2024 可信数据库发展大会报名通道已开启!! 了解详情
写点什么

中台产品面面观(一)

  • 2019-10-28
  • 本文字数:10671 字

    阅读完需:约 35 分钟

中台产品面面观(一)

《企业级 Agents 开发实战营》重磅上线,10 周带你进行工具、对话及多模态等不同类型 Agents 工程化开发实战!

“中台产品面面观”将串联起数据、技术、业务三大中台,从数据资产化、流程自动化到应用场景化,实现中台降本提效、赋能前台。


“面面观”将兼顾深度和广度,并由一系列产品分析报告组成。深度主要是侧重于整个中台完整实践,产品包括平台产品、方法论产品、治理产品,并将其结合落地最佳实践。广度主要是侧重于分析国内外 Top 中台公司的相关产品,包括阿里、华为等。


“中台产品面面观”的第一篇是综述,将从市场、行业、需求、商业等角度进行整体分析。

前言

今天很多人在说中台(包括但不限于数据中台、技术中台、业务中台、组织中台等),个人理解中台不是一个产品,也很难简单的将其做成一个项目,这是一个工程。


中台是一个重塑企业管理、业务、流程、数据、技术等全要素的工程,而这样的工程需要战略决心和高层的支持、对应的组织架构和大量的人才投入(包括但不限于数据分析师、数据工程师、数据科学家、数据产品经理、前端工程师、后端工程师、业务人员等),并配套相应全链路的数据工具与流程保障。


本人先后负责数据治理和数据平台的中台产品工具和数据相关工作,其实很早就想写中台产品系列分析报告了,但一直没有时间。


恰好最近遇到了一系列契机:


1、国家方针,党的十九大报告提出要“推动互联网、大数据、人工智能和实体经济深度融合”,进一步突出了大数据作为国家基础性战略性资源的重要地位,掌握丰富的高价值数据资源日益成为抢占未来发展主动权的前提和保障。建设好的中台将数据价值真正挖掘并应用。

2、技术推动,中间件、大数据等技术的日益成熟为中台的发展起到了强有力的推动作用。

3、业务推动,用户需求个性化,产品的快速迭代和试错,以此满足用户、抢占市场。

4、中台火爆,BATJ 等许多企业纷纷推出自己的中台建设方案。

5、正因为以上几点,很多行业内的同学也和我频繁交流了中台建设细节,在这里也是畅书自己所想,分享出来和大家一起更深入的交流。


基于以上契机,正式开始写中台产品系列分析报告(中台产品面面观)。


中台战略的构建,从功能上说,包括数据中台、技术中台、以及业务中台。其中数据中台的本质是将数据资产化,技术中台的本质是将流程自动化,业务中台的本质是将应用场景化。



阿里中台架构


本系列中台产品分析报告(中台产品面面观)将串联起数据、技术、业务三大中台,从数据资产化、流程自动化到应用场景化,实现中台降本提效、赋能前台。


报告将兼顾深度和广度,并由一系列报告组成。


深度主要是侧重于整个中台完整实践,产品包括平台产品、方法论产品、治理产品,并将其结合落地最佳实践,数据平台型产品包括于DataWorksDataPhin、Data Science Studio、Data Catalog、Data ATM 等,数据治理型产品包括线下消费标签、原子标签、智能招商模型等,数据方法论型产品包括 OneData、OneService 等。


广度主要是侧重于分析国内外 Top 中台公司的相关产品,包括阿里、华为、百度、腾讯、网易、京东、TalkingData、数澜、Teradata、Microsoft、Google、Amazon、IBM 等。


中台产品面面观的第一篇报告是综述,将从市场、行业、需求、商业等角度进行整体分析。



全文结构


一、市场分析

本节将分析市场,了解中台用户及对应需求。



市场分析部分文章结构


正所谓理解当下最好的方式,是回头看看过去,说到中台市场,我们先回顾一下这十几年来中国企业数据化历程,大致经历了如下几个阶段,正因为这几个阶段,才有了现在的中台市场。


