我们可以简单地认为数据中台是由AI驱动，在数据仓库的基础上运用大数据技术实现的敏捷数据服务平台。

 与数据仓库相比，数据中台主要有以下变化。

1.敏捷化

传统的数据仓库倾向于大而全，因此实施成本高、周期长，同时因为架构复杂、层级较多，所以对新业务的适应能力弱。笔者曾长期在银行业从事管理会计数据集市的建设，经历和见证了诸多数据仓库的问题。银行业是数据仓库应用较早，也是最普遍的行业。银行业基于监管要求和业务特殊性，比其他行业更早的认识到了数据的重要性。一般的银行数据仓库的建设周期都在一年以上，数据模型在3到6层，整个批处理链条很长，通常在4到6个小时。一方面，由于数据仓库的数据覆盖面全，导致新上线系统的数据接入变得复杂；另一方面，数据模型层级的增加，也给数据仓库接口的改造造成困扰，因此通常一个数据仓库在其上线之初是最稳定、最合理的架构。后期随着业务的变迁和需求的不断增多，系统变得杂乱无章。

也正是看到了数据仓库的笨重，数据中台开始走向敏捷化。一般的数据中台包括3～4层，且更加聚焦业务应用场景，而不再是大而全的仓库。

2.标准化

建立数据中台的目标是融合整个企业的全部数据，打通数据之间的隔阂，消除数据标准和口径不一致的问题。数据中台通常会对来自多方面的的基础数据进行清洗，按照主题域概念建立多个以事务为主的主题域，比如用户主题域、商品主题域、渠道主题域、门店主题域等。数据中台遵循三个One的原则：One Data、One ID、One Service，即数据中台不仅仅是汇聚企业各种数据，而且让这些数据遵循相同的标准和口径，对事物的标识能统一或者相互关联，并且提供统一的数据服务接口。而传统的数仓主要用来做BI的报表，功能很单一，只抽取和清洗该相关分析报表用到基础数据。要新增一张报表，就要从底层到上层再完整执行一次全套流程。

3.平台化

在数据中台的建设过程中，更加注重平台能力。在数据接入方面，数据接口会更加标准化、配置化，简化数据接入的门槛，提升数据接入的效率。在数据管理方面，更加注重集成平台的建设，包括数据治理、调度管理、元数据管理、数据服务等功能的实现。在数据应用方面，建立在数据中台上的数据应用不仅面向BI报表，更多面向营销推荐、用户画像、AI决策分析、风险评估等，而且这些应用的特点是需求变化快，因此开发必须平台化，便于快速迭代。数据中台能力架构如图1-2所示。

图1-2 数据中台能力架构图

4.数据来源多样化

数据中台的数据来源期望是全域数据包括业务数据库、日志数据、埋点数据、爬虫数据、外部数据等。数据可以是结构化数据或者非结构化数据，而传统数仓的数据来源主要是业务数据库，数据格式也是以结构化数据为主。

业务对数据实时性的要求越来越高，数据来源也逐步由隔日批量抽取向实时流式计算迈进。实时同步技术把数据的批处理变成了流水线作业，每发生一条业务（或者在一定时间范围内触发）进行一次批处理。实时数据一般由Flink引擎完成数据计算，批处理一般有Hive on Spark完成数据计算。图1-3所示是基于Lambda架构的数据中台架构图。

 免责申明：

本文系转载，版权归原作者所有，如若侵权请联系我们进行删除！

《数据治理行业实践白皮书》下载地址：https://fs80.cn/4w2atu

《数栈V6.0产品白皮书》下载地址：https://fs80.cn/cw0iw1

想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=bbs

同时，欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」，交流最新开源技术信息，群号码：30537511，项目地址：https://github.com/DTStack