这11个灵魂问答，解决你80%的数据中台困境

本文从数据中台认知篇、建设篇、实战篇三个维度总结了受众最关注的11个问题并一一作答（文中附精彩视频）。

数据中台认知篇

1、数据中台的定义及价值是什么？

广义的数据中台应该集公司的战略决心、组织架构、技术架构于一体，以业务价值为导向，用技术拓展商业边界。要上数据中台一定是一把手工程，一定要有战略决心。其次才是组织要进行变革，例如你的部门有没有配备数据开发工程师、算法工程师、CDO（首席数据官）。最后才是技术架构，技术一定要通过商业变现，不能降本增效的技术都是没有意义的。如果把数据中台比为土地，我们更喜欢在土地上为客户种出更多的苹果树，并且能够产生持续的价值，这才是我们想给客户提供的。

2、数据中台演进的四个阶段？

阿里所经历的四个发展阶段：最初的数据库阶段，主要是提升连接买家卖家的效率；然后慢慢进入数据仓库阶段，我想要用我的数据来帮我进行事后的差距分析和追溯分析；慢慢进入数据平台阶段，我们不仅要看见这些数据，我还想海量的数据来帮我做分析，这里面所要解决的是一些技术问题，也就是我们所谓的去IOE， 到最终，我的分析结果能否直接变成一些运营动作，这个需要系统、智能算法来进行强烈对接，这是数据中台阶段。

很多人会把数据中台当成放大的数据仓库和数据平台。这是有理解的偏差的，举个例子来说，我们可以把数据仓库和数据平台当成我们城市中的建筑，但是城市一定不是建筑的放大，城市本身需要形成社区，他需要形成有效的城市规划，他能把这些建筑安排到合适的位置，并且让建筑和建筑之间发生充分的关联，我们才称之为一个有效的城市，数据中台和数据仓库、数据平台的关系也是如此。

3、中台战略下，企业组织该如何构建？

效果第一、效率第二、可持续性第三。什么叫效果？现在我们践行中台战略，他是业务价值驱动的，你的组织和技术架构都是在解决业务里面的问题，中台是要强化业务竞争力的。

组织想要变化，首先第一件事情是要落实卡位点，让这个组织能够生长起来，有了效果之后，第二件事情就是效率，规模化地支持数据化的运营，这个时候我们就需要AI驱动的数据中台，AI是推动有效果的场景批量化的复制。

如果我们规模化地做了这件事情，那谁在驱动组织变革，究竟是业务部门还是IT部门，我把他分类A模式、K模式、混合模式。A模式是阿里巴巴，阿里巴巴是先建业务中台，再开始建开放平台，然后搭数据平台部，后面才开始建公共数据层。K模式是科大讯飞，他们是先做数据中台，再做业务中台。我的看法是，只要是有了show case，就不拘泥形式，但是我目前推荐大家的还是选择混合模式，把业务中台和数据中台都立项，可持续性会得到保障。

数据中台建设篇

4、如何保证数据中台成功落地？

从两个角度看，一个是驱动力，另外一个是实施保证，驱动力是数据中台成功落地很大的因素，因为数据中台很难在短期内有一定的成效，最好方式就是成为一个CEO项目，让老板能够全力长期支持。另外一个驱动力就是你有一个非常强的业务痛点，比如说数据孤岛的问题，报表产出很慢的问题，包括一些智能决策的问题，业务部门有一个强有力驱动的话，可以把这个数据中台成功落地。

实施保证这块我认为，正确的人，正确的工具，正确的事，最后给企业降本增效，所以说要求主导或者提出数据中台项目的人他是有方法论+实施经验的，第二块大家在面临选择数据产品的时候也会遇到各种各样的挑战，如何去选适合自己企业的数据产品，也是一个很重要的事，那为什么说做正确的事，我们一定要定位好数据中台是解决什么问题的，数据中台最后一定还是要解决企业痛点，给企业带来降本或者增效。

5、企业数据化实践的三种路径？

目前在数据化的实践路径上有三种主要思路：第一种思路我们叫业务先行、小步快跑的思路。从业务中抽取某些项目先做起来，不断地去产出业务想要的成果，一边跑一边去调整整体规划；

第二种我们称之为技术先行、大步前行的道路，就是有很多企业已经充分认识到了数据的作用，并且了解到了数据中台是这里面最重要的基础设施，那么，他就先上一个数据中台，然后我再回头去看能帮我的业务解决什么样的问题。但是我们也看到有两家公司是组织先行的，一家是阿里，一家是华为，因为他的平台丰富了以后他有足够的数据帮助他去做相应的决策，可以快速地支撑公司去进行掉头的动作，这是非常可怕的，盘大，他的掉头比你还快，比你还猛，而且卡点比你还准，投入比你大，这是很多公司想学但是学不会的。

6、如何释放数据价值的三个关键点？

数据价值的三个关键点：第一步是数据资产，第二步是做一个数据分析，第三步是我们要做行业知识。

数据资产是数据价值的基础，是我们整个数据盘点、数据治理的过程，那我们通过盘理管用方法论，把数据梳理出来后，形成数据资产。进一步我们通过数据分析的方法论，通过算法，分析数据潜在的价值。同时我们还会引入一些行业知识、行业经验，来构建一些行业特有的经验模型，实现数据价值的最大化。如果说没有这些行业模型的话，我们在做数据应用的时候，会偏离行业的真实需求，做出来的一些所谓应用模型很难发挥真正的价值，只能是一些我们跑出来的业务逻辑，所以说我们认为数据价值的三个关键点，除了数据资产和数据分析，还要加上行业知识。