第一阶段,2000 年之后,企业内部数据化。


2002 年~2005 年,中国许多大型企业开启了一轮以ERPCRM为主的底层 IT 建设。

2015 年前后,中国许多大型国企和 Top 民企都基本完成了内部核心业务的数据化建设。


这为中台的出现提供了第一个先决条件,底层 IT 架构的完善和初步的“业务数据化”。


第二阶段,2012 年之后,“互联网思维”萌发。


这一时期,随着 BAT 等互联网名企纷纷上市,所到之处,“消灭你,与你无关”。备受电商冲击的传统零售商,被搜索和门户打得黯然神伤的传统媒体。


2013 年 11 月 3 日,新闻联播更是发布了《互联网思维带来了什么》专题报道。


由此,各行各业被逐渐植入了一个信念:互联网思维。而互联网思维中,十分重要的就是数据思维。


这为中台的出现提供了第二个先决条件,大家开始逐渐意识到数据的价值。


第三阶段,2013 年之后,移动互联网发展产生海量数据。


通过移动设备和蓬勃发展的各类传感器,更多行业积累在移动互联时代产生的数据量级远超以往。


同时新的业务需求源源不断的涌出,如基于大数据的营销、风控、辅助决策类业务,许多企业近年内开始用起了 SaaS 服务。


这为中台的出现提供了第三个先决条件,移动互联网产生的海量数据,潜在的数据治理和数据应用需求。


第四阶段,2016 年之后,互联网进入下半场。


智能手机销量和网民规模增长减缓,互联网人口红利逐渐消失,此时,一方面可以出海继续追人口红利,另一方面就必须精耕细作存量市场,典型的像这一时期特别火爆的“增长黑客”,提倡的核心理念正是数据驱动,低成本高增长。


这为中台的出现提供了第四个先决条件,催生对自有数据价值的更深认知和深程度的数据治理和数据应用。


随着以上四阶段的发展,逐渐演化到了现在的中台市场,可以总结出两大问题:“烟囱林立”和“齿轮失衡”。



回顾历史,分析当下


1.“烟囱林立”

各系统沉淀的数据之间难以打通,企业内外部数据难以连接,系统重复建设。


为了满足新业务的即时需求,许多企业常常同时使用多个 IT 系统,各个系统数据往往不同,不同部门也动不动就另起炉灶大量重复开发,各个系统有如一个个林立的烟囱互不连通,


那么“烟囱林立”(数据不通、重复开发)有什么结果呢?重复开发和维护,成本高昂,可能马上会“死”。数据不通,数据不能较好的支持前端业务,公司没有护城河,慢慢也会“死”。


在这里还是看一下阿里的例子:


1.1、重复开发和维护,成本高昂,可能马上会“死”。


数据中心不但不是利润中心,反而成为了巨大的成本中心。


以阿里为例,2014 年阿里面临着大数据还没来得及发挥作用就已经消耗完业务带来利润的现状。


见微知著,用数据说话,当时 5 张几乎完全重复的日志基础表在源头就已经被复制到不同的数据团队中,这 5 张重复表占据了数 10PB 的存储空间,当时存储 1PB 数据表耗资上百万元,其中还不算电费等维护费用,更不要说研发和维护这些表的人力成本。


在数据公共层建设一年左右总结仅 2015 财年,批量数据计算总时长减少了 50%,数据计算成本节约了近亿元人民币,数据下线节约了近百 PB 存储空间,数据存储成本节约了近亿元人民币。


中台建设,生死存亡。


其实这也是阿里率先做中台建设的重要原因,对于其他企业,可能没有那么严重,但重复建设和维护带来的高昂成本不容小觑。同时,也埋下了后续打通维护的“病根”。


1.2、数据不通,数据不能有效支持前端业务,不利于业务的发展和沉淀,公司没有护城河,慢慢也会“死”。


以阿里为例,阿里作为一家生态公司,业务涵盖电商、金融、广告、物流、文娱等各个领域,随着人们互联网行为的多样化,在不同域产生各自的业务数据,比如在高德打车、在天猫购物、在优酷看视频、在支付宝交电费。对阿里巴巴全局而言,这就是一个个数据孤岛。数据不通,我们看一个“人”的行为是片面的,数据价值也是很有限的,数据只有融通才能产生更大的价值,从而产生一个“人”立体鲜活的画像。


