![]( "箭头引导关注")
总第2篇，2019年第2篇
如今我们打开很多公众号文章都能看到很多有关中台概念的文章，从supercell到阿里的中台建设带来的卓越成果，我们看到的都是一个小前台大中台的一个公司总体架构的设计规划。如今，震坤行也在内部规划开始了自己的数据中台规划与设计。
![]()
在设计之初，我们也在探索数据中台是什么？数据中台能够解决什么样的问题？数据中台是涵盖数据仓库，数据湖和大数据平台的综合体。数仓是数据中台的一个重要部分，但传统的数仓更多的是满足上层的数据决策需求，主要体现的是以报表输出为主，使用方比较单一，就算有部分扩展人群，也以小部分运营人员以及数据分析人员为主。
而数据中台涵盖的服务对象更为广泛，其初始的服务对象主要是业务中台，而后可扩大到外部的一些商家企业等，其结合业务的需求会更紧密和繁杂，无法通过报表维度做单一出口的输出，因此需要一个完整的生态数据服务。从架构上来看，数据中台是有多个组件组成，除存储平台，计算平台，其包含的有开发IDE、workflow、datasync、对外的api数据服务、数据资产管理、oneid建设以及敏捷报表开发等多个建设为一体的整套方案。
传统的企业发展我们势必从业务DB积累到一定量数据后形成了自己的数据仓库，而后借助平台化的思路，我们将一些跨业务应用的数据进行整合与统一，以通用的服务应用到一些数据应用场景上形成了数据业务化，赋能业务跑的更快，从而释放数据价值。
基于以上思考，我们得到的数据中台一个初步模型，如下图所示：
另外作为数据中台中最重要的数仓层面，我们也做了重新的规划设计。基于震坤行的结构化数据仓库，我们做了如下整体架构的设计：
如上图所示，ods层主要是存储层，其中数据表保持与业务数据库的同构，这样比较方便回溯同步过程中的问题，在同步过程中我们会造成脱敏这一步骤。dwd层主要是数据明细层，这一层次我们会对数据做规范化，例如编码转化，指标的统一格式等。dwt和dim层主要是对数据主题的一个梳理和抽象出了通用的一些维度表。dwa层的数据已经是汇总后的数据，涵盖了通用维度和指标数据。
多层数据并非只要dwa层对数据应用提供服务，我们可以轻易的发现，在很多数据应用场景中都有需要明细数据或宽表数据的需求，因此这样的供给流向应如下图所示：
在数据模型的设计上，我们采用了Ralph Kimball 的维度建模方法，在梳理完业务中台的设计蓝图后，我们结合起来从业务出发细分了各个主题域以及其下的主题，并对主题中所属系统做了大致归类，主题域大致如下图所示：
主题以及其所属信息因为涉及保密条例，我们在此抽出供应商管理做个简单介绍，具体如下图所示：
数据中台的主要价值在起初是赋能业务中台，我们需要完成的主要是如下的两个方面：
1) 业务通用型的数据复用；
2) 从业务这边关心的数据实时追踪埋点收集，从而驱动业务记录数据；
3）更强大的数据处理能力保留下更多的数据。
从数据中发现价值赋能业务。包含报表化、定制化分析、自助型分析、数据化运营、AI对外服务。
而后在之后的发展中，数据中台可以更好的放大数据价值，驱动新的业务创新，带动企业增长，并对外输出企业的数据服务。
震坤行的数据中台建设才刚刚起步，数据中台的建设需要多方面的因素与很大的投入，而见效并无法迅速显而易见，数据来源于业务，业务也更需要数据的支持，完善的数据中台可以带领公司实现弯道超车，协助业务更好发展，希望以上数据中台建设的思考能带来一点启发。