1. 数据中台概念
1.1. 数据中台的定义
- 数据中台的概念是最早由阿里巴巴首次提出，其最核心的是 OneData 体系。
- 这个数据管理体系包括：
- 全局数据仓库规划
- 数据规范定义
- 数据建模研发
- 数据连接萃取
- 数据运维监控
- 数据资产管理工具等
- 数据中台对海量数据进行采集、计算、存储、加工，同时统一标准和口径。
-
数据中台把数据统一之后，会形成标准数据，再进行存储，形成大数据资产，进而为企业不同部门设置外部企业提供高效服务。
- 从技术视角：
- 数据中台是一种数据管理体系，最重要的目标是支持各部门业务数据和提供计算服务。数据中台的本质就是“数据仓库+数据服务中间件”。
- 从业务视角：
- 数据中台是指通过完成企业内外部多源异构的数据采集、治理、建模、分析、应用，打通数据孤岛实现数据集中管理应用,成为企业数据资产管理中枢。
1.2. 数据中台的本质
- 数据中台的本质，就是“数据仓库+数据服务中间件”，它不仅为数据分析挖掘而建，同时作为各个业务的数据源，为业务系统提供数据和计算服务。
- 在这个过程中，数据中台不仅要解决“读”的问题，也要解决“写”的问题，需要的是一整套的数据治理规范。这一点在“主数据管理”和“交易数据管理”上，都能得到很好的体现。
2. 数据中台要解决的问题
2.1. 数据的统一管理
- 通过大数据的技术，实现对海量的、多类型的、多来源的数据统一管理，沉淀并形成数据资产；
- 具体包括：
- 数据接口管理
- 数据模型管理
- One ID（ID Mapping）
- 数据资产管理
- 数据质量管理
- 数据权限管理
- 数据安全管理
2.2. 多源、异构数据融合
- 在数字化时代，企业融入了整个互联网生态，企业内部、企业之间的联系在新的技术和工具下，业务连接更加紧密，这催生了企业之间的数据通过开放、共享，企业和社会级数据的连接服务，实现企业内、企业间、企业与社会公共服务的数据之间的融合共享；
- 数据来源体系包括：
- 业务系统
- CRM
- BPM
- OA
- WMS
- TMS
- OMS
- 埋点数据
- 前端埋点
- 后端埋点
- 第三方数据
- 第三方企业提供的数据
- 如：阿里妈妈、巨量引擎；
- 第三方企业提供的数据
- 手工数据
- 人工手动处理的表格文档；
- 爬虫数据
- 通过爬虫技术获取的数据
- 业务系统
2.3. 数据服务体系
- 数据最终是为了服务于应用，通过面向智能的方法和工具，可大幅的提升数据运用的效率，帮助企业实现业务的实时响应。
- 数据服务体系，具体包括：
- BI 报表
- 用户分析
- 商品分析
- 流量分析
- 交易分析
- 自助分析平台
- 自动化营销平台
- 推荐系统 / 用户画像
- 欺诈行为分析
- …
3. 数据中台与传统数据仓库的差别
3.1. 数据存储差异
- 与存储“已知”结构化数据，解决“已知问题”的传统数据仓库（Data Warehouse）相比，数据中台存储了大量“未知”的原始数据，利用数据科学（Data Science）可在应用层面进行更多探索，帮助企业解决更多“未知”的商业问题。
3.2. 数据量级差异
- 数字技术的革命，使得可收集的数据在量级上产生了爆发，因为数据的“量变”，催生了数据管理和应用的“质变”，这是数据中台出现的主要原因。
- 如果说传统的“数据仓库”面对的是“小数据”，数据中台处理的则是真正的“大数据”。
3.3. 服务对象差异
- 传统的数据仓库只是满足领导数据决策的需要，因此更多地体现在报表输出，使用者以小部分的业务人员和决策层为主，新需求的开发周期以月甚至到年为计。
- 而数据中台由于起家于互联网企业，其使用对象扩大到一线服务人员和商家企业，其业务需求更繁杂，很难用一套报表系统满足需求，因此催生出一个生态的数据服务。
3.4. 在服务表现形式差异
- 数据中台体现的更多样化，数据中台不仅能提供报表基础服务功能,而且为了满足各个业务部门不同需求，会提供领导决策系统、行业分析、业务洞察、业务重塑、自助查询等多个功能，满足从领导层、PD、业务人员、开发人员等各个层级的需求。
- 在继承性方面，数据中台采用传统的数据仓库Kimball维度建模法，按照事实表、维表来构建数据中台的数据模型。
4. 数据中台的三种形式
4.1. Data Lake（数据湖）
- 技术难度最重的一种，定位是企业业务层面的数据大集市，会整合全公司各种数据源，支撑的不只是营销场景，还包括企业个性化的业务场景；
- 往往由企业的最高层直接领导，目标是帮助企业进行数字化转型。由于在数据对接和数据处理层面需要处理大量定制化数据源，因此构建过程往往以年为时间单位；
4.2. CDP（Customer Data Platform）
- 技术难度稍低的数据中台，定位是营销层面的数据大集市，目标是支撑各种利用企业自有数据的营销场景。
- 因为CDP通常只对接标准化数据源（例如两个企业用的是同一款标准化CRM，他们的底层数据结构都是一样的），数据治理和数据管理相对容易，因此实施周期以月为单位；
4.3. DMP（Data Management Platform）
- 定位是支撑以程序化广告为主的实时营销场景，和Data Lake，CDP的最大不同是毫秒级数据输出。因为DMP主要用到的是广告监测数据、网站分析数据和第三方大数据，数据格式相对固定，因此实施难度最低。
5. 数据中台在营销中的应用
- 赋予企业数字营销的精细化操作能力：
- 当市场部们承接的数字营销预算大到一定程度时，便无法仅凭借营销人员的个人经验对营销活动进行微观操作。
- 而在拥有数据中台后，便可依靠数据+技术，驱动整个营销体系的精细化操作；
- 提升营销执行的ROI：
- 这是企业最常规的诉求，市场部绝大部分预算都分配在营销执行层面。按照每年1亿的营销投入计算，如果能通过数据提升1%的精准度，就能为企业节省100万的成本，这是能最直接看到的真金白银；
- 战略视角的营销策略：
- 在打通生产、销售、电商、服务等数据后，市场部就能看到更加连贯的全局数据，可以站在更高维度审视营销在公司战略布局中的定位和作用；
- 提升市场部内部运营的整合度：
- 当市场部内部职能划分过细，便需要通过数据来串接营销运营过程中的市场研究->市场策略->营销执行->效果考核，避免内部信息不对称，提升运营效率 ；
- 加强市场部和其他部门间协作：
- 当企业内部组织架构达到一定复杂度，市场部需要通过数据对接其他部门的运作，在企业统一的考核体系下，于企业内部证明自身价值，争取更多资源；
- 支撑业务的数字化转型：
- “数字营销”已不再只是营销词汇，数据中台所拥有的资源（数据/IT设施/考核规则/运营人员），除了支持营销场景，还可用于构建各种数字化转型的业务场景，作为CMO和CEO/CGO/CDO对话的核心资本。
- 今天讨论建立营销数据中台的，除了市场部和IT部门，很多需求是来自更高层的CEO、COO（首席运营官）、CGO（首席增长官），这些高层的诉求通过“数据中台”来解决业务问题（例如产能过剩、人员效能、获客），支持企业的创新业务（例如新零售、金融科技、数字化管理）。