同样,我们可以通过一个例子来说明:


某大公司旗下的多款产品都有用户“A”的使用记录:


租房产品:A 最近频繁浏览北京东直门地铁站附近的小区;

求职产品:A 最近投递了东直门附近多家公司的岗位;

外卖产品:A 点餐配送地址都在北京朝阳。


根据上述内容,如果公司平台数据是打通的,那么可得出一个初步结论:用户 A 计划从朝阳跳槽到东直门某公司,并准备在东直门附近居住。


根据互通的数据信息,还可以再细致分析下去:根据 A 的日常饮食习惯与所浏览的租房信息,可以判断他的消费层次;结合投递职位的薪资判断生活水平,分析其家庭关系判断其迁移目的比如说是不是伴侣在东直门,所以也想搬过来。


慢慢的,一个完整的用户画像跃然纸上,数据价值威力显现。相反,数据不通,那么数据价值将大打折扣。



阿里 GProfile 对“人”的立体刻画


2、“齿轮失衡”

随着企业的不断发展,前台和后台的“齿轮速率匹配失衡”的问题逐步显现,后台很难及时响应前台进行创新。


互联网化时代面临着场景、业务增多且快速变动的情况。前台和后台就像是两个不同转速的齿轮,前台要快速响应用户的需求,讲究的是快速创新迭代,所以往往转速越快越好;而后台由于⾯对的是相对稳定的后端资源,而且常常是系统陈旧复杂,甚至还受到法律法规审计等相关合规约束,所以往往是稳定至上,越稳定越好。失衡达到一定程度时,就是中台兴起之时。


可以设想这么一个场景,现在市场有一个很好的业务机会,我们想抓住这个,进行创新/试错。如果实现这么一个机会所需的资源投入需要从 0 到 1 占用 20 人 4 个月的时间,并且还面临着无法实现预期、业务机会不正确等风险,那么这个创新/试错实在太高了,大多数企业都无法支持,从而任由机会流失。


但如果我们打造了一个很好的中台,可以基于中台只投入 5 人 2 周的时间建设产品并推向市场进行创新/试错,再根据反馈进行迭代,那么大多数企业应该还是很乐意进行这样的创新/试错。


现在我们也正是基于我们的技术中台和数据中台等中台能力进行业务创新/试错,并打造了金融、零售等领域许多经典的数据产品。比如线下选址数据产品智选的数据层建设基本复用了我们数据中台的位置域数据能力,数据中台的数据能力现在已经全部接入我们的数据服务商场(SDMK)并以 Service 服务的形式对外输出,因此只需要几位工程师花几天时间做 SDMK 相关服务的调用和调整,花精力建好大中台,从而以低成本进行业务创新/试错。


(创新/试错:做对了就是创新,做错了就是试错。)



TD 数据服务商场(SDMK)相关服务


关于中台最经典的例子就是大家耳熟能详的芬兰手游公司SuperCell了,虽然这家公司每年能创造 15 亿美元税前利润,但只有不到 200 名员工。SuperCell 就像是一个高产的游戏孵化器,在几年内开发出了 10 款以上的游戏,虽然大部分用于试错的游戏都在研发过程中被腰斩了,但最终呈献给用户的几款游戏(《部落冲突》《卡通农场》《海岛奇兵》等)都是经典中的经典。


2014 年马云欧洲之旅参观了 Supercell, Supercell 以最多不超过 7 个员工组成独立的开发团队作为小前台团队(内部称之为 Cell),他们开发出的游戏看上去风格迥异,却存在许多共同之处。


