2.3　數據中臺的行業應用場景

接下來，我們來看一些數據中臺的行業應用場景。雖然數據中臺的理念和核心技術是通用的，但是其價值主要體現在具體行業業務的提升上，因此其應用場景與行業是緊密相關的。以數據中臺在各個行業的應用場景和案例來闡述數據中臺的適用場景，能夠更好地回答“數據中臺究竟能給我們帶來什么價值”這個問題。

2.3.1　互聯網行業

說到數據中臺，首先想到的當然是互聯網行業。過去幾年中，憑借著移動互聯網的紅利，以阿里巴巴、騰訊為代表的互聯網企業飛速發展，業務規模直線攀升，隨之而來的是公司內部大量的重復建設和資源浪費。阿里巴巴先后上線了1688、淘寶、天貓、聚劃算、閑魚等業務，這些業務雖然針對的是不同的細分領域，但用到的訂單、商品、庫存、價格、倉儲、物流等系統功能高度相似，如果每上一個新業務都要將這些系統功能全部重新開發一遍，無疑是很大的資源浪費。在這個大背景下，阿里巴巴內部不斷提升共享服務部的職權，對各個業務部門重復使用、反復建設的系統功能進行統一規劃和管理，從而拉開了阿里巴巴大刀闊斧改革的序幕。

阿里巴巴數據中臺是從后臺及業務中臺將數據流入，完成海量數據的存儲、計算、產品化包裝的過程。在這個過程中，阿里巴巴逐漸形成了自己的核心數據能力，為前臺基于數據的定制化創新和業務中臺基于數據反饋的持續演進提供了強大支撐，這可以說是數據中臺的核心價值之一。簡單來說，數據中臺就是對內提供數據基礎建設和統一的數據服務，對外提供服務商家的數據產品。阿里巴巴數據中臺的核心是OneData，OneData體系建立的集團數據公共層從設計、開發、部署和使用上保障了數據口徑的規范和統一，實現了數據資產全鏈路的管理，提供了標準數據輸出。統一數據標準是一項非常復雜的工作，因為同一個數據指標的定義眾多。例如，對于UV這個數據指標，統一標準之前阿里巴巴內部竟然有十多種數據定義。據介紹，OneData數據公共層總共對30 000多個數據指標進行了口徑的規范和統一，梳理后數據指標縮減為3000余個。從2015年至今，中臺戰略已經為阿里巴巴創造了巨大的價值。

2.3.2　連鎖零售業

連鎖零售業也是數據中臺的典型應用場景。雖然連鎖零售企業擁有的數據體量沒有電商企業那么大，但它們對于數據驅動的需求同樣強烈，而且這種需求也是典型的可以用數據中臺來解決的需求。

以衣邦人為例，它首創式地將“互聯網+上門量體+工業4.0”的C2M商業模式引入行業，成為迅速撬動服裝定制藍海市場的零售企業。截至2019年年底，衣邦人已擁有48個直營網點，服務范圍輻射全國140多個城市，累計預約客戶突破110萬。衣邦人的成功，除了商業模式獨特外，數據中臺功不可沒。

作為一個數據驅動的零售商，衣邦人在廣告渠道管理、精準營銷、個性化服務、門店管理等方面充分發揮數據的威力。例如，其數據中臺打通了各個渠道的廣告數據以及后臺的CRM、ERP及業務系統數據，可以實時了解廣告投放的真實成單效果，防止可能的廣告欺詐，同時可以精準計算各個渠道的ROI，進而及時放棄無效渠道，增加高效渠道的投入。在客戶服務層面，能夠快速實現精準的用戶畫像，提供個性化的促銷及產品推薦。在管理層面，為各個門店提供定制化的業務數據報表，賦能一線業務人員。

與傳統的數據倉庫、大數據平臺建設的方式不同，衣邦人在建設數據中臺的過程中堅持以業務為導向，在建立全局的數據模型、數據服務的過程中不斷提供解決實際業務痛點的數據應用，從全渠道分析、用戶畫像觸達到標簽體系及服務，讓數據中臺的價值得以快速體現。

