配失衡”的问题就逐步显现出来。随着企业业务的发展壮大，因为后台修改的成本和风险较大，所以驱使我们会尽量选择保持后台系统的稳定性，但还要响应用户持续不断的需求，自然就会将大量的业务逻辑（业务能力）直接塞到了前台系统中，引入重复的同时还会致使前台系统不断膨胀，变得臃肿，形成了一个个滚泥球的“烟囱式单体应用”。渐渐拖垮了前台系统的“客户响应力”，用户满意度降低，企业竞争力也随之不断下降。
而中台链接了前台用户与后台核心资源，既可以将早已臃肿不堪的前台系统中的稳定通用业务能力“沉降”到中台层，为前台减肥，实施“大中台，小前台”战略，恢复前台的响应力。前台可以快速生成各种微应用；又可以将后台系统中需要频繁变化或是需要被前台直接使用的业务能力“提取”到中台层，赋予这些业务能力更强的灵活度和更低的变更成本，从而为前台提供更强大的“能力炮火”⽀援。
中台就像是在前台与后台之间添加的一组“变速齿轮”，将前台与后台的速率进行匹配，是前台与后台的桥梁。它为前台而生，易于前台使用，将后台资源顺滑流向用户，响应用户。
三、到底什么是数据中台
数据中台是指通过数据技术，对海量数据进行采集、计算、存储、加工，同时统一标准和口径。数据中台把数据统一之后，会形成标准数据，再进行存储，形成大数据资产层，进而为客户提供高效服务。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，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。
数据中台主要提供三类服务：依赖接口的服务、依赖工具的服务和依赖数据的服务（包括垂直数据中心、公共数据中心和萃取数据中心）。
在这三种服务中，重点关注的是依赖于数据的服务，数据中台具有大数据分析能力，并将该能力通过接口服务等方式对外提供。这一点是数据中台与数据仓库的最大区别，数据仓库对外直接提供规整的数据分析能力，一般由BI工具或者大数据挖掘工具负责，而数据中台直接将数据封装成服务，以API等方式对外输出。数据中台原则上只提供通用的服务接口，个性化在业务层实现，简化上层业务使用，提升对业务需求的响应效率。
“数据中台”不是既有的专业术语，而是企业在持续思索“如何让数据产生更多价值”的过程中，演变成型的一种管理理念。数据中台并不是一个模板，不同的企业、不同的业务所需要的数据中台并不相同，技术部门需要和业务部门协调，从企业的业务需求出发构建与企业相匹配的一套数据应用的流程机制。同时企业也需要有前瞻性，考虑到业务未来的发展和丰富性，传统系统发展到数据中台时需要考虑到扩展性，灵活性。
四、与数据库、数据湖和BI的区别
1.数据中台和BI
BI更多的是做了用数据展示工作，详细内容请参考《一文讲透商业智能BI到底是什么 | 推荐收藏》，是在一种滞后的业务数据分析，而用数据管理工作，用数据推动工作（用人为的方式推动）做的很少，所以BI偏重分析；数据中台则提出了数据渗透到整个业务的闭环中，用系统的方式推动工作，所以更实用和全面，并实时渗透到业务的全过程。
2.数据中台与数据仓库
数据中台最核心的是OneData体系。这个体系实质上是一个数据管理体系，包括全局数据仓库规划、数据规范定义、数据建模研发、数据连接萃取、数据运维监控、数据资产管理工具等。数据仓库是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合，出于分析性报告和决策支持目的而创建。
数据中台是一个数据集成平台，它不仅仅是为数据分析挖掘而建，它更重要的功能是作为各个业务的数据源，为业务系统提供数据和计算服务。数据中台的本质就是“数据仓库+数据服务中间件”。中台构建这种服务时是考虑到可复用性的，每个服务就像一块积木，可以随意组合，非常灵活，有些个性化的需求在前台解决，这样就避免了重复建设，既省时、省力，又省钱。
3.数据中台与数据湖
数据的聚集、加工的目的也是为了数据的服务，但是数据湖泊只是解决了聚集问题，详细内容请参考《什么是数据湖？有什么用？终于有人讲明白了》，在数据加工方面由于不可控制的需求变得异常繁重，由于数据的繁杂和混乱引入数据治理让数据的加工更是举步维艰。
数据仓库、数据湖泊、BI主要是是围绕“读”数据展开的，强调利用数据的能力，而不修改数据，而数据中台则不单提供数据，同时强调围绕数据的各种形式的服务，一旦涉及数据的“写”，又想提供通用的服务，就变成了主数据管理了。但是站在灵活性上来说，数据中台，主要解决的还是数据“读”的能力的聚集和向多方赋能。
五、企业搭建数据中台需要注意什么
对于很多准备或者正在规划商业智能BI项目的企业来说，业务分析需求的梳理是整个项目开始的第一步，往往也是最困难的，主要表现如下：业务部门往往提不出比较具体的分析需求，而IT部门很难深入到业务，也提不出适合业务部门的分析需求。BI项目需求分析涉及到很多部门，有的时候内部资源的沟通、协调都是很困难的...