在业务上,共通的东西包括支付系统、用户系统等等;在技术上,共同的东西包括游戏引擎,内部开发工具等等。而这些共通的资源,都可以由一个强大的“中台”来提供。



Supercell 前中台结构示意


早期的阿里和其他公司一样,在 IT 建设方面也是“烟囱式”的,由不同的技术团队支撑不同业务。比如淘宝、天猫、聚划算这三大核心电商业务,在过去是三套独立的系统,都建设了用户、商品、交易、评价等业务功能,并且互相独立,无法连接协同。


实际上,不只是阿里,这种重复投资、无法协同的独立烟囱架构,是目前国内绝大多数企业信息化建设时所遇到的普遍问题。


一个公司是有很多员工都有想法的,这个想法能否落地通常可能要经历立项、申报预算、评估投入产出比、研发周期、采购、营销等多个环节,十分复杂且漫长。


所以阿里启动中台战略,在云计算架构下,横向打通各个业务系统。


构建业务中台,把各不同业务中的相同部分抽离出来,由中台进行统一管理,再把它们重新组合,分配给上线的新业务。这样,新业务就能以模块化的形式快速上线。


比如聚划算的诞生就可以说的是国产中台经典案例,当时 2010 年市场上团购业务蓬勃发展,阿里也想建自己的团购平台,但市场上已经有了美团、高朋等专业的团购网站,面对先入者和新的业务模式,其实这对于阿里也是一次尝试。


所以当时阿里投入了产品、运营、研发等 10+人用了 1 月+就成功上线。而且跑的非常好。


为什么这么快,因为 80%的东西不需要做了,中台有现成的业务能力(用户、商品、交易、评价等),直接调用就行了。


上线后聚划算展现了超出想象的流量吸力,阿里确定这个是重要流量入口后,大力投入,在 14 个月之后,这个 10+人的小团队发展为 600+人的事业部,与淘宝、天猫并驾齐驱。


构建数据中台,打通数据孤岛,抽象公共模型,由中台统一管理,提高数据处理效率。


天猫和淘宝都有各自买家的评价数据。在过去,淘宝和天猫的数据体系是没有打通的。但实际上,二者在鉴别虚假评价时所使用的数据模型又是相同的。所以即便业务场景不一样,但很多基础数据模型和算法可以被重复使用。


建立中台后:


1、将公有化的那部分做沉淀,毕竟有太多的问题在各个地方都反复出现,每一次都有人掉入差不多的坑。公有化沉淀之后复用,形成中台壁垒。


2、剩下的就是将差异化的那部分做好。周期短、成本低,这样大家就敢去创新。


回到阿里的案例,如果没有高层的支持(马云、行颠)、配套的组织(共享事业部和 2010 年对聚划算流量的控制到现在的中台团队)、创新的业务(淘宝、天猫、聚划算到现在的新零售),那么也很难有现在的阿里大中台。


即便中台战略落地了,每天的变更仍然频繁,每天会产生众多新的需求。比如新收购了一个公司或者新成立一条业务线,新的 IT 应用如何融入到现有的中台上来,让中台能力更丰富,这就是中台能力持续进化的过程。



阿里巴巴云上数据中台赋能业务运行


中台,帮企业把数据用起来,连通传统 IT 架构和各类数据,平衡前后台矛盾,最终提升决策水平和业务表现,帮企业实现商业本质。中台就是整合治理资源,降低成本提高效率,更好响应前台需求。不仅仅是工具和方法论,更需要企业战略及组织架构等全方位的规划和配合。

二、行业分析

本节主要全局概览行业内做中台的主要公司。



行业分析部分文章结构


首先,我们引用爱分析的 2019 年数据智能行业图谱,一图概览中台主要公司。


(ps:对于爱分析的分类,肯定仁者见仁智者见智,包括我也有不一样的观点,但此图能让大家对行业有一个基本的认识,故在此引用。)



爱分析 2019 年数据智能行业图谱


1、主流互联网公司

目前中台概念的火爆主要就是源于主流互联网公司的中台相关建设:


