随着“数据中台”(data middle office, DMO)的普及,中国企业机构希望能更好地管理和利用数据中台背后的数据资产。数据中台早年在一些领域的成功案例使得整个市场对这一概念抱有过高的期望。如今,大多数企业机构仍然认同DMO的概念,但同时也在寻求适当的方法将其应用于实践。另一方面,根据Gartner最近的一项调研(见图1),超过三分之一的企业机构依然对这一概念的可行性和适用性感到困惑。
图1:中国企业对于建设数据中台的态度
而今数据中台这一术语在市场上已逐渐淡化。终端用户和技术提供商两方对数据中台的关注点,都已从概念本身转向最终能实现的数据价值和所需要的能力。为确保顺利向DMO过度,企业机构必须优先考虑以下三个事项。
明确数据中台的价值主张
DMO的主要目的是实现数据一致性和可复用性。这些能力进而可以支持敏捷的数据驱动式管理和组装式D&A服务/产品,以实现业务优化和进一步的数字化。然而,数据中台并非一个颠覆性的技术或工具,也不是一个可以在短期内完成的单一项目。相反,它是一种D&A战略设计,可以通过利用一系列技术和业务实践,将它们与企业机构的整体业务战略挂钩,从而服务于不同的业务重点。
在市场中,“数据中台”是一个总括性术语,包含了D&A基础、D&A标准化以及D&A变现这三个主要数据价值主张的各个方面。Gartner定义了D&A领域的三种基本价值主张——基础设施、业务赋能和转型驱动——三者的收益水平呈渐进式增长。这一价值主张框架也可以视作DMO演进的各个阶段。
根据不同客户的成熟度阶段,DMO带来的价值认知和能力体现不同。信息化水平、数据就绪度和D&A素养水平将成为评估企业数据中台部署能力和部署空间的重要维度。此外,随着业务复杂性和业务规模的增加,数据中台的优势将变得更加明显。
需要注意的是,数据中台并不是为小型企业或业务内容稳定不变的企业而设计的。这类企业机构的D&A领导者应更多地关注较为精简地或具有针对性地D&A项目,从而快速实现业务回报。
根据优先级划定数据中台的范围
在确定了价值主张并了解组织当前状态后,企业机构就可以开始根据目标重点来确定需要实现的数据中台的范围。以往,数据中台一直被视为一个资源密集型的综合性D&A平台,由多个模块构成。但其实,企业机构并非一定要抱着这样的看法,从头开始搭建一个端到端的DMO。
对于数据中台的扩展范围以及是否应该覆盖整个D&A平台,各方观点不一。供应商通常根据自己技术产品的优势来营销数据中台。然而,D&A领导者应根据自身的目标和优先任务、现有D&A架构和生态系统以及资源配置,确定数据中台的技术范围。图2展示了Gartner观察到的不同企业机构中最常见的四种关注类型。
图2:四种常见的数据中台类型
超越技术层面,推动数据中台的长期成功
尽管D&A领导者可以轻松地捕捉和呼应数据中台地概念,但在企业内部地推广中仍有挑战。与纯粹的技术项目不同,数据中台的成功很大程度上取决于业务部门和业务受众的积极参与和协作。然而,在许多情况下,业务用户会将DMO也视为纯粹的技术项目,例如部署数据仓库、部署报表平台或启动数据治理平台。因此,他们错误地认为DMO“应该”不需要他们过多的参与。业务部门对此缺乏共识和理解,是很多企业机构部署数据中台失败的原因。同时,这也会削弱企业机构内部对D&A项目的信任。
为避免这些情况发生,D&A领导者应利用敏捷交付方法,将D&A组织模式重塑为融合团队架构;建立具体的业务价值流程图;并设置级联指标以跟踪进展。
好文章,需要你的鼓励
Docker公司通过增强的compose框架和新基础设施工具,将自己定位为AI智能体开发的核心编排平台。该平台在compose规范中新增"models"元素,允许开发者在同一YAML文件中定义AI智能体、大语言模型和工具。支持LangGraph、CrewAI等多个AI框架,提供Docker Offload服务访问NVIDIA L4 GPU,并与谷歌云、微软Azure建立合作。通过MCP网关提供企业级安全隔离,解决了企业AI项目从概念验证到生产部署的断层问题。
中科院联合字节跳动开发全新AI评测基准TreeBench,揭示当前最先进模型在复杂视觉推理上的重大缺陷。即使OpenAI o3也仅获得54.87%分数。研究团队同时提出TreeVGR训练方法,通过要求AI同时给出答案和精确定位,实现真正可追溯的视觉推理,为构建更透明可信的AI系统开辟新路径。
马斯克的AI女友"Ani"引爆全球,腾讯RLVER框架突破情感理解边界:AI下半场竞争核心已转向对人性的精准把握。当技术学会共情,虚拟陪伴不再停留于脚本应答,而是通过"心与心的循环"真正理解人类孤独——这背后是强化学习算法与思考模式的化学反应,让AI从解决问题转向拥抱情感。
PyVision是上海AI实验室开发的革命性视觉推理框架,让AI系统能够根据具体问题动态创造Python工具,而非依赖预设工具集。通过多轮交互机制,PyVision在多项基准测试中实现显著性能提升,其中在符号视觉任务上提升达31.1%。该框架展现了从"工具使用者"到"工具创造者"的AI能力跃迁,为通用人工智能的发展开辟了新路径。