当我们在谈论一种新的模式、技术、方法论的时候，往往会被一种典型的“好”和典型的“坏”所影响。2019年马云提出“很多人会把数据比作石油，我们现在搭建的数据中台，就是希望扮演发电厂的角色”，数据中台的热度持续爆发，其面对的质疑和争议也铺天盖地而来。
数据中台“困惑”蔓延
数据中台的反对表达往往是故事性很强的口吻，“项目叫停”、“批量裁员”、“投入XXX钱”等等，质疑背后实际上包含了很多对数据中台的误解，比如对“数据中台是数据万金油、万能平台”的误解、“数据中台是一种全新技术”的误解等等。
这一类故事所带来的效果是显著的，大家从狂热中醒来，凉水使市场开始认真思考数据中台的意义。
这些高调的质疑带来的反思主要集中于：
企业对数据中台是“真需求”还是“伪需求”？
数据中台的推进难度很大？
数据中台投入巨大导致企业入不敷出？
数据中台相对于此前的数据体系又有什么区别？有什么改进？
如果数据中台是有限的价值体现，那么它的适用条件是什么？企业又该如何判断自己与数据中台的匹配程度呢？
弄清楚以上问题是比较复杂的。
首先，市场上数据中台的方案提供商对数据中台的定义不尽相同；其次，同一家数据中台产品的概念和范围仍然不断在变化；同时不同企业的数字化进程、组织形式、商业模式千差万别，一概而论数据中台的效果是一种不负责任的说法。
但我们现在还是能够对数据中台的一些基础概念做一些诠释。
数据中台是什么？
在《2020年中国乳制品行业数据中台研究报告》中，亿欧智库将数据中台定义为：企业内支持高效构建全域数据资产、敏捷赋能多类业务、智能服务全流程人员的新型数据智能系统。
拆分来看，首先数据中台需要能够支持高效构建全域数据资产，也就是当企业业务量增加、数据连接点、流程发生改变时，无需“重复造轮子”，基于原子数据的自动化开发过程将帮助企业自动转换面向新业务的数据基础。
其次，敏捷赋能多类业务指的是，当业务逻辑发生改变时，除了底层的数据基础需要快速改变，数据的分析方法、展现模式也需要快速改变，数据中台需要快速适应这些业务需求。
最后，智能服务全流程人员指的是，数据中台通过自动ETL、自动BI等功能，使每个层级的员工都能快速制定适合自己的数据决策服务。
可以看出，数据中台跟业务的关系很近，是为了满足业务的创新、升级的需求而生的。这也使得数据中台一个重要的特征：数据中台并非脱离业务的技术方案，因此其的搭建过程必然涉及到企业的管理方法。
换句话说，我们很难用一个数据工具来形容数据中台。这也很好理解，因为数据中台除了数据，还有中台的思想，而中台本身就是一种为高效敏捷的组织而提出的方法论。《中台如何助力标准化业务？》中提到，中台是一种需求的方法论，一套能力接入标准，一套运作机制，集中配置、分布执行的控制台。
当然，传统信息化软件也涉及企业的管理流程、生产流程等融入，但数据中台是一种基于新模式和方法论的管理方法，其十分考验企业对“中台”模式的理解程度，也因此数据中台需要比传统信息化软件更深层次、更具前瞻性的企业经营管理层面的思考。
这里牵涉到另一个问题，数据中台相对于此前的数据体系又有什么区别？有什么改进？
这个问题我们需要简单回顾一下数据体系的发展进程。
其实从商业计算机的出现，数据处理就一直伴随着并且某种程度上推动着计算机的发展，最开始计算机对数据最重要的需求是存储，因此早期的数据体系是围绕着数据库的改进进行。
20世纪60年代硬盘广泛使用，使得数据存储有了较好的硬件载体，1970年Codd提出的关系型数据库和随后10年内的快速产业化，使得数据存储有了较好的软件载体，自从在20世纪80年代取得了统治地位以来，关系模型在数据模型中一直独占鳌头，当然也诞生了IBM、Oracle等数据库巨头。
在解决了数据存储的问题之后，企业又产生了对数据分析的需求，尤其是企业高管非常渴望通过分析数据形成商业决策，因此决策支持系统概念开始盛行。
决策支持系统最早由Scott Morton和Gorry在20世纪70年代提出，是指具有一定智能行为的计算机应用系统，可以通过人机交互的方式辅助决策者进行非结构化或半结构化的决策。数据仓库技术在这类强烈的市场需求下迎来爆发增长。
数据仓库主要解决了两个痛点，首先其将数据的生产执行与数据分析分开，即数据仓库主要是为了数据分析（决策支持）搭建的；其次，需要数据分析的企业往往业务较复杂、触点较多，因此其体系内的数据分散在不同的地点、操作系统不统一，访问这些数据需各自单独建立连接，非常麻烦且低效，数据仓库将不同源的数据统一起来。
这就解决了数据分析的单独负载、同一接口的两个技术基础。
21世纪以来，大数据平台、数据挖掘的概念也逐渐盛行，本质上说，大数据技术仍然是为数据分析需求服务的（也就是在决策支持系统的框架内升级）。
