前几天看到一个文章标题，说“70%的数据中台项目都失败了”。感觉很欣慰，居然有30%的项目是成功的。因为在我的认知中，绝大部分企业做数据中台是缺乏成功的土壤的。估计是评价成功的标准不一样吧。最近两年看了很多业内分享的数据中台的前沿案例，感觉更像是数据平台、数据仓库、ACRM，甚至是报表平台。

数据中台项目

下面来说一下为什么有这么武断的认识。

下图是感知型企业的发展阶段与数据工作平台的映射。敏捷分析阶段对应数据仓库，行为数据和协同思维阶段对应数据平台与算法平台，分析应用阶段对应数据中台，自主决策阶段对应智能平台。

01、敏捷分析阶段，主要解决了报表数据不统一的问题。可以说这是企业级数据分析的开端，之前是各个业务部门自主的做分析，数据不集中、不统一，报表做的也比较随意。这就导致大领导拿到的报表往往是同一个指标各部门口径不统一，一个部门出的指标也经常不一致。敏捷分析阶段基于数据仓库，统一了数据源，在数仓层面贯彻了部分数据标准，提供了服务于不同业务条线的数据集市。这样基本上满足了外部监管汇总指标报送和大领导需要的经营指标分析的需求。

02、行为分析阶段的产出物有了质的变化，从做宏观报表转到了微观数据挖掘模型，预测单个客户的信用风险、流失倾向和价值提升概率等。但是这个时期具有明显的技术垄断特点，往往只有数据科学家才有访问底层数据的权限。因为传统基于ITS（IBM小型机、TeraData数据仓库、SAS分析平台）架构搭建起的分析平台还是比较金贵的，往往一个大型企业就几个可以做数据挖掘的用户，分析资源有限，难以满足大量用户同时访问的需求。好在20102年左右出现的Hadoop分布式架构极大的降低了数据平台和算法平台的建设成本，使得提供大规模微观行为分析成为可能。但是由于业务部门的人缺乏数据思维，因此很多微观模型是数据团队或科技部门的人闭门造车。

03、协同思维阶段的主要特点是企业中成立了卓越中心（CoE）。这时的业务部门由于外部经营环境的压力和工作方式的改变，导致对数据分析不再抵触，而是希望数据能提供一些创新点，提高客户运营、风险管控、监管合规方面的工作效率，有自发的建立微观数据挖掘模型的需求。这些业务部门的人“自底而上”的提出建模需求，与CoE中的数据技术专家组成虚拟工作组，联合攻关，建立服务于本部门的算法模型，同时也规范了底层行为数据的标准和质量，逐渐丰富数据资产。但是这个阶段的算法建模往往是一次性的，缺乏长期迭代更新的需求、机制和工具。

04、分析应用阶段的主要特征是数据产品化，算法建模得到的数据指标或标签不再局限于某个部门内部使用，而是公开让可授权的所用用户访问。比如某家行的信用评分可以用于获客营销、反洗钱领域，这是之前部门墙林立、决策官僚时代难以想象的。一旦数据结果产品化了，就需要对其进行长期维护和迭代更新，因此就出现了Data DevOps的概念。这要求对数据标准、算法模型做好版本管理。同时，为了评估数据产品的价值，也需要做好计价工作，甚至是竞价使用，只有这种情况下，才可以得到数据产品的ROI。对应于这个阶段的数据工具是数据中台，其在数据平台的基础上实现了DataPipline和数据产品管理和价值分析的功能。

05、最后的自主决策阶段的主要特征是算法模型可以根据业务规则、客群改变等造成的数据特征进行自学习，甚至是自优化。

以上的几个阶段在一家企业中不一定是同步的。笔者也看到某公司的某部门的应用系统已经做到了自主决策阶段，而有些部门还停留在行为分析的初期。

以上说了这么多，最后解释一下开篇武断认识吧。因为数据中台建设是要基于企业的数据分析文化的，如果业务员工没有数据思维，遇到事情还是只想着向上要政策，向合作伙伴要权益，向下施加压力，那是没有建立数据中台的必要的。之前很多甲方和我们交流，就想在数据中台中如何能够“直接引入“一套高价值的客户画像的标签体系，能够有让业务部门的人员接受并使用。

各位可以思考一下，业务部门还在刀耕火种阶段，数据中台上那些高科技工具有用武之地吗？这做出来的是数据中台吗？

数据资管出品

作者：研究猿