数据仓库数据平台与数据中台对比在大数据时代，凡是AI类项目的落地，都需要具备数据、算法、场景、计算力四个基本元素，缺一不可。

处理大数据已经不能仅仅依靠计算力就能够解决问题，计算力只是核心的基础，还需要结合不同的业务场景与算法相互结合，沉淀出一个完整的智能化平台。

数据中台就是以云计算为数据智能提供的基础计算力为前提，与大数据平台提供的数据资产能力与技术能力相互结合，形成数据处理的能力框架赋能业务，为企业做到数字化、智能化运营。

目前，外界与业内很多人对于数据中台的理解存在误区，一直只是在强调技术的作用，强调技术对于业务的推动作用，但在商业领域落地的层面上，更多时候技术的发展和演进都是需要跟着业务走，技术的发展和进步需要基于业务方的需求与数据场景应用化的探索来反向推动。

这个也就是为什么最近知乎、脉脉都在疯传阿里在拆“大中台”？个人猜想，原因是没有真正理解中台的本质，其实阿里在最初建设数据中台的目的主要是为了提升效率和解决业务匹配度问题，最终达到降本增效，所以说“拆”是假的，在“拆”的同时一定在“合”，“拆”的一个方面是企业战略布局层面上的规划，架构升级，如果眼界不够高，格局不够大，看到的一定只是表面；另一方面不是由于组织架构庞大而做“拆”的动作，而是只有这样才能在效率和业务匹配度上，做到最大利益化的解耦。

数据中台出现的意义在于降本增效，是用来赋能企业沉淀业务能力，提升业务效率，最终完成数字化转型。

前一篇数据中台建设的价值和意义，提到过企业需要根据自身的实际情况，打造属于自己企业独有的中台能力。

因为，数据中台本身绝对是不可复制的，从BCG矩阵的维度结合各家市场资源、市场环境、市场地位以及业务方向来看，几乎所有企业的战略目标都是不一样的。

如果，有人说能把中台卖给你、对于中台的解读只讲技术，不讲业务，只讲产品，不讲业务，不以结合企业业务目标来解决效率和匹配度为目的的都有耍流氓嫌疑。

数据中台的使命和愿景是让数据成为如水和电一般的资源，随需获取，敏捷自助，与业务更多连接，使用更低成本，通过更高效率的方式让数据极大发挥价值，推动业务创新与变革。

为了进一步统一大家的认知，更加清晰的认识数据中台出现的意义，本篇按顺序介绍如下:••••数据中台演进的过程数据仓库、数据平台和数据中台的概念数据仓库、数据平台和数据中台的架构数据仓库、数据平台和数据中台的区别与联系01数据中台演进的过程从数据处理的维度来聊一聊数据中台经历的四个阶段：数据库阶段、数据仓库阶段、数据平台阶段、数据中台阶段。

1、数据库阶段：OLTP（事务处理）是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，记录即时的增、删、改、查。

比如银行交易、电商交易等2、数据仓库阶段：数据仓库系统的主要应用主要是OLAP（联机分析处理），支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。

比如复杂的动态报表分析、用户价值分析等3、数据平台阶段：其实，目前业界并没有对大数据平台做统一的定义，一般情况下，只要使用了Hadoop/Spark/Storm/Flink等这些分布式的实时或者离线计算框架，建立计算集群，并在上面运行各种计算任务，具有数据互联互通、支持多数据集实时同步、支持数据资源管理、实现多源异构数据的整合管控；提供完善的大数据分析基础运行环境，提供统一二次开发接口等能力的，就算的上理解上的大数据平台。

主要是为了解决大数据存储计算+ 数据应用管理 + 任务监控 + 数据资产管理 + 开发管理 + 可视化报表需求等4、数据中台阶段：指具有全域级、可复用的数据资产中心与数据能力中心，对海量数据进行采集、计算、存储、加工，同时统一标准和口径，提供干净、透明、智慧的数据资产与高效、易用的数据能力来，能够对接OLTP（事务处理）和OLAP（报表分析）的需求，从业务架构设计到模型设计，从数据研发到数据服务，做到数据可管理、可追溯、可规避重复建设，强调的是数据业务化的能力1、数据库阶段电商创业早期启动非常容易，门槛相对来说较低，试错成本较少。

三五个小伙伴组个小团队，做一个可以下单的前端页面，云上搭几台服务器再加上一个MySQL数据库，形成一个简单的OLTP系统，就可以给用户去使用，它的主要作用用于保证数据持久化存储和简单商品交易查询。

现在估计很多小型电商与小程序创业者的初期都是这么干的，甚至找个外包团队做完就开始对于市场试错。

原因很简单，从ROI来看，项目前期业务数据量不大，简单的GB级别，每天的订单和流量数都比较少，后端数据库只要做简单的单条数据的查询和展示就能够满足了需求，根本就没有什么高并发，批量处理等高深技术，就连做在初期做数据统计/分析用Excel就足于满足需求当用户、商品和流量上升的时候，可以采取两种过渡方案。

方案一是对于查询速度慢、性能不足，升级单机配置，通过缓存优化 + 数据库优化（SQL语句优化、SQL索引优化、分库分表、SQL脚本优化）+ 内存优化 + 线程池优化 + 使用NIO通信机制 + 阻塞队列（程序优化），虚拟机（docker）+ SSD + 合适的IO模型等方式对单机配置做最大性能上的优化；方案二是改变原有的模式，加服务器和多个业务数据库，对数据库表进行分库分表加单索引、双索引以支撑业务交易的稳定和高并发，通过这种方式来支撑业务数字和指标，同样可以快速的从业务数据库里查询出来。