2018 年 9 月,腾讯宣布新成立云与智慧产业事业群(CSIG)和技术委员会,技术委员会将负责打造技术中台。


2018 年 11 月,阿里云事业群升级为阿里云与智能事业群,并开始对外输出中台能力。


同月,美团被曝正在打通大众点评、摩拜等各业务间的数据,构建数据中台。


2018 年 12 月,百度调整组织架构,王海峰同时负责基础技术体系(TG)和 AI 技术平台体系(AIG)。此后,王海峰在公开场合表示,打造技术中台是百度调整组织架构的战略方向之一。


同月,京东进行有史以来最大组织架构调整,增设中台部门,京东商城 CEO 徐雷还在去年年会上强调:要将中台提升为“永不停歇”的超级引擎。


2019 年 3 月,字节跳动被曝正在搭建“直播中台”,抖音、西瓜、火山视频 3 款 APP 未来将共用技术和运营团队。


2019 年 5 月,腾讯宣布将进一步开放数据中台和技术中台。其中,数据中台包括用户中台、内容中台、应用中台等;技术中台包括通信中台、AI 中台、安全中台等。


其他相关内容在此不一一枚举。



主流互联网公司的中台建设历程


阿里可以算是互联网公司里中台的鼻祖了,早在 2015 年 12 月,阿里巴巴集团 CEO 张勇就宣布启动中台战略。成为中国乃至全球第一家践行中台战略的大型互联网公司。阿里中台起步早,发展相对成熟,同时明确表示要对外输出中台,并已经做出了许多经典案例。



阿里云墨迹天气案例


2、大数据公司

典型的如 TalkingData 正在着力打造自己的中台(技术中台、数据中台),强调数据和科技。


还有很早旗帜鲜明地提出要做数据中台,像数澜,以及后续渐渐进入或被人归为这个赛道,如北交云、袋鼠云、奇点云等。



TD 数据中台价值定位


数据中台型:

在数据中台领域深耕的,这里可以根据自身是否有数据源将公司分为两类:


第一类是自身没有数据源,帮助客户搭建数据中台并服务于客户的公司,典型的如数澜、滴普等公司。


第二类是自身有数据源,并形成三方数据中台并服务于客户的公司,典型的如 TalkingData 和个推、极光等公司。


现在第二类公司也开始慢慢涉及第一类公司的业务,即帮助客户搭建数据中台并服务于客户的公司。因为自身有数据源、自己内部有数据团队和业务团队,有大量的内部需求来迭代中台产品,因此做第一类公司的业务只是一个“数据中台对外”的问题,同时产品因为场景多也更具竞争力。

技术中台型:

在技术中台领域深耕的:这一块根据平台特性细分,玩家很多:主攻用户行为分析平台,如神策;主攻数据科学平台,如第四范式,其他等等。

业务中台型:

在业务中台领域深耕的:


很少有大数据公司一开始就直接切入企业的业务中台,大部分都由技术中台和数据中台公司演化而来。


一般都从行业应用切入,在服务大量垂直行业客户并掌握场景需求后,逐步形成业务中台能力。


从客户价值的角度来看,业务中台最接近业务场景,实现技术赋能,按照效果计费,客户价值较高。


比如我们切入垂直行业餐饮销量预测领域,帮助世界顶级餐饮集团百胜 (YUM)旗下肯德基做销量预测,通过销量预测解决肯德基采购和人员排班问题,节省成本每年亿级别,受到一线餐厅经理的热烈欢迎,集团十分认可。我们也打造了近实时生产决策的标杆项目,同时沉淀零售餐饮行业销售预测领域知识并积累算法模型大规模工程部署经验。



TD 销量预测系统示意


3、传统软件服务商

这部分公司主要是传统软件服务商中的佼佼者,老一代 IT 架构的建设者,如金蝶、用友等。



用友全域中台


三、需求分析

本节将进行需求分析,分析中台的主要用户及使用场景。



需求分析部分文章结构


中台的主要用户可以分为生产者、消费者、监管者三大类群体。


生产者主要指我们的数据团队,包括数据产品经理、数据分析师、数据科学家、数据工程师等,他们将使用我们中台数据工具生产数据,具体场景包括数据分析、数仓规划、开发运维、算法开发、资产管理与运营、数据安全与合规管理等。(ps:其中不同的数据生产场景将使用我们不同的数据工具。)


