白皮书首发:173位大数据决策者眼中的数据中台是长这样的

本文涉及的产品
阿里云百炼推荐规格 ADB PostgreSQL,4核16GB 100GB 1个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 数字化浪潮席卷全球,颠覆性创新正在加速,企业面临着前所未有的挑战和机遇,必须不断加速数字化转型才能生存和领先。在数字化转型过程中,企业需要更为深入地理解客户和市场,以数据洞察来驱动企业的行动,从而更好地获取、服务以及留存客户,实现业务增长。

数字化浪潮席卷全球,颠覆性创新正在加速,企业面临着前所未有的挑战和机遇,必须不断加速数字化转型才能生存和领先。在数字化转型过程中,企业需要更为深入地理解客户和市场,以数据洞察来驱动企业的行动,从而更好地获取、服务以及留存客户,实现业务增长。

而作为洞察经济的核心引擎,数据中台显得尤为关键。2019年6月Forrester咨询公司对国内数据中台进行了研究,访问了173位大中型企业中对数据洞察实践有了解和规划、熟悉数据中台相关概念且使用数据中台相关产品的负责人。探索了数据在推动商业洞察、提升客户体验、深化数字化转型方面的重要作用以及数据中台必备的能力,并且针对如何构建数据中台,从战略、组织、技术和人才等维度提出了相应的建议。

以下为Forrester首席分析师穆飞在“2019首届数栖大会”上对于研究成果的精彩演讲分享实录,由数澜科技整理,略有删减。数据中台白皮书下载,可扫描下文海报中二维码即可获取。

图一

客户时代:让数据民主化,驱动企业的每一个行动

Forrester的研究认为每经过几十年就会进入一个全新的时代,2010年开始我们进入客户时代。

2

客户时代,企业一定要转型成为客户痴迷型的企业,一切的行动、洞察和产品、服务都要基于客户的需求存在。为了满足这样的目标,我们的数据应用也经历了一系列的变迁:

• 从1970年开始,最早是管理信息系统(譬如ERP系统),开始利用计算机帮助企业处理复杂的流程和业务;

• 数据越来越多,管理层需要知道到底发生了什么,就有了决策信息系统,可把各个流程中的数据整合出来,成为一系列指导意见传递给管理层;

• 不仅管理层,底层员工也有数据需求,这时BI系统出现了,可以有策略组织、收集数据,帮助底层员工通过拖拉拽的方式把数据用起来;

• BI系统只能处理到一些诊断性的信息,对于预测性的信息(譬如未来要发生什么,做一些分析的时候),Analytics系统开始出现了;

• 随着数据越来越多,分布式的技术出现,2010年出现大数据技术,可处理PB级数据。BI+Analytics+大数据,整合起来大多面向某一个主题或者某一个单独应用,为企业某一部分人提供服务,所以数据显示大概只有20%的数据用起来了;

• 客户时代,需要成为客户痴迷型的企业,一定要用到全量数据,让数据真正民主化,让数据真正驱动企业每一个行动,从2015年左右开始出现了“洞察系统”——以数据中台为支撑,可以让数据真正用起来。

以数据中台为基础的洞察系统位于企业应用的核心

传统的企业有前台系统(互动系统SoE),需要通过它来和客户产生互动,去服务、获取客户的信息。我们也有传统的后台系统(记录系统SoR),包含传统的管理信息系统,可以把企业内部的信息沉淀起来;在客户时代我们还会依持续有策略的获取数据(自动化系统SoA),因为在客户时代,在万物互联的智能时代,我们的连接人和物的数据越来越多,有自动化系统可以帮助企业持续获取数据。

而位于最中间的位置就是洞察系统SoI,是以数据中台为支撑,能够真正帮助企业从数据获取洞察,能够帮助企业把洞察直接转化为行动,这是数据中台为支持的洞察系统主要发挥的作用。

03

数据中台能为洞察系统带来巨大收益

有了洞察系统,会给企业带来很大的收益,并不是泛泛而谈,而是有实际的数据来支撑。

企业拥抱了数据中台,可以催生洞察型业务,将给企业业务增长带来强大的推进能力。总结分析全球范围内比较有代表性、能够做到以洞察为驱动的企业,对于较成熟已上市大型企业,年均增长率可达到27%,对于较敏捷的初创公司更可达到40%的年均增长率,远远领先于全球平均GDP增速。

统计来看,全球8%企业进入洞察驱动较高阶段,而57%的企业只是在洞察驱动初级阶段,由于没有数据中台,无法达到全面洞察驱动。从增长速度来看,较高级别企业的业务增长能力可以是较低级别企业的1.8倍左右;对于响应客户的需求、维持竞争的优势,也有2倍的差距。因此如果想在客户时代持续保持领先,就一定要拥抱数据中台,形成数据洞察系统。

04

数据中台可以强有力地推动数字化转型

Forrester展开调查研究,走访国内173位大数据决策者,他们的级别大多都是在高级经理以上,是数据中台相关产品的规划和使用负责人,接下来我将把他们对于数据中台的看法呈现给大家。

05

数据中台可以强有力地推动数字化转型,从三个方面来看:

• 以客户为中心,能够全面用洞察驱动企业每一个行动。通过数据中台,对客户有更为深刻的了解,可更为精准触达想要的客户,营销更为精细化;

• 在客户时代,客户需求千变万化,企业一定要快,一定要不断推陈出新,否则就会被淘汰,数据中台可以有效支持企业开展大规模的创新,在客户时代取得持续的领先;

企业通过盘活的全量数据,构建坚实的竞争壁垒。通过数据中台可以帮助企业获得持续竞争优势,比如你可以更了解客户资源,可以获得更高客户的忠诚度。通过内外部数据的打通,更有效利用数据,数据会越来越多,数据资产增值,获取竞争优势,我们走访的客户很多认为数据中台可以带来这些价值。

数据中台应该具备多维核心能力

数据中台既然有这么多的好处,数据中台需要具备什么样的能力,怎么样才算数据中台?

06

第一,数据整合和管理能力。数据在不同系统,企业要整合全量数据首先要汇聚数据;

第二,数据提炼和分析加工。数据就像石油,但石油很难直接应用,需要变成汽油、柴油、润滑油才能应用;

第三,数据资产化服务。数据中台推动的洞察系统,需要全面推动企业的每一个动作,这时候要有全方位服务平台,把数据资产转化为丰富多样的数据服务;

第四,达到业务价值的变现。数据中台的建设并不只是IT部门的事情,数据中台一定要全方位跟业务融合,才能为业务带来价值,系统的建设才能够持续往前走并取得成功。

具体展开来看:

• 在数据整合阶段,需要数据中台整合企业内部多种来源的数据,有结构化、半结构化或者完全非结构化的各类数据,实现非常简便的管理和集成运营。这一步最为关键的是要让用户能够很方便找到数据,因为目前来看稍微大型一点的企业想要快速而精准地找到一个数据还是不容易的事情;

• 在提纯加工阶段,一定需要非常完善的标签体系,而且该体系是面向业务的。也就是说如果纯粹从IT人员角度来看数据,是缺少业务维度的,这时需要和业务部门一起,构建一个完善的标签体系。同时需要智能的数据影射的方法,能加快原始数据资产化进程。当然这里面很重要的是数据质量保障体系,尤其是对于AI应用,数据质量差之毫厘,结果也会谬以千里。此外,在汇聚整合和提纯加工,安全保障非常重要。

07

• 在资产服务化阶段,需要提供简便数据服务开发环境以及先进的数据分析等能力 。全量数据汇聚及资产化后,关键在于最大化服务企业,因此需要便捷的数据服务开发环境,不仅能让数据工程师,甚至可以让业务人员也可以开发出洞察驱动类的应用,这是最理想的状态。同时数据可视化、AI服务以及数据分析能力也是非常关键的;

• 在服务的业务化阶段,这关系到我们强调的洞察系统,之前是前端、后端系统,中间为什么要加一个洞察系统?因为这个系统最关键的作用是要把企业洞察转化为行动。传统企业会做各种报表、汇报邮件,最后到底带来什么特别有效的结果?它是有限的。所以一定要把通过中间的洞察系统(数据中台),打通数据驱动业务的通路,实现数据的价值变现。在此基础之上,需要管理丰富的数据应用,并且针对场景做实际的应用获取价值。

08

建设数据中台需要全面发力

根据Forrester的数据调研显示,2018年有74%的企业要建数据湖,但实际上,至少有1/3的企业只建成了数据的泥沼,数据没有用起来,想从里面取出有价值的信息是非常困难的。

为什么发生这样的事情?是因为数据中台是一种战略选择、组织形式,也是一套数据运营的机制,而非仅仅是工具和产品。因此推动数据中台的全面落地不仅需要技术作为强力的基础保障,还离不开战略级的通盘考量、组织架构的支持、以及优秀数据人才的供给保障。企业需要从多方面形成合力建设数据中台,依据本行业的业务特点,解决数据孤岛、数据维护、数据价值利用低等沉疴痼疾,将数据变成可持续增值的资产, 帮助企业不断深化转型,傲立潮头,基业长青。

如果只是买了一个叫做“数据中台”的产品,而且只是技术部门来主导这件事情,未来得到的结果一定失败。

首先从战略角度来看,企业一定要建设以数据为驱动的战略。因为企业上下从业务部门到技术部门,从数据部门到业务开发部门,各部门一定要有一致的愿景,通过战略可以实现数据驱动的愿景,这是非常重要的。而且可以看到有96%的企业也认识到,依靠自有能力不足以完成数据中台的建设过程,需要寻找合适的合作伙伴、共建和共赢。所以与数据中台相关的商业市场,是一个非常广阔的市场。

从组织的角度来看,很多时候企业各部门都希望能够拿数据,不希望给数据。因此需要有一个跨部门的组织,能够确保数据能在各个组织间充分互通;

