数据中台的业务和组织进化路径

近日，伴随着“阿里拆中台”的话题，又一波关于中台的争论发酵。

恰逢第二届全国中台战略大会在南京举办，一群实际的数据中台和业务中台操盘手们，在本次大会上华山论剑，好不热闹。

奇点云副总裁何夕连续两届受邀出席，带来主题演讲《进击的数据中台：敏捷的业务提升和组织变革》，分享了奇点云在过去几年数据中台实践中，对于概念和实践的经验和理解。

在奇点云看来，数据中台首先作为业务概念，其次才是技术概念，必须要从业务“以通带用，以用带通”和组织“保障、激励”的角度来综合建立数据战略，才能有效爬上中台的山峰。

奇点云副总裁 何夕
（下文根据何夕的分享摘选整理）

“数据中台”不是生造出来的。

在讨论“数据中台”是什么、能做什么、是要拆了还是要建之前，不如让我们先回归“数据”这个问题本身。

2015年，人类的数据量迎来了关键转折——这一年产生的数据量是人类过去历史上所产生数据量的总和，并从此进入了指数级增长阶段。

在越来越多企业意识到数据重要性的同时，也发现没有在数据增长中获得收益的能力，数据产生的价值甚至不能覆盖数据上的支出。也就是说，“数收比”极低，无法解决“日益增长的数据存储费用和仍然稀缺的数据应用之间的矛盾”。

一阿里巴巴如何跨越数据指数级增长奇点

阿里巴巴如何解决这个矛盾？回顾阿里跨越数据指数级增长奇点的历程，大致分为如下阶段：

2009-2012，“看见”

自成立以来，阿里就收集了大量的数据，其中90%是非结构化的日志数据（例如淘宝）。而当有了这些数据后，所有人都想看见数据背后的真相：买家从哪里来，他们买了什么，为什么而购买，卖家是谁，转化率如何？……与此同时，和现在大多数管理者面临的困惑相类似的，传说当时马老师的桌面上最多能有6份不同的GMV数据，“我该信哪一份数据？”当时，阿里也像现在许多企业一样，面临着数据不统一不准确、数收比极低的矛盾。

2007年阿里“宁波会议”确定了一件事：阿里巴巴要成为一家数据公司。在这个目标基础上，传说王坚博士给马老师算了一笔账，如果遵循原来的方式，10年后数据的存储费用将10倍甚至百倍于其收入，届时阿里将破产。于是在2009年，阿里云成立，并坚定了“不去IOE会死”。

和去IOE同步发生的，是阿里加大了对BI（商业智能）的投入，来应对看见准确数据、通过数据了解过去的需求。当时，“看见”数据背后的真相，是这个阶段阿里存储和计算资源消耗的主力。

2012-2015，“使用”

2012年，数据平台部成立。在这里，诞生了一系列数据分析和挖掘工具，包括“在云端”、“数据魔方”、“淘宝时光机”、“TCIF”等。其中TCIF（淘宝消费者信息工厂），就是由奇点云创始人行在创立，TCIF拉通了阿里巴巴所有的消费者数据，完成了3000+标签体系的建设。这些标签现在依旧被广泛使用（例如在阿里妈妈精准营销场景的达摩盘中）。

在TCIF的基础上，淘宝可以根据用户过去的行为、用户的标签预测用户未来的行为，有的放矢。在这个阶段，阿里从“看见”转为“使用”，开始用数据预测未来，更好地帮助业务回答：为什么发生？未来将发生什么？

2012年的标志性事件，就是TCIF的存储和计算资源消耗超过了BI，以TCIF为代表的人群定向成为了计算资源的消耗大户。而另一个标志性的指标是，阿里有50%的服务器不再处理任何事务，而仅仅用于处理数据。

2015-2019，“赋能”

2015年有2个标志性事件：其一，阿里云数加平台成立（行在创立），代表阿里巴巴开始把内部形成的大数据能力外化，将阿里的大数据能力赋能社会；其二，推荐算法一跃成为存储和计算资源的头号消耗大户。

当TCIF被用得不能再熟练时，运营小二们也提出了一个需求：能不能由机器来完成这些高频重复、有规律的动作？千人千面的推荐算法应运而生。

在某种程度上，推荐算法的全面应用让阿里巴巴跨越了“从人指挥机器到机器指挥人的奇点”。2019年，阿里约有75%以上的GMV都是由机器来运营的，流量由机器来精准分配。比如我们在双十一看到淘宝界面的“千人千面”、会场的布置和商品的流量分配，甚至包括文案和设计的制作与测试等大量工作，都是由机器完成的，人在其中只进行一些调参性的工作。

当业内外关于“阿里拆中台？”的争议再起，我们回顾阿里的数据智能发展路径，它真实地展现了这些阶段是应数据问题和业务需求而生的。它可能被压缩，但很难被跳过。

二数据中台是智能时代的必然和必需

中台不是阿里个例，也并非大厂独有。我们认为，中台是智能时代的产物。

把视野放得更远一些，从计划执行分离的机械时代，到专业分工鲜明、前后台分离的电气时代，再到PC大规模应用、ERP诞生的信息时代，模块化、流程化在企业运营管理中发挥着重要作用，企业通过不断明晰模块、不断优化流程来提升运营管理效率。以戴尔为例，它是程序化流程管理的先驱，在戴尔不存在“也许”、“可能”这一类的模糊不确定性用词，每一步都明确地以“是/否”来执行。

