The Wayback Machine - http://web.archive.org/web/20230228065751/http://hoyoo-smart.cn/Data/301.html

数据中台的邪怎么破?这里有个五步法

2020-12-09 11:09:00
陈颖
原创
688
摘要:2019年数据中台被各路人马捧上了天,似乎数据中台无所不能,但到了2020年就听到很多质疑的声音,还有人在“讨伐中台”并列举出各种数据中台失败的案例,似乎数据中台的“春天还未结束,寒冬已然来临”!

据中台 ——这两年一个很热的话题。2019年数据中台被各路人马捧上了天,似乎数据中台无所不能,但到了2020年就听到很多质疑的声音,还有人在“讨伐中台”并列举出各种数据中台失败的案例,似乎数据中台的“ 春天还未结束,寒冬已然来临 ”!

关于数据中台的话题越来越多,或是吹捧、或是质疑,或是讨伐…,笔者看来:对数据中台来讲,这都是一个好事,证明的确是有人在认真的研究、推动着数据中台向着更理性、更成熟的方向发展,这也是每一项新技术或新概念发展的必经之路。

虽然数据中台在互联网企业中已经有了多年的实践,但是对于传统企业来说还是一个比较新的话题。 袋鼠云张旭及其团队根据 在多个数据中台项目落地实践中总结出的一套方法论—— 数据中台建设五步法 let's go,让我们一起去围观

注意:文末有福利,这次不要错过了!

0 1
第一步:数据资源的盘点与规划

数据化的基础是信息化或者信息化所产生的数据。这些数据本就有数据化的含义,同时这些数据又会进入数据化框架体系,继续通过计算产出更多的数据和更大的价值。所以,对企业数据资源的盘点是数据化建设的前提和基础。一份完整、准确的数据资源是后续数据化建设的有力保障。

数据资源的盘点与规划需要达到以下目的

(1)对现有数据资源盘点和统计。

(2)对企业可以拥有或者应该拥有的数据资源进行规划。

(3)构建盘点体系并使用必要工具,保证盘点的成果能够始终与真实情况相符。

0 2
第二步:数据应用规划与设计

企业要基于现有的技术条件和方案,进行相对完整的数据应用规划。这个步骤可以回答如下问题。


 1.  企业中有哪些数据需求 

我们要从业务线、业务层级到最细粒度的岗位,梳理数据需求。


 2.  企业应该构建哪些数据应用 

我们要围绕数据需求进行数据应用的整体规划和设计。


3.  应该按照什么顺序实现这些数据应用 

我们要对数据应用建立评估模型,评估的维度包括数据应用是否可以实现、数据应用的业务价值、数据应用的实现成本这三个主要方面。通过评定结果,我们可以确定数据应用的实现路径。

0 3
第三步:数据资产建设

数据资产的建设要依托数据中台的核心产品完成。数据资产是企业数据化建设的关键基础。所有的数据化建设最后都以数据资产为基础,并且围绕这个基础展开。数据资产将是企业在全面数据化建设前期中投入最多、见效最慢的基础层模块。关于数据中台的种种探讨和争议以及妥协的很大一部分原因是这个基础建设庞大、复杂和投入高。 

数据资产建设的内容包括以下几个方面:


1. 技术建设 

(1)产品选型。产品选型包括如何选择数据中台产品、数据中台产品应该具备的功能以及技术参数指标。

(2)技术架构设计。技术架构设计包括数据中台产品如何部署、如何替换传统的数据仓库或者与之并行、数据中台如何抽取当前的应用数据。

 2. 标准和数据仓库模型构建 

(1)建模及开发规范。建模及开发规范包括数据仓库模型设计规范的制定,数据开发规范的制定,如何避免当前较为常见的数据开发混乱、难以运维的情况。

(2)数据建模。数据建模包括进行数据仓库模型构建,并提交评审。

 3. 数据抽取、数据开发、任务监控与运维 

(1)数据抽取。数据抽取包括从数据资源层抽取数据进入ODS层。

(2)数据开发。数据开发包括进行数据任务开发,进行数据清洗、数据计算。

(3)任务监控与运维。任务监控与运维包括监控所有数据任务,对异常和错误任务进行必要的人工干预和处理。

 4. 数据质量校验 

数据质量校验包括对当前发现的数据质量问题进行校验和处理,推动数据治理工作开展和持续优化。

 5. 数据应用支撑 

数据应用支撑包括为当前的数据应用开发提供支撑开发平台。

0 4
第四步:数据应用的详细设计与实现

不管是使用瀑布模型还是敏捷模型,数据应用的设计大体上都可以遵循传统信息化应用设计的过程和理念。数据应用中的数据开发一般在数据库或者数据仓库中完成。数据应用的内容展示可以采用BI分析工具展现,例如可视化大屏或者定制化开发应用。数据应用还可以通过API接口服务提供数据成果,让其他外部应用按需调用。数据应用的开发与传统信息化应用的开发有以下不同之处。

 1. 数据应用关注数据源的内容和质量 

我们在数据应用实施前应该充分了解企业当前的数据源情况,包括数据种类、每种数据的具体属性、数据内容的质量等问题。大部分落地失败的数据应用,都是由数据源的各种问题引起的,比如数据缺失或者数据质量问题。

 2. 复杂的数据开发需要不断调优和迭代 

随着机器学习、深度学习等算法的引入,数据模型的构建手段越来越丰富。但是在通常情况下,最终业务价值的产生是一个复杂的过程,不仅需要数据的支撑,还需要管理的配合。

 3. 数据应用的结果数据的验证工作量占比高 

论证数据结果的正确与否或者评估数据应用的效果,是一项费时、费力的工作。即使相对简单的指标计算,最后也经常会占用全部过程中1/3以上的时间进行正确性验证。甚至很多算法类项目,需要提前构建成果评估模型,并首先获得甲方企业的认可,然后才能开始进行数据开发。

 4. 数据应用的运维难度大 

因为数据中的各种异常情况往往是不可知或者意想不到的,所以数据运维需要有强大的人工保障,以保持任务的运转。

 5. 数据应用的成果需要运营 

数据应用的开发完成只是数据发挥价值的第一步,如何让业务部门理解模型、用好数据才是后续的关键。尤其是在刚刚引入新的数据,且尚未显现业务价值的时候,企业更需要对数据进行深入运营。

关键字

发表评论
评论通过审核后显示。