最终，随着客户、订单和外部流量的逐步上升，数据量从GB发展成TB 级别，数据库通过普通查询存在较大的压力，只能做升级改造，于是就有了数据仓库的诞生。

2、数据仓库阶段随着业务指数级的增长，数据量增长的同时公司的组织架构慢慢变得庞大、复杂，面临的问题也越来越多，越来越深入。

公司上层关心的问题，从最初简单的想知道“昨天、今天的GMV”、“上周的PV、UV是多少”、“某品类商品的环比、同比的增长比例是多少”，慢慢演化到希望通过数据进行精细化运营和用户的价值模型分析。

希望通过数据统计/分析/挖掘，分析出用户在某种特定的使用场景中，比如“18~25岁女性用户在过去三个月对服装类商品的购买行为与节假日促销活动之间的关系”。

当公司运营和高层，提出此类非常具体的case，希望通过数据统计/分析/挖掘对公司运营决策起到关键性作用的问题，其实是很难从业务数据库从直接调取出来。

原因是由于数据库是面向事务的设计，数据仓库是面向主题设计的。

数据库一般存储在线交易数据，为捕获数据而设计，在设计上数据库是尽量避免冗余，一般采用符合范式的规则来设计。

比如，业务数据库中的数据结构是为了完成商品交易而设计的，不是为了查询和分析的便利设计的。

数据仓库存储的一般是历史数据，为分析数据而设计，在设计上是有意引入冗余，采用反范式的方式来设计。

数据库和数据仓库两个基本的元素都有维表和事实表。

（维表是看问题的角度，比如时间，部门、人，维表放的就是这些东西的定义，事实表里放着要查询的数据，同时有维表的ID）。

因此，数据仓库的出现，并不是要取代数据库，而是为了更好的做数据分析和报表需求分析，主要处理OLAP（联机分析处理）需求。

但是，随着客户、订单和外部流量的逐步上升，数据量从TB发展成PB 级别，原来的技术架构越来越不能支持海量数据处理，这时候又有了数据平台的诞生。

3、数据平台阶段第一、企业业务系统过多，彼此数据没有打通。

涉及分析数据的过程当中，需要先从各个系统寻找到相应的数据，然后提取数据进行整合打通，才能做数据分析。

在这个过程中人为进行整合出错率高，分析效果不及时，导致整体的效率低下，数据迁移、数据同步的滞后与错误；第二、业务系统压力大，架构相对笨重，做数据分析计算消耗资源很大。

需要通过将数据抽取出来，经过独立服务器来处理数据查询、分析任务，来释放业务系统的压力；第三、性能问题，公司业务越来越复杂，数据量越来越大。

历史数据的积累严重，数据没有得到使用。

原始数据系统不能承受更大数据量的处理时，数据处理效率严重下降。

于是，通过整合Hadoop/Spark/Storm/Flink等分布式的离线与实时计算框架，建立计算集群，并在上面运行各种计算任务，搭建大数据平台，使得平台具有数据互联互通、支持多数据集实时同步、支持数据资源管理，实现多源异构数据的整合管控能力；可以提供完善的大数据分析基础运行环境，提供统一二次开发接口等能力的，用这些能力来解决大数据存储与计算问题，提升数据分析效率以及用户画像系统/推荐/搜索/广告系统的运用落地。

4、数据中台阶段数据量的指数级增长，从PB发展成EB级别，为了更好的赋能业务，企业启动中台战略，打通各个业务线的数据，整合汇集数据，在底层通过技术手段解决数据统一存储和统一计算问题，在数据服务层通过数据服务化的Data API的方式，打通数据平台和前台的业务层对接，结合算法，把前台业务的分析需求和交易需求直接对接到中台来，通过数据中台处理和逻辑运算，然后在反向赋能业务，真正做到意义上的『一切业务数据化，一切数据业务化』。

数据仓库、数据平台和数据中台概念•数据仓库是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。

它是单个数据存储，出于分析性报告和决策支持目的而创建。

可以为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制。

是一个相对具体的功能概念，是存储和管理一个或多个主题数据的集合，为业务提供服务的方式主要是分析报表•数据平台是在大数据基础上出现的融合了结构化和非结构化数据的数据基础平台，变成一个集数据接入、数据处理、数据存储、查询检索、分析挖掘等、应用接口等为一体的平台，为业务提供服务的方式主要是直接提供数据集•数据中台是全域级、可复用的数据资产中心与数据能力中心，可以提供干净、透明、智慧的数据资产与高效、易用的数据能力，使得业务能够数字化运营，为业务提供服务的方式主要是提供数据服务能力•数据仓库的优势是具有元数据，通过表的方式很好的规整了数据。

数据需要加工，数仓是通过分层的模式，每往上走一层，数据信息损耗会逐渐增加•数据平台优势是可以提供高级分析功能和数据资源管理中心，主要有数据互联互通，支持多数据集实时同步；支持数据资源管理，实现多源异构数据的整合管控；提供完善的大数据分析基础运行环境，提供统一二次开发接口等•数据中台具有一个全局的元数据管理系统，管理的方式同样是以表为主，粒度到字段级别。

数据中台这个元信息包含了各个子存储的元信息，以数据中台需要的形态进行组织，变成数据资产管理中心，通过数据地图来来进行承载，就像互联管道一样做数据分发中转管理，可以很好的找到我们要的数据以及对数据进行关联和处理、分析，进一步加速企业从数字化转型为业务价值的过程03数据仓库、数据平台和数据中台的架构【数据仓库架构图】1、采集层从各种数据源中采集数据和存储到数据到存储在基于Hadoop分布式文件系统HDFS上，期间做ETL操作。