技术方面,数据中台一定要打通多方数据,一定要提供丰富的数据服务,打通前台和后台企业内部各个系统之间从数据到洞察到行动的能力。

最后是人才,也是非常关键的。据统计,全国大数据类人才需求量大概是180万,但是目前只有30万,还有150万的缺口。所以即便有合作伙伴,企业内部也一定要培养大数据相关人才。可以看到企业对数据治理体系、数据资产化、服务化的人才都是非常期待的。

更多资讯可以访问数澜社区~https://bbs.dtwave.com

相关实践学习
阿里云百炼xAnalyticDB PostgreSQL构建AIGC应用
通过该实验体验在阿里云百炼中构建企业专属知识库构建及应用全流程。同时体验使用ADB-PG向量检索引擎提供专属安全存储,保障企业数据隐私安全。
AnalyticDB PostgreSQL 企业智能数据中台:一站式管理数据服务资产
企业在数据仓库之上可构建丰富的数据服务用以支持数据应用及业务场景;ADB PG推出全新企业智能数据平台,用以帮助用户一站式的管理企业数据服务资产,包括创建, 管理,探索, 监控等; 助力企业在现有平台之上快速构建起数据服务资产体系
相关文章
|
6月前
|
供应链
代采系统如何利用大数据分析优化采购决策?
代采系统可以利用大数据分析来优化采购决策
|
6月前
|
数据采集 监控 算法
利用大数据和API优化电商决策:商品性能分析实践
在数据驱动的电子商务时代,大数据分析已成为企业提升运营效率、增强市场竞争力的关键工具。通过精确收集和分析商品性能数据,企业能够洞察市场趋势,实现库存优化,提升顾客满意度,并显著增加销售额。本文将探讨如何通过API收集商品数据,并将这些数据转化为对电商平台有价值的洞察。
|
6月前
|
存储 数据采集 大数据
大数据处理与分析技术:驱动智能决策的引擎
本文介绍了大数据处理与分析技术在现代社会中的重要性和应用。从数据采集、存储、处理到分析决策,大数据技术为我们提供了深入洞察和智能决策的能力,推动着各行各业的创新和发展。
260 0
|
25天前
|
存储 数据采集 监控
大数据技术:开启智能决策与创新服务的新纪元
【10月更文挑战第5天】大数据技术:开启智能决策与创新服务的新纪元
|
1天前
|
消息中间件 分布式计算 大数据
数据为王:大数据处理与分析技术在企业决策中的力量
【10月更文挑战第29天】在信息爆炸的时代,大数据处理与分析技术为企业提供了前所未有的洞察力和决策支持。本文探讨了大数据技术在企业决策中的重要性和实际应用,包括数据的力量、实时分析、数据驱动的决策以及数据安全与隐私保护。通过这些技术,企业能够从海量数据中提取有价值的信息,预测市场趋势,优化业务流程,从而在竞争中占据优势。
15 1
|
17天前
|
机器学习/深度学习 运维 Kubernetes
AllData数据中台核心菜单三:数据平台(K8S)
杭州奥零数据科技有限公司成立于2023年,专注于数据中台业务,维护开源项目AllData并提供商业版解决方案。AllData提供数据集成、存储、开发、治理及BI展示等一站式服务,支持AI大模型应用,助力企业高效利用数据价值。
AllData数据中台核心菜单三:数据平台(K8S)
|
17天前
|
存储 机器学习/深度学习 人工智能
AllData数据中台核心菜单二:数据平台
杭州奥零数据科技有限公司成立于2023年,专注于数据中台业务,维护开源项目AllData并提供商业版解决方案。AllData提供数据集成、存储、开发、治理及BI展示等一站式服务,支持AI大模型应用,助力企业高效利用数据价值。
|
3月前
|
存储 大数据 数据处理
解锁时间旅行新姿势!EMR DeltaLake 如何让你在大数据海洋中畅游历史,重塑决策瞬间?
【8月更文挑战第26天】DeltaLake是由DataBricks公司开源的大数据存储框架,专为构建高效的湖仓一体架构设计。其特色功能Time-Travel查询允许用户访问数据的历史版本,极大增强了数据处理的灵活性与安全性。通过独特的文件结构和日志管理机制,DeltaLake实现了数据版本控制。用户可通过指定时间戳或版本号查询历史数据。
35 2
|
3月前
|
存储 机器学习/深度学习 数据采集
深入解析大数据核心概念:数据平台、数据中台、数据湖与数据仓库的异同与应用
深入解析大数据核心概念:数据平台、数据中台、数据湖与数据仓库的异同与应用
|
3月前
|
Java Spring 开发者
解锁 Spring Boot 自动化配置的黑科技:带你走进一键配置的高效开发新时代,再也不怕繁琐设置!
【8月更文挑战第31天】Spring Boot 的自动化配置机制极大简化了开发流程,使开发者能专注业务逻辑。通过 `@SpringBootApplication` 注解组合,特别是 `@EnableAutoConfiguration`,Spring Boot 可自动激活所需配置。例如,添加 JPA 依赖后,只需在 `application.properties` 配置数据库信息,即可自动完成 JPA 和数据源设置。这一机制基于多种条件注解(如 `@ConditionalOnClass`)实现智能配置。深入理解该机制有助于提升开发效率并更好地解决问题。
66 0