2.3.3　金融業

銀行、證券、保險等金融行業也是數據中臺的典型應用場景。以銀行業為例，隨著移動互聯網的迅速發展，其業務呈現復雜化的局面，移動銀行、手機銀行所帶來的復雜業務，使得銀行必須通過數據中臺來快速應對各類復雜的應用需求。銀行業的數據中臺建設需要在前臺業務系統與后臺數據系統之間構建一條數據和能力的通道，為前臺的業務團隊、客戶經理、財富顧問與后臺的數據專家、算法模型專家、人工智能專家的工作銜接提供強有力的支撐。業務團隊專注于產品的具體邏輯與業務管理流程，數據專家專注于加速從數據到價值的過程，提高對業務的響應能力。

以富國銀行為例，這家一度被稱為“美國最佳零售銀行”的私人銀行，以創新和客戶服務著稱于世。早在1983年，富國銀行就建立了自己的數據倉庫系統。富國銀行還是少有的將數據戰略寫入董事會戰略的銀行之一，其對數據戰略的重視可見一斑。不過，像大部分銀行一樣，富國銀行以前的數據平臺都是圍繞業務線建立的，每個業務部門都建設有自己的數據系統，這就導致富國銀行雖然坐擁7000萬客戶的數據，但是這些數據分布在眾多銀行部門和系統中，難以復用和共享。而要解決這樣的問題，數據中臺是非常適合的。

基于對數據戰略的深刻認識，富國銀行于2017年啟動了建立全行集中數據運營和洞見團隊、建設新型數據平臺的工作，主要工作包括企業數據治理、企業數據資產管理、企業數據管理、企業級數據集成、數據安全管理及數據授權。這些工作所要實現的功能其實與我們闡述的數據中臺的功能大同小異。通過這樣的變革，富國銀行實現了數據戰略升級。2019年7月，在全球前1000的銀行排名中，富國銀行高居第七位。

2.3.4　物聯網

物聯網（IoT）設備需要傳輸大量的傳感器數據，對于數據處理提出了很高的要求，而數據中臺正是解決這些問題的良方。以北京中信大廈IoT項目為例，中信大廈又名中國尊，地上108層、地下7層，可容納1.2萬人辦公，總建筑面積43.7萬平方米。為了進一步提升整個建筑的智能化水平，中國尊中部署了大量傳感器以收集各種數據（溫度、濕度、電聲光等），它們會持續以很高的頻率（一般時間間隔為1～5秒）產生大量讀數，并上傳給物聯網網關。這些數據是實現智能樓宇管理的基礎，上層的智能監控、能耗分析等業務應用都依賴于這些數據的服務?，F代大樓一般會有幾百萬到幾千萬個傳感器，后臺的數據處理系統必須具備相應的數據處理能力。

但是，物聯網數據的處理有其特殊性：一是設備的多樣性導致數據的多樣性，必須通過物聯網網關將其轉換成標準格式；二是同樣的數據需要用不同的時間粒度和形式來處理。例如，同樣的能耗數據，必須以實時流數據的形式提供給實時報警系統和監控大屏，以關系型數據的形式提供給BI報表系統生成日報和周報，三個月到半年的數據需要以時數據的形式提供給智能監控分析程序進行機器學習，更長時段（比如兩到三年）的數據需要以壓縮的數據格式提供給歷史數據分析程序。對于這種多樣的需求，一般的數據平臺處理起來通常會非常棘手，而通過數據中臺，中信大廈將物聯網網關數據納入統一的采集框架，自動提供底層數據不同格式和粒度的管理和轉換，在匯總后將基本數據通過統一的數據接口供上層應用使用，而且所有的應用和數據全部運行在同一個集群中，由統一界面進行管理，從而解決了多源異構數據的處理及可控管理的難題。