如何从零开始建设数据中台?

阅读数:3 2020 年 5 月 12 日 14:34

如何从零开始建设数据中台?

数据中台对于许多传统企业而言,依旧是很陌生的概念。

如何从零开始建设数据中台?

我们把它简化为一个方程式,数据中台:正确的人 + 正确的工具 + 正确的事 = 降本增效,其中,三个要素缺一不可。

如何从零开始建设数据中台?

正确的人

数据中台在国内有完整实践的企业不多,相关的人才也相对较少。企业在选择数据中台时,需要有方法论、实践经验去指导,以避免从零摸索带来大量人力物力的浪费。这也是企业在选择服务商时需要留意的。

正确的工具

在这里主要指的是狭义上的数据中台产品。市面上的产品五花八门,数据中台产品各型各样,如何选择非常关键。

正确的事

数据中台不是摆设,并不是说搭建一个产品意义的数据中台,企业就完成数字化转型了。数据中台最终还是要为业务服务。我们要用数据中台做什么,解决什么业务痛点,需要考虑清楚。

这个方程式最终导向了我们建设数据中台的目的:为企业带来降本增效。“要么给老板省钱(降本),要么给老板挣钱(增效)”。

数据中台的选型与构建

首先需要强调的是,在这里我们分享的只是一般情况,不同企业、不同数据情况和不同需求,不可一概而论。不管黑猫白猫,能解决痛点的就是好猫。

数据中台的底层是大数据架构,大数据架构如何去选型?

如何从零开始建设数据中台?

在架构选型时,成本、场景支持是我们考虑最关键的 2 个要素。

综合实施周期、实施成本、是否支持实时计算、数据冗余与数据一致性情况等因素,我们认为 Lambda 架构成本相对适中,又能满足实时计算和离线计算两个场景。

当然,选择 Lambda 架构也会不可避免地面临数据冗余的问题,而目前大部分传统企业用到实时计算的场景偏少一些,相对来说产生的数据冗余也较少,可以通过数据治理等方式解决。

底层之上是引擎,包括离线计算引擎和实时计算引擎,又应当如何去选型?

离线计算:三种离线计算引擎各有特点,可以综合企业的数据情况和需求,选择合适的计算引擎。

如何从零开始建设数据中台?

实时计算:在批处理 + 流处理上,Flink 备受青睐,稳定性较好、吞吐量较大。一般来说推荐使用 Flink。

如何从零开始建设数据中台?

在架构上层,则涉及到了:数据模型应如何设计?

数据模型是为业务服务的。具体来说,就是把业务抽象化,提炼成数据模型,再通过数据解决业务问题。

建数据模型,会经历业务建模、概念建模、逻辑建模和物理建模四个阶段。

如何从零开始建设数据中台?

在模型选择上,我们仅列举两种模型,星型模型与雪花模型。通常情况下,为了能下游能更好地理解业务,快速提供数据服务,我们会采用空间换时间的方式,从而选择星型模型;而在维度信息变化非常频繁,或者数据存储成本非常高的情况下,我们可以采用雪花模型。归根到底,数据模型没有好坏之分,只有能否解决业务问题。

最后需要强调,对于技术和模型的选择,我们做了一些推荐和优劣势的介绍,但技术和模型本身没有对错之分,适合自己的才是最好的(能解决业务问题才是最好的)

数据中台的架构设计

我们把数据中台的架构分为三层,数据资产层、数据服务层、数据应用层。

如何从零开始建设数据中台?

这张图从下往上看,首先通过数据治理、数据开发、借助数据仓库,把数据转化为可用的数据,即资产「数据资产化」;然后建立数据能力,把数据用起来,例如标签工厂、模型分析等,即「资产服务化」;再通过智能化的场景给业务赋能,也就是「服务智能化」。

AI 驱动的数据中台

奇点云创立三年来,数据中台的实践在零售、时尚、百购等行业相继落地,在实践经验中,探索并检验出了数据中台的“王道”:AI 驱动的数据中台。

所谓“AI 驱动”,我们可以看到在架构中融入了独创的“云(智能)+ 端(感知)”的解决方案,从数据采集层的 AIoT 到数据服务层的算法服务、分析引擎再到顶部的数据智能应用,实现了“云赋能端,端丰富云”,既解决企业数据生产的问题,又解决企业数据使用的问题

如何从零开始建设数据中台?

在“AI 驱动的数据中台”实践中,奇点云自研了一站式大数据智能服务平台—DataSimba,其旨在为企业提供全链路的产品 + 技术 + 方法论服务。

DataSimba 核心模块包括全域数据采集、数据开发、数据治理、数据资产管理、数据 API、数据科学、数据质量、标签工厂,可以帮助企业快速搭建安全、易用的数据中台,最大化释放价值,驱动业务增长与创新。

如何从零开始建设数据中台?

评论

发布
暂无评论