2.2 建設數據中臺的價值

在數據價值探索過程中，我們經常會發現以下兩種場景。

（1）大型企業有很多事業部。每個事業部都有自己的數據部門。每個數據部門一般都會啟動很多數據項目，會收集很多數據，但各個數據部門往往各干各的，很少有交集，導致出現“數據孤島”和數據不一致。

（2）在一個集團企業中，很多子企業沉淀了自己的數據，形成了自身的數據應用體系，但是從集團角度來看，各個子企業之間各自為政，缺乏標準、溝通和交流，導致數據的價值未被充分挖掘和實現。

這兩種情況對數據價值的挖掘和實現都會帶來負向影響，具體如下。

（1）企業產生了很多數據，但是各個部門的數據標準和口徑差異較大。站在企業的角度，數據整合和管理的難度很大，數據價值很難實現。

（2）“數據孤島”現象嚴重，很多數據未有效打通和拉齊，降低了數據應用的精準度，數據價值大大縮水。

（3）數據體系重復建設，造成資源極大浪費。

（4）由于缺乏公共的數據服務，導致數據應用效率不高，難以高效地響應業務和客戶需求的變化。

隨著各行各業對“數據即資產”的認知達成共識，對數據中臺的需求越來越迫切。總之，數據中臺是有效地解決上述問題的良藥，為企業級的數據價值實現提供一整套的方法論，可以實現統一的數據標準，推動數據資產服務化，實現數據的高復用性和高價值。數據中臺的價值主要體現如下。

（1）統一的數據發展戰略和清晰的數據資產規劃，讓數據體系化建設從誕生之初就取得全局性的戰略指導和自上而下的資源支持，其后面的項目落地會事半功倍。

（2）統一數據標準，其價值類似于秦始皇實施的“書同文、車同軌，統一度量衡”的偉大舉措。統一元數據的標準和數據口徑，讓企業內部拉齊對數據指標的認知，消除歧義。這有助于實現數據資產的流水線生產和規模化復制。

（3）統一數據模型，實現數據資產化。基于對業務的理解和抽象，制定數據分層機制，打造統一的數據倉庫、數據集市模型和數據分析模型，可以促進原始數據向數據資產轉變。

（4）打造系列數據工具集合，提高數據應用效率。比如，數據ETL（Extract-Transform-Load，抽取-轉換-裝載）、元數據管理、數據建模、數據分析平臺、數據開發流程工具、項目管理工具、機器學習平臺等。

（5）抽象公共數據服務，打造數據即服務（Data as a Services，DaaS）公共平臺，實現數據價值的流程化、服務化和自動化。這有助于實現數據資產的復用，且快速、高效地響應前臺業務的需求變化。