百分点 AI 讲堂|程佳：AI+ 时代的数据中台设计与实践

百分点产品副总监 程佳

一 百分点数据中台长什么样

作为百分点的产品副总监，程佳多年来都在面向传统企业进行 To B 级的大数据技术平台、数据资产管理平台，以及与 AI 相关产品的规划和设计。

对于数据中台，她谈到，数据中台是集数据采集、融合、治理、组织管理和智能分析为一体的平台，但它的实质是一种解决方案而不是产品。数据中台最核心的要点，是使数据能够源源不断地驱动上层业务创新，并且业务创新产生的数据又可以回流到数据中台，进行持续性的数据迭代。

而在数据中台中内含的数据资产管理平台的治理体系、生命周期管理，以及 AI 中台等产品，本质上是构建数据中台过程中积累的全链路工具集。通过对这些工具的使用，再结合数据中台实施落地的方法论，就能构建一个完整的数据中台，为企业和客户创造价值。

“这也是我把这些产品定义为工具型产品的原因。而百分点做的，就是在构建数据中台的过程中提供更加智能化的工具，让企业能够更快速地构建数据中台。”程佳总结道。

二 数据中台实施标准路径

万事万物，皆有章法。百分点实施数据中台的“章法”就是“五大体系、十一个步骤”。五大体系即数据接入、数据处理、数据治理、数据组织和数据服务，而十一个步骤则是五大体系的完整运作过程共有十一步。

举例来说，当团队进场做数据中台项目时，首先项目经理要带团队做业务盘点和数据盘点工作，知晓客户业务情况；其次将数据接到大数据平台，做数据勘探、数据治理，了解现有数据的质量。之后梳理数据标准体系，做数据的标准化。接着建设数据仓库，对数据进行加工、整合与归类。归类完成后，基于数据可视的目的，对元数据进行管理，建立数据资源目录。最后完成数据的开放和共享,使数据能够在数据中台中被分析和可视化应用。

程佳笑谈：“这十一步其实都是很底层的工作，可以说是苦活、累活，我们叫搬砖的活。它只是按照数据的角度，对数据做了类别整理和数据目录展现，还没有到释放数据价值的那一步。但是它是必备步骤，没有前面这十一步，就没有后面所有的应用。”

三 用 AI 为传统企业数据中台落地提速

提高数据中台落地效率，最终目的还是把更多的时间用来做真正的价值释放。然而传统企业数据中台的使用用户群繁杂，包括大数据技术团队、数据开发团队、商业智能团队和可视化团队等。即使有数据中台标准架构的方法论、完整的团队，也并不意味着做传统企业数据中台的困境已经消失。

程佳从产品层面，总结了构建传统企业数据中台面临的三个困境：

• 业务杂。各业务版块关系松散，各自为战，缺乏统一管理标准。客户商业模式各不相同，业务、技术解决方难。

• 组织重。组织结构复杂，业务、技术部门的融合、协同能力不够。

• 技术难。大数据技术门槛高，人才储备不足。

面对这些困境，程佳结合多年数据平台设计与实施经验，提出在做数据中台的产品设计时，应该更多地去想如何结合百分点“五大体系、十一个步骤”的方法论，让这一方法论的实现更简单、智能、敏捷。基于此，她提出：

1. 将工具组件化，积木式组合快速扩充平台能力。

数据中台内含的基础服务、数据管理服务，甚至某些应用服务、前台可视化服务全部可以实现组件化。比如企业要求对某些核心数据做数据质量稽核，就可把基础服务中的任务执行引擎、认证、公共配置等完成一个质量稽核平台，通过整体服务组装成中台。

以组件的形式搭建数据中台，一方面可以保证高度的灵活、低度的耦合，组件可拆可合，同时还具备了强大的兼容性。

2. 借助 AI 提升数据管理效率,实现数据资产管理智能化。

数据中台实施标准路径的十一个步骤缺一不可，所以就会面临全域数据整合后，无法界定具体做哪些数据或核心数据过多的问题。而借助 AI，可以使这十一步更优化、智能和敏捷。

• 智能定义数据标准

数据治理依赖于统一标准。百分点将国标、行标结合企业实际情况，加速数据标准落地，形成百分点整体标准库。

• 稽核规则智能匹配

首先按字段名称自动对标。其次按业务逻辑（业务口径）自动推荐稽核规则。投入将大幅缩减，而释放的价值不断提升。

• 核心代码自动生成

设计数据仓库，可通过智能开发引擎提供的工具（如模型开发、自动代码生产以及调试、代码智能优化等功能组件），基于 NLP 进行智能数据治理，设计替代编码，智能编排数据开发，大幅提升设计效率。

• 数据流自动编排

基于数据血缘自动编排数据开发工作流，不再需要大量人力，只需要做一些轻微调整，大大降低了人工成本。

程佳总结道，借助 AI 提升数据管理效率，实际上是依赖于过去项目中所积累的大量规则和经验，把这些经验沉淀、融入到产品中，再通过用人工智能技术，实现产品更智能。

3. 抛开技术思维，降低使用门槛，扩充平台使用人群。

百分点基于统一数据模型、内存、Pipeline 的交互式数据融合引擎，明确了生产流水线设计，能够让客户轻松地操作平台，解决业务问题。

以交互式机器学习建模设计为例：传统建模设计，需要进行大量代码编写和少量的数据训练。而机器平台可视化建模，将复杂晦涩的机器学习算法集成到平台，形成可视化的算法组件，按需组合，通过简单的参数配置就可完成机器学习建模过程，极大地降低了使用门槛。而交互式机器学习建模设计的价值点表现在三个方面：第一零代码操作机器学习算法组件，第二自动感知数据流、无需关心管道设计步骤；第三可以可视化参数配置。

最后，传统企业运营数据中台，要将数据越用越好，而不是越管越好。这就要求企业以高质量的数据为基础，充分盘活数据资产，并通过业务驱动数据流通，最终促进前台业务创新。只有数据中台运营得当，才能打造良性的生态闭环。