数据中台VS业务中台、数据中台VS数据仓库，到底有什么区别？

01 数据中台VS业务中台

1.数据中台与业务中台的区别

业务中台更多偏向于业务流程管控，将业务流程中共性的服务抽象出来，形成通用的服务能力。比如电商平台，有C2C、B2C、C2B、B2B四种模式，其中订单、交易、商品管理、购物车等模块都是有共性的。

将这些组件沉淀出来，形成电商行业的业务中台，再基于这些业务中台组件的服务能力，可以快速搭建前台应用，譬如C2C模式的淘宝、B2C模式的天猫、B2B模式的1688、C2B模式的聚划算，用户通过这些前台业务触点使用业务服务。业务中台不直接面向终端用户，但可以极大提升构建面向终端用户的前台的速度和效率。

业务中台是抽象业务流程的共性形成通用业务服务能力，而数据中台则是抽象数据能力的共性形成通用数据服务能力。比如，原始业务数据通过资产化服务化，形成客户微观画像服务，这个服务可用于电商平台的商品推荐，也可能用于地产购房意愿，还可能用于金融领域的信用评级等。

同一个服务，在应用层面展现的内容可能不一致，但是底层的数据体系是一致的。数据中台也将极大提升数据开发的效率，降低开发成本，同时可以让整个数据场景更为智能化。

2.数据中台与业务中台的联系

如果同时拥有业务中台和数据中台，则数据中台与业务中台是相辅相成的。业务中台中沉淀的业务数据进入到数据中台进行体系化的加工，再以服务化的方式支撑业务中台上的应用，而这些应用产生的新数据又流转到数据中台，形成循环不息的数据闭环，如图2-8所示。

图2-8 业务中台与数据中台的数据应用闭环

业务中台与数据中台互相促进，为企业业务的发展、管理者更好的决策提供支持。其中，业务中台的存在是为了围绕公司业务运营进行服务，将获取的多维度数据传递给数据中台，由数据中台挖掘新的价值反馈给业务中台，以优化业务运营。

有人可能会有疑惑：数据中台和业务中台的建设是否有先后顺序？

笔者们以为，这两者的建设没有先后之分，主要依据企业的实际情况进行规划。

从数据层面看，业务中台只是数据中台的数据源之一，除此之外，企业还有很多其他的数据来源，如App、小程序、IoT等多源数据，可以将这些数据的价值直接赋能于现有业务或某个创新业务。

从服务层面看，数据中台的数据服务也不一定经过业务中台作用于业务，它可能直接被上层应用系统进行封装，如电商领域的“千人千面”系统。

而从业务中台的角度来看，如果没有数据中台，可以做一些简单的数据处理，如分析和统计等，而通过数据中台赋能，则可以使业务系统拥有“全维度”、“智能化”的能力，譬如推荐、圈人等，系统将从信息化升级成为一个智能化的业务系统。”

不仅仅是业务中台，目前各种中台层出不穷，但笔者们认为中台不是平台，平台可以有很多，可以有营销平台、风控平台、管理平台等，但是中台，一个企业只需要有一个。现在还有业务中台、数据中台之分，但我们预测未来数据与业务会更紧密地结合，完全融为一体，会统一成“企业中台”。

02 数据中台VS数据仓库

数据仓库的主要场景是支持管理决策和业务分析，而数据中台则是将数据服务化之后提供给业务系统，目标是将数据能力渗透到各个业务环节，不限于决策分析类场景。数据中台持续不断地将数据进行资产化、价值化并应用到业务，而且关注数据价值的运营。

数据中台建设包含数据体系建设，也就是数据中台包含数据仓库的完整内容，数据中台将企业数据仓库建设的投入价值进行最大化，以加快数据赋能业务的速度，为业务提供速度更快、更多样的数据服务。

数据中台也可以将已建好的数据仓库当成数据源，对接已有数据建设成果，避免重复建设。当然也可以基于数据中台提供的能力，通过汇聚、加工、治理各类数据源，构建全新的离线或实时数据仓库。

另外，数据中台一般采用全新数据技术架构，可以更方便地进行数据价值的挖掘。随着企业数据量越来越大，智能化场景越来越多，传统架构的存储计算能力无法满足这类数据业务的需求。而随着机器学习、深度学习等技术的发展，从看似无用的数据中挖掘出新价值的能力也越来越强，新的技术架构为这些场景的建设提供了很好的能力支撑。

