2.2 建设数据中台的价值

在数据价值探索过程中，我们经常会发现以下两种场景。

（1）大型企业有很多事业部。每个事业部都有自己的数据部门。每个数据部门一般都会启动很多数据项目，会收集很多数据，但各个数据部门往往各干各的，很少有交集，导致出现“数据孤岛”和数据不一致。

（2）在一个集团企业中，很多子企业沉淀了自己的数据，形成了自身的数据应用体系，但是从集团角度来看，各个子企业之间各自为政，缺乏标准、沟通和交流，导致数据的价值未被充分挖掘和实现。

这两种情况对数据价值的挖掘和实现都会带来负向影响，具体如下。

（1）企业产生了很多数据，但是各个部门的数据标准和口径差异较大。站在企业的角度，数据整合和管理的难度很大，数据价值很难实现。

（2）“数据孤岛”现象严重，很多数据未有效打通和拉齐，降低了数据应用的精准度，数据价值大大缩水。

（3）数据体系重复建设，造成资源极大浪费。

（4）由于缺乏公共的数据服务，导致数据应用效率不高，难以高效地响应业务和客户需求的变化。

随着各行各业对“数据即资产”的认知达成共识，对数据中台的需求越来越迫切。总之，数据中台是有效地解决上述问题的良药，为企业级的数据价值实现提供一整套的方法论，可以实现统一的数据标准，推动数据资产服务化，实现数据的高复用性和高价值。数据中台的价值主要体现如下。

（1）统一的数据发展战略和清晰的数据资产规划，让数据体系化建设从诞生之初就取得全局性的战略指导和自上而下的资源支持，其后面的项目落地会事半功倍。

（2）统一数据标准，其价值类似于秦始皇实施的“书同文、车同轨，统一度量衡”的伟大举措。统一元数据的标准和数据口径，让企业内部拉齐对数据指标的认知，消除歧义。这有助于实现数据资产的流水线生产和规模化复制。

（3）统一数据模型，实现数据资产化。基于对业务的理解和抽象，制定数据分层机制，打造统一的数据仓库、数据集市模型和数据分析模型，可以促进原始数据向数据资产转变。

（4）打造系列数据工具集合，提高数据应用效率。比如，数据ETL（Extract-Transform-Load，抽取-转换-装载）、元数据管理、数据建模、数据分析平台、数据开发流程工具、项目管理工具、机器学习平台等。

（5）抽象公共数据服务，打造数据即服务（Data as a Services，DaaS）公共平台，实现数据价值的流程化、服务化和自动化。这有助于实现数据资产的复用，且快速、高效地响应前台业务的需求变化。