对于生产者,他们想要的是高效治理数据资产


正如之前提到的,烟囱式数据体系造成数据调用混乱、口径不统一、质量参差不齐、建设和维护的重复,造成人力、物力、时间等资源的浪费和前端使用不便。


这正是生产者(组织中台)+中台(数据、技术)需要重点解决的问题,我们 SDK 采集等数据主要是移动互联网等数据,因此我们将应用统计分析、游戏运营分析、移动广告监测等几条业务线等数据统一规划,通过原子标签体系开放出设备、APP、位置、wifi 等几个主题域的相关数据集数据集供前端使用。打破烟囱,降本增效。



TD 原子标签体系


消费者主要指我们的业务团队,包括 BD、咨询、运营、商业分析师乃至管理层(CEO、CFO、CTO 等),他们将消费我们生产者精心准备的数据,结合业务直接运用数据最大程度发挥数据的价值。对于不同消费者,数据应用的诉求和场景很多。


对于管理层(CEO、CFO、CTO 等),他们想知道自己有多少数据资产,分布情况怎么样,ROI 怎么样,趋势怎么样,他们想要准确评估及合理应用数据资产,做好企业战略管理。


对于一线业务人员,他们不关心到底有多少张数据表以及底层实现,他们只关心自己对应的业务,比如会员数据这类具体业务主题域的数据,他们想要的是可以清晰查看并快速使用我们的数据资产,并解决业务问题创造数据价值,传统行业借助数据进行经营管理和分析。


正如之前提到的,没有前台何来中台,中台将赋能前台,前台将直接享受我们中台的成果,可以快速查看并使用我们的数据资产,业务平台可以很方便等调用我们的主题服务,一个个完整等主题服务可以很方便等供我们等客户和合作伙伴使用,咨询等业务人员可以很方便的提取高质量数据进行营销投放、竞品分析等解决方案的制定。



TD 中台业务场景的实现过程


监管者包括公司内部法务等相关团队、App 开发者、个人信息用户、国家相关部门(网信办、工信部、公安部等)。这部分用户更关注数据资产安全合规问题。


在这一部分,一方面从法务角度我们结合法规确定了 SDK 开发者协议、隐私政策、服务条款,另一方面从中台角度我们去标识化用户并围绕数据采集、数据传输、数据存储、数据汇聚、数据使用、数据删除等一系列流程进行数据保护。中台健全的数据安全管理体,包括信息分级分类、加密保存、数据访问权限划分,指定内部数据管理制度和操作流程。



TD 数据分级管理策略


四、商业分析

本节将分析中台商业模式。



商业分析部分文章结构


商业模式可以分两大类,长远战略和直接盈利。


长远重战略,我卖中台但不靠中台赚钱,中台只收个成本价甚至免费,我在其他地方赚钱,卖了中台后,我占了一个入口或者获得一个资质,讲战略做长线。这部分内容在此不做展开。


现在资本市场不景气,企业需要有造血能力,才能生存并进一步发展。


本节主要讨论直接盈利。


现在大部分公司的中台都在建设中,主要还是服务于内部用户,建中台的目的还是在降本增效,降低成本赋能前端,间接产生商业价值,在此不做展开。


本节重点更聚焦讨论在正式对外售卖中台的场景里,中台的商业模式是什么。


商场变化莫测,玩法很多,但万变不离其宗,我们从中台的本质开始分析。


中台包括业务中台(应用)、技术中台(平台)、数据中台(数据)、组织中台(人),对应的商业打法可以单独售卖,也可以结合打包售卖。具体怎么卖,综合客户需求和自身 ROI 等隐私考虑。


这里先说几种打法打打样,


1、只卖技术中台(平台)


这种模式在国内比较少,在国外做的比较好的是 Dataiku,卖你一个数据科学平台,在你这私有化部署一套,纯卖软件,其他不管。


这样的好处是边界很清晰,成一单就收一单的钱,后续实施维护等成本较低。


但缺点也很明显,正如我提到的,在国内比较少,因为现在纯卖软件的时代已经慢慢过去了,主要原因:


(1)、客户更关心你能去解决具体的业务问题,纯买一个技术中台,上不碰业务中台(应用)下不碰数据中台(数据),很难找到合适的场景切入,后续客户要解决业务问题还有很多事情要做。


(2)、纯卖软件,陷入恶性价格战,最终大家都不挣钱。



Dataiku 产品截图


2、只卖业务中台(应用)


只有真正为客户解决问题,客户才更愿意为此付费。因此,从业务切入是一个不错的选择。


切业务,打法也有很多。


2.1 卖一个应用平台 SAAS,比如专注线下选址场景的应用平台智选,为新零售、银行等行业提供门店选址、商圈洞察、潜客浓度探索等服务,在量化数据的基础上,为选址的开、停、并、转研究场景提供决策支持。



TD 智选产品截图


2.2 卖一个数据服务 DAAS,比如欺诈风险侦测模型服务,专注于为客户解决现金分期中贷前欺诈风险识别问题。



欺诈风险服务调用演示


具体打法还很多,在此不一一展开。


说了几种具体打法后,在整体梳理一下中台商业模式,可以单卖/组合应用(业务中台)、平台(技术中台)、数据(数据中台)、人(组织中台)设计商业模式以进行盈利。


1、卖业务中台


1.1 卖业务平台 SAAS,主要是软件付费模式。


1.2 卖数据服务 DAAS,主要是服务调用计量计费。


1.3 卖解决方案,按解决方案价值计费。


2、卖技术中台


2.1、卖数据平台 PAAS,技术中台中的一个个数据平台 PAAS 又可以进行单卖/组合。


技术中台里的数据平台包括但不限于数据分析平台、数据目录平台、数据提取平台、模型自动化平台、行为分析平台、AB 测试平台、BI 平台、营销平台等等。每一个数据平台,又可以按功能模块及能力进行单卖/组合。



阿里云 DataWorks 版本及收费标准


2.2、基础设施 IaaS,因为数据平台底层依赖存储及计算资源,因此对应这类资源服务类商品还需进行计费,对应的收费方式包括包年包月(资源包、独享资源)、按量付费。


选择不同地区不同规格等机器和不同等带宽又会有对应等计价标准:



云物理服务器产品规格及价格示意


3、卖数据中台


可以卖支撑数据中台的数据平台,这部分可以参考技术中台。


可以卖数据,卖数据集、模型、服务,这部分需要慎重考虑合法合规问题,最佳等数据输出方式还是数据服务 DAAS,这部分可以参考业务中台。


4、卖组织中台


组织中台不会单独售卖,它渗透在业务中台、技术中台、数据中台中。


业务解决方案等包装、业务平台和数据平台的部署和实施,数据建设和规划等等都离不开人(组织中台)。

结语

以上,从市场、行业、需求、商业等角度对中台进行了整体分析。至此,中台产品面面观(1)-综述告一段落。后续报告将兼顾深度和广度,串联起数据、技术、业务三大中台,进行进一步分析。


深度主要是侧重于完成整个中台完整实践,产品包括工具产品、方法论产品、数据产品,并将其结合落地最佳实践,数据平台型产品包括于 DataWorks、DataPhin、Data Science Studio、Data Catalog、Data ATM 等,数据治理型产品包括线下消费标签、原子标签、智能招商模型等,数据方法论型产品包括 OneData、OneService 等。


广度主要是侧重于分析国内外 Top 中台公司的相关产品,包括阿里、华为、百度、腾讯、网易、京东、TalkingData、数澜、Teradata、Microsoft、Google、Amazon、IBM 等。