03 数据中台VS现有信息架构

如何唤醒沉睡的数据资产，把数据真正用起来，以支持自身业务的智能化升级，这是摆在所有传统企业面前的数字化转型难题。因此，对于是否有必要建设数据中台这件事情，似乎并无太多质疑之声，但真要建设数据中台，尤其是落实到具体建设的实操阶段，企业又开始担心，他们最担心的莫过于，建设数据中台是不是要将企业现有信息架构推倒重来。

信息化时代初期，随着公司的业务发展和战略调整，为了更好地支撑业务，企业的信息化系统不知道被推倒重来过多少次，经历了成千上万次取数，也生成了数以千计的报表。伴随着一批又一批的数据人员的成长和离开、行业专家和业务人员的晋升或转型，数据仓库之间的演进也经常是推倒重来，消耗了企业大量成本。

数据中台作为解决企业级数据应用难题的新方案，不是一套软件系统，也不是一个标准化产品。站在企业的角度，数据中台更多地指向企业的业务场景，即帮助企业沉淀能力，提升业务效率，最终完成数字化转型。因此，数据中台与企业现有信息架构不存在竞争关系，不会导致企业现有系统、功能和应用的重复建设。

举个简单的例子，笔者们此前与一家做轮胎制造的上市公司进行过交流，它当时就用到很多个业务系统，比如OA系统、ERP系统、工艺设计与管理系统、物流系统、生产系统等。该企业的一个核心痛点是：“无法准确知道当前的轮胎能否准时或者提前交付”。

制造型企业一般处于产业链的中间位置，非终端或者源头端，比如这家轮胎制造企业，它的上游是橡胶提供方，下游是汽车组装商或者汽车零部件厂商。轮胎的及时交付就意味着公司的生命线——稳定的现金流。

而影响轮胎能否及时交付的数据变量是散落在所有系统中的，诸如物流的及时性、对生产过程的控制力、是否有重大的经济压力、甲方工艺设计需求的变化等。

在有数据中台之前，他们是怎么做的呢？企业首先需要拉出所有系统数据库中的表，然后再用Excel去做对应关系，整个过程是非常琐碎且耗时的。

如果有数据中台体系，可以通过中台机制汇聚相关系统中的原始数据，并且面向轮胎这一公司经营的实体构建一系列场景化的标签特征。同时，通过离线或者实时的数据交互模式，不断更新特征值，将业务场景所关注的数据的价值直接展现出来。

从上面的例子能看出，数据中台在定位上与业务IT系统并不冲突。企业原有的IT系统依旧会根据业务和IT技术的迭代不断升级，依旧对企业的生产运营或者经营管理提供支撑。数据中台的定位则是在数据领域帮助企业不断沉淀数据能力。两者之间的关系是相互依托、相互赋能、相互促进的。

数据中台需要IT系统不断提供数据，而IT系统未来更加需要横向、综合的数据特征来支撑。只有形成了数据中台和IT系统良好的配合关系，才能更好地构建企业整体的IT支撑能力。

关于作者：付登坡（花名：天湛），资深大数据专家，数澜科技联合创始人&地产事业部总经理。有10余年大数据领域从业经验，擅长数据建模、海量数据产品架构设计与实现。原阿里巴巴集团大数据专家，曾在阿里巴巴集团负责消费者数据标签体系、DMP平台等大数据项目设计与实施。

江敏（花名：江敏），资深大数据专家，数澜科技联合创始人& CTO。有10年大数据平台规划、数据安全交换使用、数据应用场景建设方面的实践经验。曾任职于阿里数据平台事业部、阿里云数据事业部，负责阿里数据能力及平台的行业客户赋能，并打造行业的数据共享交换，是ID-Mapping体系能力构建及服务化的核心参与者、数据交易模式的早期探索者。

任寅姿（花名：影姿），资深数据产品专家，数澜科技创新事业部总经理。曾任阿里巴巴数据产品专家、数据创新梧桐工作室负责人等。对大数据资产设计、资产服务、资产应用在实践的基础上形成了一套完整的数据标签类目体系方法论，擅长对各种复杂业务场景进行需求拆解、数据抽象和数据应用建模，关注采用大数据方法切实解决场景痛点，提升业务效率。

孙少忆（花名：守正），资深数字化转型咨询专家，数澜科技战略副总裁。20年企业信息化工作经验，积累了丰富的信息化内部运营、解决方案销售及交付等方面的实践经验。