而来到智能时代，我们会发现有大量的无法模块化的、碎片化的不确定性。前台（如消费端）是碎片化的，后台（如供应端）也是碎片化的。企业面临碎片化的供应端与碎片化的消费端大规模精细化匹配的问题，而这不是原有的模块化流程能解决的。碎片化之间的匹配已超出了人脑能负荷运算的维度，必须借助机器（算力）来解决。

因此在智能时代，“数据+算力+算法”替代了信息时代的“人+系统+流程”，数据是新的生产资料，算力成为了新的生产力，算法则是新的生产关系。而过去“人+系统+流程”的数字化转型，也演变成为今天“数据+算力+算法”的新数字化转型，从单纯依赖专家经验，走向了脑力算力结合。

在这里我们主要探讨的是数据中台，但与事务处理方式变化相对应的是，也可以发现在组织上、业务上都出现了对中台其能力和效果的需要。

以业务运营为例：

谈到业务运营，一般有四种职能，包括面向用户的用户运营、面向商家的商家运营、让产品更好用的产品运营及让产品被用得更多的业务运营。

起初，淘宝的业务运营只集中在上图这条竖线中，重视流程的优化和规则的建立。它的两条主线分别是负责用户增长和GMV的toC线，以及负责商家服务和召集的toB线。

而在流程优化的过程中，也渐渐积累了大量的数据，当把数据用起来，从流程优化转向数据赋能，最重要的运营就变成了业务运营和产品运营。在“数据+算力+算法”的驱动下，阿里内部通过网状协同，拉通各个职能模块不断优化业务运营模式、沉淀运营方法论并进而代码化，建立了全新的数据赋能模式。在这个过程中，借助中台的能力，阿里实现了业务模式的不断复用和高效的业务增长。

与业务升级相匹配，组织也需要从流程驱动转向数据驱动。

过去，（泛零售业的）组织构建往往以货为中心构建模块化的流程，从研发设计到制造，再到销售流通，在这个过程中更多依赖于专家的脑力和体力和固化的流程。

而当我们进入智能时代，面对业务以消费者为中心的转变、大量信息碎片化的匹配，组织也需要转向“以人为中心”，分销结构、仓储物流等都需要根据消费者来布局，消费者走到哪儿，企业的销售网络就需要布到哪儿。在这个过程中，从组织层面也会发现，数据架构师、数据分析师在发挥更重要的作用——通过数据辅助决策，从被动的需求接收人转为主动的业务助推器。

从人消费数据到机器消费数据，从流程驱动到数据驱动，都对数据本身提出了更高的要求。这也是数据中台诞生的重要原因之一：

我们首先需要解决流程驱动的客户需求，通过“中间的平台”解决能力复用的问题。但是企业要想进入数据驱动，就必须要用“中立的平台”解决数据可信的问题。

中台的“中”不仅是中间的平台，也是中立的中。

借助数据中台，我们实现了数据的清洗和统一，确保不同部门看到的数据是一致、可信、可用的，并在数据中台之上搭建数据智能应用，为不同的业务场景赋能。

三“业务+技术+组织”的数智化转型战略

回到今天最火热的问题，“阿里都‘拆中台’了，我还要不要建中台？”

在数据战略是企业发展所必须的基础上，与其讨论企业要不要建数据中台，不如先盘一遍企业的目标和需求。因为数据中台本质上要解的是业务问题。

数据战略也不仅仅是技术问题，更是业务和组织的问题。

首先确认业务目标、战略目标，再梳理数据的匹配问题，按业务需求针对性地采集数据、治理数据——数据不是应收尽收，如果先对数据统一大采集，再统一治理，这其实非常浪费资源，因为它输出的结果不能对业务方、对企业的经营管理产生任何直接的、积极的价值。在这个过程中，也需要组织提供支持，例如对业务方的激励政策和对技术架构的保障。

奇点云把数据和算法视为整体，来帮助企业构建数字化未来。其中，数据中台为企业提供数据的基础设施，高效、安全、方便地管理企业数据资产；AI则为企业提供算法，用算法代替经验公式，不断沉淀经验优势，乃至夯实竞争壁垒。

在为500+企业客户服务的过程中，奇点云沉淀出了完整的数智化转型实践路径方法论：

在数智化转型实践中，我们认为最小的数据化单元需要2位专家，一位数据专家带头承担基础设施和通用能力的建设，一位业务专家带头完成数据化决策场景的建设和缺失数据的补充，并由组织支撑完成数据管理组织和流程的建设。

在数智化转型实践中，企业依托数据中台，来建设数据资产管理体系。通过创建、运用、整合三个步骤，把数据“盘、理、管、用”起来：

• 创建：创建全局数据基础设施，明确数据化策略和路径，通过明星业务场景“以用带通”开展指标体系和标签体系建设；

• 运用：运用全局数据能力，看三年规划，做一年实践，持续开展数据管理体系建设，不断推进数据通用能力的提升；

• 整合：在最佳实践基础上，建立完善的基础设施能力和数据管理体系，整合公司内大大小小的数据源实现数据智能。

在数智化转型实践中，企业可以通过发掘最佳实践，先开展试点、明确数字化运营方向，再进行复制、推广：

• 试点：发掘有杠杆效应的明星业务场景开展试点，找到最佳实践

• 复制：把用好数据的业务模式不断地在企业内部复制，查看最佳实践的可复用性

• 推广：把验证了复用能力的最佳实践，在企业内部全面推广

(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：SZH9543邮箱：[e-mail]：2286075659

热门文章

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。