其演变过程是，随着互联网的普及，某些数据量指数性增长，分析这些数据如果还沿用传统事先确定的商业模型（或逻辑）就很困难，企业很难从巨量数据中快速得到数据之间、数据与业务表现之间的关系，因此需要一种新型的技术（本质是一种模型、算法）来快速确定这些“关系”，数据挖掘以及之后的大数据一系列技术走进企业内部。
也因此形成了目前大部分决策支持系统的模式——数仓+OLAP+数据挖掘。
那么，是什么导致数据中台的出现呢？
除了中台理念的渗透，独立的、固化的、有限的数据支持系统已经无法适应业务快速发展的需求。
主要有四个方面：
数据量将持续爆发，传统数仓的开发模式、运行模式不再适应更多数据量的支持系统
数据的决策分析者向基层扩展，传统支持决策系统不能匹配更多数据使用者的需求
触点的增多、业务灵活性增加对数据的弹性能力要求增加，数据决策系统需要适应敏捷的业务模式
原本各自独立的数据支持系统无法支持复杂业务之间的联动
从发展方向来看，数据中台并没有抛弃传统的决策支持系统的框架，只不过基于中台的理念，将原本决策支持系统搭建过程中的重复部分提取出来，组成了一个新的数据集合地（这里不去论述数据集市、数据湖等概念），同时基于以上四个方面的新需求，数据中台对数据的统一性、延展性、可使用性要求更高。
数据中台也在低调的扩张影响范围
尽管数据中台存在争议，但其却快速的扩张着其影响范围。除了新闻、企业PR的相关信息外，上市公司公告里“数据中台”出现的频率不断增加。随着其不断出现在企业的战略、研发、业务方向里，数据中台的接受程度有可能正在迅速扩张。
博威合金在2019年股东大会会议资料中披露，企业将在2020年全力推行数字化变革，其中数字化制造项目以精益化、自动化为基础，借助信息化、数字化手段，建立以MES，APS，WMS，LIMS为核心构架的生产管理信息系统，构建企业服务总线(ESB)，为实现信息互联互通、企业流程端到端打通做好基础工作，同时搭建数据中台，为企业决策分析提供支持。
诺力股份在2019年年报中指出，在其2019年的主要研发投入中，物流运营平台的数据中台DMS（中鼎制造大数据分析系统）与智能仓储运营管理云平台、智能设备管控平台、柔性化生产执行系统并列成为诺力的四大平台。LOM的DMS是以物流数据为核心的制造大数据分析系统，是整个物流运营平台的数据中台，包含数据采集、数据处理、数据存储和数据分析功能。
易见股份在2019年度董事会工作报告中提到，2020年其将强化数据中台的作用，为金融机构搭建新的风控逻辑，扩大金融机构在公司业务平台上的投放。
美邦服饰在2019年年报中披露，其在2019年全面启动数字化升级项目，在其新零售策略升级项目中，以传统平台电商为基础，结合社交零售、直播及微商城等新业务场景共同打造企业新零售生态，同时进一步完善企业数据中台，为企业数字化能力转型构建更多元的数字获取和分析运用场景。
易联众在2019年年报中披露，其2019年中标国家医保局项目后，首次在政务信息化领域引进了“中台”的概念，打造业务中台和数据中台，为新一轮医疗保障信息化奠定基础。
此外，志邦家居、来伊份、贵广网络、红蜻蜓、贝因美等众多上市公司均在年报中披露了数据中台的搭建进程。
由上市公司披露的数据中台相关公告的数量统计来看，除了数据中台服务商本身所在的信息传输、软件和信息技术服务业之外，制造业、金融业、批发零售业披露数据中台相关的数量最多，这三个行业也较大可能成为对数据中台需求最旺盛的三大客户群。
数据中台如何成为业务发动机？
我们再回到对于数据中台质疑部分，数据中台的理念、技术路径可能各家稍有不同，但市场整体还是基于积极的判断，因此我们对于其理念和技术本身并不存在实质上的质疑。
问题的核心仍然在：企业与数据中台解决方案的匹配度有多高？
这里面有两个主要的角色，一个是企业，一个数据中台解决方案服务商，正是因为企业的不同、服务商解决方案的不同，在未形成行业标准之前，这个问题可能长期会处在无解的状态。
我们先来看企业这一端，我们认为业务敏捷度高、复杂度高、规模大的企业与数据中台的匹配度较高。
其中，业务敏捷度主要指业务迭代的速度，企业复杂度主要指企业内部结构、生产流程的复杂程度，企业规模主要指企业的客户数、收入规模等。
再来看解决方案这一端，数据中台的解决方案必须满足全域+敏捷的需求，才有可能带来实质上的数据系统的升级。
全域是指公司全流程（从设计、采购、生产到销售的全经营链路）和全触点（生产机器触点、消费者触点）。
敏捷指的是公司引入新模式、新产品、新品牌、新渠道时，数字资产能快速、简便的转换，以适应“新”的发展。
就此看来，数据中台要成为业务发动机需要满足很多的条件，也得经过一些时间的验证， 但行业的发展不会就此停住。
