【本文为佰聆研究院在大数据行业的一份领域研究报告，该报告精简后在南网数字集团官方公众号发表，现全文刊出，以飨读者。】

数据中台是企业数字化转型的核心基础设施，佰聆数据在多年企业级大数据应用、数据资产管理的实践中意识到：数据中台在企业数字化转型的不同阶段具备不同的特征和运行模式，因此尝试总结提出了企业级数据中台的三阶段发展模型，分享如下。

该模型认为数据中台的发展将经历三个阶段：服务型、产品型、生态型，分别代表着数据中台支撑能力、应用模式和价值体现逐级上升的三个层次。如下图所示：

注意这三个阶段并非泾渭分明：很多企业往往呈现出某一阶段的大多数特征，而局部地带有其他两个阶段的些许特点，但这并不妨碍我们从宏观上对这三个阶段进行独立研究。另外，这个模型是对传统大型国有企业（比如能源电力、运营商、制造业、金融等）等“非原生数字化企业”进行观察研究而得出的，不一定适用于互联网电商、在线娱乐等“原生数字化企业”。

再者，本文所指的“数据中台”，既包含了企业级海量数据，也包含数据分析、挖掘建模、业务应用的功能，后者在某些视角下被归于“技术中台”或者“AI中台”，在本文中这些都归并到一起，是与企业“业务中台”相并列的“数据中台”概念。这三个阶段的特点分别归纳如下：

这是数据中台发展的第一个阶段。在这个阶段，数据中台的用户（业务部门）往往采用数据直接消费（比如通过SQL直接查询数据库）或者微服务的方式来获得数据，加工成指标，形成报表、看板等应用，用于对企业业务现状的了解，以及对部门、员工绩效的评估。

在这个阶段，数据中台的底层一般是ETL、调度监控、数据治理等基础数据服务，企业的数据架构往往是垂直型（烟囱型）的部门级数据架构，数据孤岛问题较为明显。虽然数据中台运营团队试图按照企业级主题的方式对数据进行横向整合，但是由于数据模型在最开始设计阶段并未深入考虑企业级横向应用的需求，这种整合是局部、零散、低效的。这个阶段早期的工作痛点往往是数据质量差、数据模型难以整合、数据平台/工具不稳定等问题。

IT部门作为业务部门的技术服务支撑单位，为业务部门提供数据供给、指标计算等服务，工作围绕着数据处理、指标全链路监控等工作而开展，这也是这个阶段被称为“服务型”的原因。此阶段工作方式是以基于数据处理流程的人工数据开发，即流程型、人力型为主，工作关键是持续提高数据流的稳定性、提高人员工作能力和效率。

在这个阶段，数据的价值是隐性的。因为最终输出的指标、报表、看板等成果只是将业务的一些结果性、过程性特征进行呈现，供业务部门了解、研究，真正的思考和业务决策发生在业务人员的大脑中，早期甚至只是用来印证业务人员在日常工作中形成的主观经验和直觉，且往往还存在着“数据质量不高”、“数据供给不稳定”等诸多问题，因此业务人员在这个阶段对数据价值的感知是模糊的、无感的，甚至是负面的。而企业级数据的汇聚、整合、监控等基础工作恰恰是需要巨量资源投入的一个环节，对于很多“非原生数字化企业”来说，数据中台这个阶段的建设往往成为企业一个非常沉重的负担，投入产出比看上去非常不合理，必须在国家政策、富有远见的高层领导的坚决支持和推动下才能持续。

这个阶段的数据应用往往也延伸到了企业内部的不同业务条线，搭场景、建应用，实现流程优化和工作提升，呈现出特色迥异、百花齐放的局面，局部地带有“产品型”数据中台的一些特点。相对于数据的底层汇聚、整合、监控这些冗重而看不见的工作，数字化业务应用的成效无疑是更容易被感知的，由此容易带来一个认知上的误区：就是将各种“数字化应用”等同于“数字化转型”。实际上，由于缺乏底层数据模型对业务世界的全面精准描述、业务人员没有担负起数据管理的责任、企业在精神层面也没有真正认同“以数据说话”、企业的主流意识和思维模式仍然没有摆脱传统的“线下+主观”模式，这类早期应用最多就只是一种技术性的探索，无法触及企业的灵魂。由于数据生产力非常羸弱，且缺乏与之相匹配的文化、机制、管理、团队等生产关系要素，大量投资因为缺乏系统性、协调性而出现失衡和低效现象，业务成效不显著，投资回报不明显。

