如何从零开始建设数据中台？

我们把它简化为一个方程式，正确的人+正确的工具+正确的事，三者缺一不可。

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）。」

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？

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）。

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。

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」。

数据中台的实践在零售、时尚、百购等行业相继落地成功，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。