很多人会高估中台的短期价值,但低估中台的中长期价值。中台之路,路漫漫其修远兮,吾将上下而求索。


版权公告


原创文章,版权所有。如需转载,请在显著位置注明作者。未经许可的转载以及改编者,将依法追究其法律责任。


作者:


xingquan.he,WeChat:663512441。TalkingData 高级数据产品经理,热爱产品 &数据 &技术,不断挑战自我。


2019-10-28 18:027231

评论 4 条评论

发布
用户头像
学习了,收获颇多,感谢
2020-07-10 10:21
回复
用户头像
写地太好了,收获良多,感谢
2019-10-28 23:31
回复
哈哈,多多交流~
2019-10-29 10:59
回复
用户头像
抛砖引玉,多多交流~
2019-10-28 19:14
回复
没有更多了
发现更多内容

Seata 与三大平台携手编程之夏,百万奖金等你来拿

阿里巴巴云原生

阿里云 开源 云原生 seata

阅读Skeleton.css源码,改善睡眠质量(尽管它只有419行代码)

德育处主任

CSS 源码 前端 6月月更 skeleton.css

淘宝数据可视化大屏案例(Hadoop实验)

王小王-123

海量数据 大数据分析 淘宝项目 hadoop实验 hive项目

【值得收藏】HTML5使用多种方法实现移动页面自适应手机屏幕的方法总结

迷彩

前端 自适应 HTML5, CSS3 6月月更

K8S V1.23 安装--Kubeadm+contained+公网 IP 多节点部署

云原生 k8s Kubernetes 集群

在Hadoop环境里面统计西游记文章的词组(hdfs实验)

王小王-123

mapreduce hadoop统计词频 hadoop项目 文本统计分析

HashMap分析-新增

zarmnosaj

6月月更

声网自研传输层协议 AUT 的落地实践丨Dev for Dev 专栏

声网

Dev for Dev 网络传输

穿越过后,她说多元宇宙真的存在

白洞计划

初识Hadoop之概念认知篇

王小王-123

hadoop hadoop概念

基于Hadoop豆瓣电影数据分析(代码+原理)

王小王-123

大数据 数据分析 基于Hadoop豆瓣电影

架构实战营模块5作业

挖了蘑菇哩斯

架构实战营

小心transmittable-thread-local的这个坑

看山

Java’

微博系统中”微博评论“的高性能高可用计算架构

Geek_e8bfe4

我们如何拿到自己满意的薪资呢?这些套路还是需要掌握的

看山

闲聊

基于学生选课数据库分析(Hadoop实验)

王小王-123

hadoop 大数据分析 学生选课项目 数据库项目

传统微服务框架如何无缝过渡到服务网格 ASM

阿里巴巴云原生

阿里云 微服务 云原生 Service Mesh 服务网格 服务网格

利用Docker极速下载OpenJDK11源码

程序员欣宸

Docker Openjdk 6月月更

Flutter 中的 ValueNotifier 和 ValueListenableBuilder

坚果

flutter dart 6月月更

ABAP-时间函数

桥下本有油菜花

abap

Jetpack之Room的使用,结合Flow

yechaoa

android flow JetPack 6月月更 Room

架构实战营模块 5 作业

Roy

架构实战营

淘宝大数据分析案例(百万数据集Hadoop项目)

王小王-123

大数据分析 淘宝大数据 淘宝业务数据 淘宝项目可视化

Dart 开发技巧

Geek_0a3437

flutter android dart 6月月更

M1笔记本居家办公的痛点及解决方案 | 社区征文

IT蜗壳-Tango

6月月更 初夏征文

@Scheduled注解的坑,我替你踩了

慕枫技术笔记

后端 6月月更

[译]在软件开发行业工作 6 年后,那些年我曾改过的观念

宇宙之一粟

感悟 6月月更

云技能提升好伙伴,亚马逊云师兄今天正式营业

亚马逊云科技 (Amazon Web Services)

亚马逊云

“微博评论”的高性能高可用计算架构

Pengfei

Serverless 在阿里云函数计算中的实践

阿里巴巴云原生

阿里云 Serverless 云原生 函数计算

远程沟通高效的自我总结| 社区征文

卢卡多多

初夏征文

中台产品面面观(一)_架构_xingquan.he_InfoQ精选文章