1
什么是数据中台
从业务来看，数据也好，数据分析也好，最终都是要为业务服务的。数据中台要在系统层面能把 OLAP 和 OLTP 去做对接。
“一切业务数据化，一切数据业务化”。
数据平台发展4阶段
电商系统就是 OLTP 的典型应用场景，电商的单一业务系统阶段就是之前说的数据库（DB）阶段；而 OLAP 分析需求的增长，则带动业务进入了第二个阶段，也就是数据仓库（DW）阶段，主要处理分析报表的需求；对应业务平台化，第三个阶段是数据平台阶段，主要还是解决报表和 BI 的需求；第四个阶段，就是我们现在说的数据中台阶段，主要在把 OLAP 和 OLTP 去做对接。
回顾数据处理阶段
第一个阶段是 2003 年之前，互联网黄页刚刚出现，数据来源大部分还是传统商业的 ERP/CRM 的结构化数据，也就是前面说的数据库阶段，这个时候数据量并不大，也就是 GB 的级别；
第二个阶段是 2004 年后，随着 BBS 和搜索引擎的发展，互联网进入高速发展时期。和传统的结构化数据不同，互联网数据量最大的是非结构化的网页日志，90% 以上的数据都来源于点击（log），这时候数据量已经达到了 TB 的级别，需要使用很多的技术，比如 DW，去把非结构化的数据转化成结构化数据，存储下来。
第三个阶段是 2016 年之后，IOT（物联网）发展起来，带动了视图声（视频、图像、声音）数据的增长，以后 90% 的数据可能都来自于视图声的非结构化数据，这些数据需要视觉计算技术、图像解析的引擎 + 视频解析的引擎 + 音频解析的引擎来转换成结构化数据。这时数据量已经从 PB 级别迈向了 EB 级别。
能力
1. 数据模型能力
在业务层面，业务抽象能够解决 80% 的共性问题，开放的系统架构来解决 20% 的个性问题，但同时又要把平台上的业务逻辑分开，因为不同的业务逻辑之间可能有冲突。
这在数据中台就表现为数据的中心化，也就是数据的高内聚、低耦合，需要对共性问题抽象出业务的规则，建立数据模型，一个好的内聚模块能够解决一个事情，同时又要降低模块和模块之间的耦合度，让模块具有良好的可读性和可维护性。
2. AI 算法模型能力
要实现数据业务化，前提是做到数据的资产化。很多非结构数据的结构化过程需要AI算法来辅助。
3. 数据业务化能力
和数据中心化类似，数据业务化也需要很强的行业经验来指导，建立合适的业务场景，在场景里面去使用数据，从而体现数据的价值，来大大扩展数据在行业中的应用能力。
2
OLTP场景，特点高并发、单条数据简单提取和展示（增删改查）；
OLAP特点，低并发，大批量（批处理）、面向分析（query + 计算，用于制作报表）。
名词解析
OLTP（联机事务处理），事务处理需求。主要指一线业务。
OLAP（联机分析处理），分析需求。探索并挖掘数据价值，为企业高层进行决策的参考。