这个阶段的“数据中台”，本质上仍然是“数据仓库”，和传统数据仓库的定位、功能没有太大区别。此时企业的业务思维模式主要还是经验驱动，以业务直觉为主。数据并未与业务深度融合，企业的工作方式、思维模式并未转型升级。

这是数据中台发展的第二个阶段。这个阶段最大的特点是开始出现与业务场景深度融合的数据产品、数字化应用。如果说“服务型”阶段业务人员对数据的利用方式是以“看数据”为主的话，“产品型”阶段开始发展到“用数据”，即由数据产品内在的算法逻辑、大数据分析挖掘模型来辅助业务自动化决策，实现“数据”与“业务”的深度融合、“人工”与“机器”的紧密配合。

如前所述，这个阶段最早的萌芽出现在“服务型”的后期，比如在大数据分析挖掘模型、AI支撑下的设备故障预测、精准客户标签画像、供应链深度优化等数据产品/数字化应用，业务流程运行部分地由数据直接驱动。但是由于单个企业的有效样本量不够、数据维度不足、需要与专业知识深度融合等原因，早期这类大数据模型应用大多效果不佳，短期难以达到实用化水平。

为了解决这些问题，企业数据模型的整合、深化、完善成为了工作重点。主要聚焦在两个方向：一个是横向的，就是企业内外、不同部门数据的融合，需要站在企业统一视角去重构业务数据模型，实现资产全生命、客户全方位、财务BP（业财融合）等企业级目标；另外一个是纵向的，采用AI、新一代移动通讯等技术去实现更广范围、更深层次的业务数字化，弥补以前传统信息化过程中的“空白”、“断点”，形成一个与物理世界更贴近的数字化模型。毋庸置疑，前者（横向）的复杂性、难度远超后者（纵向）。这种“数字化”的努力与早期的“信息化”本质上是类似的，但是伴随着对企业经营过程实时监控、态势预测、智能决策等特性的期许，从而需要考虑比传统的信息化建设更多的要素和维度。企业将建立起横跨各专业条线的企业级数据模型运营团队，数据模型的建设方式从传统的“业务系统建设生成，数据中台汇聚整合”转变成为更为科学的“企业统一设计，业务系统和数据中台分头落实”。数据中台最终具备完整、细致描述业务世界的能力，为计算机理解业务、支撑决策提供了数据基础，“数据生产力”开始真正形成，并逐步发力。

在这个阶段，IT部门开始进化为业务部门的合作伙伴，其职责是实现数据技术与业务的深度融合，和业务部门一起实现业务洞察、提质增效，要求IT人员具备业务意识、业务知识，向复合型人才发展。这个阶段的数据中台是以数据产品为驱动的，为了实现数据产品的高效稳定运行，工作方式是以平台、工具支撑下的自动化、运营型为主，数据中台的核心能力是对业务的深度融合能力。

随着数据孤岛、数据质量等问题逐步得以消除，数据的整合效应开始显现，业务人员开始意识到数据能够提供一些自己主观经验所无法触及的洞见，业务人员对数据的信心逐步建立，高层领导为推进数字化转型所承担的压力开始减小。前期巨大的投入开始逐渐产生回报，相当一部分数字化建设参与人员开始意识到企业级数据应用这种“厚积薄发”的特点，并更加自发而坚定地对企业数据基础、中台技术架构开展持续完善。

和技术上的变化相比，这个阶段企业的思维方式和运行模式的变化更加深刻。企业各级人员亲身体会到：企业数字化转型绝不是简单的技术升级，而是一场业务模式、管理思维的重塑。企业开始针对自身特点组织数字化转型深度规划，形成与数字化相匹配的企业架构；数字化专业人才出现在企业高管中，并深度影响企业高层决策；数据资产管理理念落实到了企业各个层面的业务工作流程中，数据管理的责权利更加清晰，业务人员作为数据主人开始承担起数据质量改善、元数据维护等本职工作，数据价值的提升与数据主人的绩效挂钩。生产关系已经被理顺，“数据生产力”这台拥有强劲引擎的跑车，终于从羊肠小道驶上高速公路，开始一路狂飙。企业的思考模式和工作方法产生了质的飞跃：以量化模型为支撑，企业更加高效地响应市场变化，重塑业务流程、创新产品和服务、提升客户体验。这个阶段的企业已经脱胎换骨，面貌一新。