搭建数据中台需要围绕“规划、治理、整合、共享”四步，将企业海量、多维的数据资产盘点、整合、分析、确保整个公司数据一致性和可复用性，为前台提供数据资产、数据定制创新、数据监测与数据分析等服务，最终实现数据资产的价值最大化。在这里需要注意：
（1）需要一把手重视，认识数据中台价值，他们的业务模式数据是重要的支撑，是重要的推动力，而且从心底认知到技术不仅仅是服务业务，更是可以引领业务。从思想上也要认识到，基于客户在不断变化，个性化、社交化和高品质需求，企业需要所提供的体验也必须实时在线，不断改进；
（2）需要数据生态建设思维。数据生态体系的构建能够为企业的管理、人才、销售与伙伴，提供更好的竞争环境和，资源配置效率，实现可持续发展的战略转折。并通过开放式数据生态合作，创新连通上下游产业链，保持存量市场，扩大增量市场；
（3）需要建立数据湖的概念，推动数据的3融合，5跨越的建设（技术融合、业务融合、数据融合，实现跨层级、跨地域、跨系统、跨部门、跨业务的协同管理和服务）。
在具体建设策略方面，企业应基于自身的业务战略，选择明确数据资产对象，由业务或应用（需求）驱动。数据中台需要汇聚企业的内部数据、公开数据、线上数据和线下数据，比如内部数据包含企业的各业务系统中实时产⽣的数据，如CRM、ERP等系统，记录企业⽇常 ⾏为数据；公开数据主要是通过爬⾍等⽅式抓取的数据，如电商⽹站商品、社交⽹站的⽤户评论等。 线上数据指通过SDK等⽅式获取的数据，主要是移动设备上的⽤户⾏为数据、LBS位置数 据等；线下数据指⼀类是通过WIFI、蓝⽛探针获取的数据，另⼀类是公安、运营商、银联等⾼价 值数据。
六、企业如何使用数据中台
1.需要一份好用的企业数据资产目录
数据中台来源数据多样、多源、多域，通过数据的清洗、分类整合拉通、维度汇总等，数据使用者想要了解数据的前世今生难度很大，需要有一份清晰的数据资产目录，并能通过智能的搜索、推荐等方式满足数据使用者快速找到合适的数据。
2.了解企业数据资产更多的关联性
企业数据资产除了常用的各层模型数据，还有很多指标、报表、文档、脚本等，都是数据资产的重要组成部分，如何便捷地把需求、数据等多种形态的数据资产拉通理解，对企业组织流程提出了更高要求。
3.在相同认知下进行交流和知识共享
数据中台的数据整合、数据服务封装等，打破了企业部门壁垒，形成了很多跨业务条线的数据服务、组件，数据使用者可使用数据的范围较以往有极大扩展，如何让数据使用者快速对新业务、新数据进行学习和积累，需要给数据使用者提供一种统一的界面对数据理解、数据使用方式等进行密切交流，及时互动。
4.需要一种新的合作方式来加快创新活动
为实现企业快速业务响应能力和规模化创新能力，数据使用者除了对跨业务条线数据、业务的学习和积累，还需要跨出部门界限，强强联合。特别是当前金融科技创新、跨界竞争压力不断增强的情况下，企业急需借助数据和分析的力量，创造一种与数据资产、用数环境密切关联的创新流程，形成灵活试错、快速验证、敏捷开发的合作模式，以加快企业数据资产的变现能力。
数据中台的建设是一个长期的过程，需要全企业组织、工作流程的密切配合与支持。数据中台的价值体现，更加需要企业为数据使用者创造一种基于数据的协同工作模式，提高企业用数效率，为业务前台快速提供有效的数据支撑和分析支撑，实现企业的用户增长和业绩增长。
七、小结
1.数据中台是为解决“创新驱动快速变化”的前台和“稳定可靠驱动变化周期相对较慢”的后台之间的⽭盾而存在的；
2.数据中台是一种支持以用户为中心的持续规模化的创新，并想方设法持续提高企业对于⽤户的响应⼒；
3.数据中台是企业业务能力模式从当前状态逐步进化的一种企业架构方法论，它更重要的支撑是以共享为目标的“业务流程再造”和“业务组织重构”的过程。
关于 DataHunter
DataHunter 是一家专业的数据分析和商业智能服务提供商，注册于2014年。团队核心成员来自 IBM、Oracle、SAP 等知名公司，深耕大数据分析领域，具有十余年丰富的企业服务经验。
DataHunter 旗下核心产品智能数据分析平台 Data Analytics、数据大屏设计配置工具 Data MAX已在业内形成自己的独特优势，并在各行业积累了众多标杆客户和成功案例。
成立以来，DataHunter就致力于为客户提供实时、高效、智能的数据分析展示解决方案，帮助企业查看分析数据并改进业务，成为最值得信赖的数据业务公司。
欢迎关注公众号：数猎天下DataHunter
－数据分析展示就用 DataHunter－