传统行业数字化转型：除了自建数据中台，还有别的招吗？

1.

在经历了20多年信息化建设进程之后，如今的中国企业正在数字化和数智化升级的产业浪潮中踏浪前行。随之而来的，在对内、对外两个企业场景，围绕“人”“物”“信息”的各类数字化平台系统，逐渐得到了越来越广泛的企业应用。

然而，这些不同场景的数字平台在发挥“降本增效”巨大价值的同时，其背后产生的海量数据也开始迎来了“管理难、使用难”的尴尬。海量、多源、碎片化、混合部署的背后，大数据被分散在了不同的数据仓库或数据湖里，形成了一个个割裂的“数据孤岛”。在存储层，则表现为部署方式不同、支持的数据类型不同、架构不同的各种数据仓库软件或大数据平台系统，而他们之间基本互不兼容、难以互通。

2017年阿里巴巴提出“数据中台”战略后，在之后的数年间，大量企业在大数据建设和管理上纷纷效仿，投入大量人力、财力构建自身的“数据中台”，大有“无企业不中台”之势，甚至由“数据中台”派生出一系列“中台”，如技术中台、业务中台，更有甚者还有“运营中台”。

尴尬的是，在产业数字化进程不断加快的今天，却鲜有企业再大喊“数据中台”的口号；同时，我们回顾近5年的大数据治理、产业数字化的进程，除了几家互联网行业巨头凭借丰富的信息化资源与技术优势，其自身的数据中台获得不错的应用实践之外，大量的传统行业尤其制造业集团企业在自建数据中台的实践中，能称得上特别成功的案例，却少之又少。

互联网企业玩得很好的“数据中台”，为啥在传统企业就不灵了？数据中台都说好，为什么建起来这么难？除了付出高昂的成本来自建数据中台外，传统企业在数字化转型的路上还有别的招吗？

2.

谈及数据中台，总有几个绕不过去的核心问题——企业要建设数据中台的目的是什么？目标是什么？应该用何种原则指导内部的数据中台建设？哪种实现路径是最优的选项？每个企业的答案或许不同，但总会有一些朴素的通识存在。

问题导向性

数据中台从诞生之初，就是为了解决企业实际发展问题而生的。阿里巴巴是为了解决传统封闭的IT基础设施（IOE架构）与多条业务线快速增长背后对数据管理、数据流通、数据消费需求不相适应的矛盾，凭借着技术自研优势历经数年才逐步取得了数据中台的成熟与成功实践，在企业战略层与微观业务层都极大支撑了集团的快速增长。

面对很难说清的数据中台，你的企业又是为何而建呢？是企业发展在战略层面遇到了不可逾越的桎梏，还是在微观业务层面想解决“数据孤岛”的问题，亦或是新兴业务场景，对大数据管理和使用提出了更高的要求？

经济性

仅对建设中台的目的非常明了是不够的，其背后动辄数千万、甚至数亿的巨大资源投入也是不得不考虑的重要因素。在数字化的时代场景，更多的数据中台，不仅仅数据的平台和系统而已，更是数据的服务和能力平台，“企业沉浸在数字之中，让数字如水如电般在企业内部流动”，甚至与业务流程与组织的升级。很多传统企业，在没有形成自上而下的战略共识、必要的组织升级与资源投入准备前，盲目推动中台的建设，其推进阻力之大、实施效果之差，不言而喻。

适应性

除此之外，大型传统企业还要考虑既往信息化建设的现状和遗留问题。在建设大数据中台的过程中，怎样才能实现原有数据资产的平滑迁移和安全部署，在保障数据资产绝对安全的前提下，对原有的大数据仓库或平台建设，如何实现尽无打扰、零破坏，不能影响和破坏业务线的正常良性运转。

诸如以上种种考量，企业是否要投入巨量资源个性化开发数据中台，是一个因人而异的问题。面对数字化的竞争环境与增长需求，是否需要构建统一的数据中台已经不再是一个问题；问题是企业要投资大量资源自建，还是通过更加产品化的方案，实现满足自身需求的开放式数据中台的目标。

3.

以汽车行业为例，作为典型的传统制造业，在研发设计、生产制造、车联网终端等多个业务场景下，车企存有大量的数据管理与数据消费需求。面对海量、多源、混合部署的数据资源，如何实现统一的平台管理，具备数据服务化的能力向业务部门提供更加高效、系统、规模化的赋能，成为汽车企业IT信息化部门的痛点。按行业惯性做法，要解决以上问题通常需要投入大量资源、耗费较长周期（6-12个月以上）进行数据中台的IT建设；尽管如此，在数据迁移、系统兼容、运营安全、项目进度等诸多方面，企业还有面临诸多挑战。自建数据中台的路上，可谓处处有坑，步步惊心。

国内某领先的整车集团企业案例

——更轻量级、更高效、更经济的开放型中台方案

面对以上需求，国内某知名领先整车集团企业选择了一种更轻量级、更高效、更经济的解决范式——借助零代码开发、下载即用的麦聪DaaS（数据即服务）平台，在一周左右的时间内，通过简单的接口对接，平台便整合了CDH/HDP、Oracle、MySQL、开源Hadoop、MPP等多个主流数据平台，轻松解决了企业数据统一管理和服务的问题。依托平台的“数据超市”，快速实现了跨数据源的内部数据共享；以便捷的“自主查询”释放重复运算的IT与人力资源，让数据消费更加高效；以“数据API”为载体变数据资产为数据能力和数据服务，赋能各种数据消费场景。