此时“数据中台”的触角深入到各个业务环节，真正具备了“中台”的特征。企业的业务思维模式转向数据驱动、量化模式，企业以数字化的方式运转，具备高质量发展的基础。

随着近年来国家数据要素市场化、数据交易等工作的推进，客户隐私保护、数据泄露等诸多风险问题正逐步得到解决，越来越多的企业对数据输出的态度变得更加积极，数据中台逐步发展到第三个阶段：生态型。这个阶段最大的特点是数据开始广泛地跨出企业的边界，与生态圈内其他行业、企业的数据进行整合，实现更大范围的分工协作、业态创新。

在前两个阶段已经有一些生态型的早期应用，比如：银行利用电网提供的企业电能量数据辅助评估企业放贷的风险，商家利用运营商的客户实时位置数据进行广告精准推送、消费互联网C2M按需制造，等等。在生态型阶段，行业、企业间的数字化协作则更加深刻而复杂，比如：当运行在客户企业的一台设备发生缺陷的时候，缺陷信息可以马上同步到设备生产厂家，生产研发人员通过远程交互技术对该缺陷进行现场分析，并将相关零部件供应链、原材料厂家拉进来，引发更大范围的问题分析与解决协作流程；在问题解决之后，厂家更新设备的缺陷发生概率数据，并马上影响到客户企业设备运维部门的日常巡视策略安排。在数字技术支撑下，每一个企业都将与C端、B端、G端客户形成更加深层次的协作关系，形成数字化的产业链、价值链。

支撑数据对外应用的底层可以是隐私计算、区块链等技术，比如采用“数据可用不可见”的方式来对外输出数据能力，形成一种开放式聚合架构。数据在社会层面得以广泛贯通，原先单个企业内部数据量、数据维度不足的困难得以缓解。以设备的寿命预测、缺陷预测等课题为例，原先拘于设备使用单个企业内部的场景，大数据模型的训练样本往往是该企业的设备运维检修数据，输入参数往往是“生产厂家”、“设备型号”这种间接性的特征数据，而一旦产业链数据被贯通之后，不同设备使用企业、设备生产企业、供应链厂家的数据被整合到一起，设备数据按照行业BOM模型进行零部件统一拆解，诸如“原材料类型”、“生产工艺”等深层次、直接性特征数据被大规模整合，设备寿命、缺陷的各种影响因素被全面、深度刻画，大数据模型的预测精度将得到提升，一些专业性的数据应用场景有望实用化。

在这个阶段，数据的价值是显性的。不单数据变现（通过数据交易）对源企业来说有直接的经济收益，输出的数据在目标企业/行业中也呈现出更加可见的业务价值：由于不同行业、企业的业务迥异，导致源行业的业务数据对于目标行业来说有较大的“信息增量”，远超过这些数据在源行业时的表现。

此时“数据中台”已经跨越了企业的边界，与其他企业、行业的数据中台形成了网状、互动的关联。企业的业务思维模式开始迈向一个更高的阶段：即以数据为基础的经验驱动、直觉模式。相较于“服务型”那种旧的经验驱动、直觉模式， “生态型”的经验是一种量化经验，是一个更高层面的、基于对数据内在模式深刻认知基础之上的直觉模式，是业务人员思维模式螺旋上升的另一个层级。业务人员对于数据的理解将超越原来所在的行业，站在一个更高更广的视角来审视自身的数据，并产生更加深刻的洞察。

在这个阶段，IT部门进一步成长为数字化复合型团队，将企业内部的数据与外部行业需求结合起来，构建跨界数据产品与社会化应用，一些行业级的标准化组件开始形成。这个阶段的数据中台是社会化、协作型的，数据中台的核心能力是生态运营能力：不单是个体企业内部差异化优势要素的有机整合，而是以共生演化为基础，实现产业链、生态圈内多群落、多群种共生互补与跨界创新。

随着不同企业间数据整合需求越来越多，一类“数字粘合剂”企业开始出现，负责将不同行业、不同企业的数据模型进行贯通，支撑多方企业数据的融合与应用。随后在国家政府、各行业协会的指导和支持下，这类企业的经验将进一步用来构建“国家统一信息交换模型”，实现各行各业数据交互模型的大一统。这个“国家统一信息交换模型”将实现数字化时代的“车同轨、书同文”，打通物理世界和数字世界的“任督二脉”，形成对整个社会进行感知和分析的“数字神经系统”，支撑更高层面的社会决策。整个社会的运行模式和治理水平将跃升到一个更高的水平：企业对客户需求的感知更加精细和贴心，产业链上下游的供需调剂更加平稳，政府部门对经济和社会的反应灵敏度和调控有效性大大提升，经济周期波动被大幅度熨平……一个前所未有的、开放、创新的数字化社会、数字化强国正在形成。