当前位置:首页 > 大数据 > Gartner对于建设数据中台的4个建议 > 正文

Gartner对于建设数据中台的4个建议

导读:数据中台是一个在中国出生的名词。许多企业徘徊在“什么是数据中台”和“我想去XX中国台湾”之间。炒作的程度与当年的“大数据”一词相同。如果我们使用Gartner的炒作周期

数据中台是一个在中国出生的名词。许多企业徘徊在“什么是数据中台”和“我想去XX中国台湾”之间。炒作的程度与当年的“大数据”一词相同。如果我们使用Gartner的炒作周期图,我们可以看到数据中台正接近炒作的顶峰。

AI人工智能网

企业应该理解构建数据中台的目的是使企业能够高效地驱动数据并减少冗余架构构建,而不是不断讨论什么是数据中台。如果你想用一张图片来描述Gartner如何看待数据中台的构造方向,你可以看到下图。

数据中台的建设方向应该是企业数字平台的核心,即Gartner(红色虚线部分)定义的数据和分析平台,帮助企业数字平台(客户体验平台、生态系统平台、物联网平台和内部信息系统)的业务用户在各种数字平台的协同孵化下做出更好的决策,形成可重用的数据分析能力。数据分析能力在业务端应该是无处不在和高度自助的,并最终帮助数字平台实现由Gartner定义的打包业务能力。

以下是对希望构建数据中台的企业的Gartner建议:

中的数据管理策略平衡数据中台

上面提到的“大而全”的方向听起来不错,但是许多企业在建设的早期没有考虑到各种数字平台对数据资产的可重用性或自助服务(这也是许多企业建立数据中台的初衷)。

原因很简单。一次数字化所有平台是不现实的。许多公司正在分阶段进行,尤其是传统公司。许多企业还没有完全数字化,更不用说建筑业了。在阿里、腾讯等数字本土企业的建设中,台湾具有很大的优势,or 数据中台是这些企业的自然成长产品,而它们的业务却呈指数级增长。

此外,数据作为数字业务的核心资产的价值已被广泛接受。企业最直接的反应是在建立数字平台时尝试收集数据,好像这是实现商业价值的关键。例如,过去非常流行的数据湖将把数据收集作为其核心能力。然而,收集数据并不一定带来商业价值,企业不可能一次收集所有数据。

以物联网平台为例,数据分布在网络、边缘设备、网关、云和传统系统上。例如,需要自主行为的“事物”(如联网汽车或风力涡轮机)必须在船上或网关上有数据和处理,以便在瞬间对变化的情况做出反应。

面向消费者的物联网解决方案,如用于健身跟踪的可穿戴设备,通常会将数据存储在云中进行分析。此外,几乎所有物联网解决方案都必须与传统业务应用共享和集成数据,以执行客户服务和长期性能分析。

此外,对实时(或“近实时”)集成日益增长的需求引入了交付时间要求,这使得最快的数据收集策略无法满足。在做出响应之前,操作流程会对“边缘”的数据采取行动,这与提前将所有数据收集到集中存储位置的要求不兼容。试图收集所有这些物联网数据以供后续处理和使用既不实际也不可行。

与此同时,保护个人身份信息的隐私法也将阻碍数据的整体收集。因此,一些数据用例需要连接到数据,而不仅仅是收集数据。

企业构造数据中台决不是在开始应用数据之前将所有数据收集在一个地方。随着数据的不断涌入,通过使用连接方法在最初存储数据的介质中重用数据也是数据中台的合适方法。收集数据和连接数据之间的平衡是现代数据管理的必要条件。数据虚拟化能力将是企业为了维护现有数据库和投资于数据湖而需要考虑的一个因素,但企业希望建立数据中台。重复或冗余的数据将永远存在,企业想要建立的不是“单一的真实来源”,而是“单一的信任来源”。

企业可以进一步参考Gartner提出的新一代数据管理设计原则数据结构,实现可重用和增强的数据集成服务、数据管道和语义层,实现灵活的数据交付。

定位数据中台促进组织战略的合作

企业在渐进的数字转型中面临的一个常见问题是,他们独立工作并构建类似的解决方案,例如用于不同业务目的的数据分析模型,并且这些模型具有共同的元素。

在最好的情况下,这将导致重复,但在更多的情况下,这也将增加复杂性,因为它将产生不同的点解决方案,即使在单个业务中也无法传达,更不用说在整个公司的业务价值链中。

从这个角度来看,Gartner更多建议企业将数据中台定义为一种组织策略,并将数据分析团队作为构建数字平台的一个必要元素。Gartner还在2019年“Gartner数字业务团队调查问卷”中发现,除了信息技术,数据分析/业务智能是融合团队最常见的功能。