7、数据资产管理的「五步骤」怎么走？

我们怎么管理数据资产，有五个步骤。第一步是业务数据化，围绕人货场构建能够落数据的业务系统，第二步一定要把它打通，实体归一化，打通才能真正发挥数据最大的价值，第三步是数据资产化，资产化之后一定是降低成本的，这个是时候才说我们拥有数据的主权，才去谈数据的创新、 数据的应用。数据服务化是第四步，意味着我们的数据能够开放给各个的应用去调用、各个应用去创新，对业务来说，它应该是透明化，让你更聚焦到你的创新业务里面去，最后一步是数据业务化，数据业务化才是数据资产最核心、最终极的目标，数据一定要被用起来。只有做到这五个步骤，我们整个数据中台的数据资产才可以真正的变成利润中心，而不是成本中心。

8、算法在企业中的四个核心应用是什么？

在「存」和「通」的两个阶段里，算法的两个应用价值：第一个：数字化。通过机器视觉把收集的数据先采集下来，变得能够存到数据库里。第二个：标签化。举个例子，在天猫及各大电商网站里面，大家都在做千人千面，首先要把每个商品、每个用户做大量的标签画像。接下来根据标签画像通过算法完成推荐。

在「用」的阶段，算法的用途有两个，第一个：预测，第二个：决策。决策和预测之间有什么区别？预测更倾向于预测行为的可能性。决策是帮你完成一件事，帮你去Action。例如一个鞋服的客户，有1000个sku，3000家门店。第一个问题是每家店到底卖什么？第二个问题是调补货怎么调？这时候就需要算法完成调补货的问题。

数据中台实战篇

9、数据中台如何赋能全域消费者运营？

奇点云其实有以数据中台为核心的完整的技术架构图，我们会帮助客户去沉淀一方的数据，例如ERP、电商、CRM等等。但是一方的数据对于我们消费者运营来讲往往是不够的，我们首先要做的一件事情是升维， 不光是要去完善数据源，更重要的是去完善数据的维度。综合这些商品的维度，包括导购的维度，门店的维度等等，都要升维以后和消费者的一方数据进行结合，全部进入数据中台。

那么在数据中台里面主要做的事情就是沉淀数据资产，通过数据清洗、数据治理、One ID、One Model、One Service来实现整体的数据加工、沉淀及服务， 透出的指标数据、标签数据、 算法服务。核心是企业在经营、营销、 运营中赋能，降低运营成本，提升服务能力，这就是奇点云消费者运营技术的整体架构。

10、数据智能如何助力企业智能人效？

奇点云开发了一款智能人效的产品，主要特点有两个：第一个是业务价值高，只需要使用智能人效产品后， 就可计算出所有门店的业绩波动， 以及帮每位导购做好人员画像， 结合预测算法给出综合评估。首先会给出这家门店每个月、每个季度需要的人力编制，为每位员工、每家店进行排班；

第二个是实施成本低、见效快，举个例子，有一家公司在全国有2000家门店，从2家门店到20家门店用了一周时间，从20家到200家用了两周时间，从200家到2000家，用了三到四周，总共用了两个多月的时间， 完成2000多家门店的推广，并且拿到成效。

11、AIoT如何赋能线下零售？

从三个方面阐述，第一个：AIoT可以给线下零售带来更全面和更精细的数据采集能力；第二点：AIoT可以给线下零售提供更强大的数据智能洞察能力；第三点：AIoT能提供更好的人机交互能力。

在此三个重要能力背后的支撑手就是数据能力，如果我们只是有AIoT的硬件和AI的能力，而没有背后的数据能力支撑，AIoT技术本身是没有办法很好落地的。所以AIoT和数据能力是高度耦合的，在AIoT上采集的大量的结构化及非结构化的数据和其他渠道数据需要在数据中台进行融合。这也是为什么奇点云一直倡导AI驱动的数据中台的原因， 我们认为在未来AIoT的技术会给整个数据行业带来非常大的挑战和能力的提升，数据中台就是要承载这个技术能力的平台。

(欢迎大家加入数据工匠知识星球获取更多资讯。)

联系我们

扫描二维码关注我们

微信：DaasCai

邮箱：[e-mail]

QQ：2286075659

热门文章

中台建设方法论：1种策略、2项保障、3条目标、4套体系、5个步骤

没有中台的命，却得了中台的病

我们的使命：发展数据治理行业、普及数据治理知识、改变企业数据管理现状、提高企业数据质量、推动企业走进大数据时代。

我们的愿景：打造数据治理专家、数据治理平台、数据治理生态圈。

我们的价值观：凝聚行业力量、打造数据治理全链条平台、改变数据治理生态圈。

了解更多精彩内容

长按，识别二维码，关注我们吧！

数据工匠俱乐部

微信号：zgsjgjjlb

专注数据治理，推动大数据发展。