一个好的数据分析团队由不同业务线的集中团队和分散团队组成。许多企业过于注重技术框架的构建,而不是业务人员基于数据的合作。在盲目追求新的数据分析技术堆栈的过程中,他们忽略了组织策略的调整来解决实际业务用户的问题。他们将最初遗留的问题从数据仓库转移到数据湖,然后转移到当前的兴趣数据中台,而不是解决它们。现代数据分析团队应该是数据分析能力的推动者,从控制数据能力到促进基于数据的合作。

从业务场景开始,组织现有的数据分析能力。

企业已经投入各种数据分析资产,不断建设自己的数字平台。此时,没有必要为了新的word 数据中台而放弃已建立的数据仓库、数据湖和数据集成平台。企业需要做的是使用数据中台作为组织策略,与各个部门共同构建可重用和自助的高数据分析能力,并通过业务流程到数字平台,从上到下(红线)组织现有的数据分析能力。

事实上,大多数企业已经在开发自下而上(蓝线)的数据分析平台。这没有什么错,尤其是企业的集中信息技术团队已经部署了几个职位,并设计了ETL流程和报告系统。然而,作为一线企业,获得这些能力是被动的。随着时间的推移,将不会有任何企业主动要求提高其数据分析能力。毕竟,作为企业内部的一方,企业只问需求还是很酷的。

然而,为了使企业更加数据驱动,或者使企业构建的数据中台被使用,这是迫使企业从业务场景开始数据分析的必要方式,尤其是在业务侧,业务侧是一群可以提出业务问题并发起分析时刻的人。

下图是电子商务的典型业务场景,它从业务角度定义和整理分析时间,并从技术堆栈中搜索相应的数据分析能力。

分析时间是由Gartner定义的数据分析过程,它通过可视化、探索和对数据应用算法来支持业务结果的交付,从而做出更好或更快的决策,并实现业务过程的自动化。

在这个例子中,数据分析能力(最右边)是逐渐建立的。在它们的背后,可以选择大量的制造商。这些功能中有多少可以被其他分析时间重用,以及业务可以应用的阈值有多低,直接决定了数据中台的成功。其中,制造商的能力可以通过每年在数据分析领域的Gartner9个“幻方图”和附带的“关键能力”报告来评估。

分析时间排序通常是数据中台构造中最困难的部分。一方面,他依赖于供应商是否有能力进行商业咨询来理清商业场景;另一方面,他还依靠企业自身的数据素养不断优化数据分析能力的需求。企业可以利用设置数据中台的机会来整理现有的数据分析能力或尝试新的数据分析能力。Gartner分析地图集的年度报告可以帮助企业像能力字典一样进行分类和选择。

将数据分析能力集成到重用中是一个创新的过程。

从刚才的例子中我们还可以看到,电子商务场景的业务逻辑非常成熟和清晰,其背后的数据分析能力也可以快速重复应用。然而,可重用数据分析能力是一个非常主观的概念。具有不同数据素养的团队对数据分析能力有非常不同的要求。越简单易用,就越容易被其他业务场景重用。不同的地方是数据场景和用户场景。

如果数据中台的输出能力只是数据即服务,即应用编程接口的形式远远不能让企业直接使用,从而降低了企业应用数据分析的广度。企业应该通过集成和重用来丰富数据分析能力的输出。随着新技术的引入和集成团队的建立,这无疑是一个创新的过程。

例如,基于机器学习的增强型数据分析和管理工具可以大大降低用户的使用阈值(自然语言驱动的分析),并减少数据管理的工作量(主动使用元数据学习来获取用户行为)。企业应该明白,使用增强的功能可以减少数据分析的手动部分,从而让用户有更多的时间思考企业如何使用数据。

图形分析的引入将进一步帮助企业发现严重利用不足的数据。图形分析可以发现企业数据和数据以及不同部门使用的数据之间被忽视或察觉不到的联系,从而为重用性的需要提供证据。图形分析已经成为许多数据分析产品的基本技术。企业的建立数据中台,缺失的可能不是数据的数量或质量,而是数据之间的联系。

如果企业构建的数据中台需要进一步减少重复开发的工作量,但从技术角度提高数据分析的利用率,这些技术值得进一步研究。增强型数据管理和atlas技术也是今年十大数据分析技术之一Gartner。

在一天结束的时候,你可能会问高层管理人员,如果你真的有一个完美的数据中台来满足你所有的技术期望,你的员工的数据素养保持了吗?

责任编辑:陈金梅


推荐阅读:

      Gartner对于建设数据中台的4个建议

最新动态