首页 欧洲联赛正文

出处 | AI前哨

数据中台被誉为大数据的下一站,由阿里鼓起,中心思想是数据同享,并在 2018 年由于“腾讯数据中台论”再度成为了人们议论的焦点。现在好像人人都在提数据中台,但却不是一切人都清楚数据中台究竟意味着什么。数据中台是只要大厂才需求考虑的巨大上的概念吗?一般企业该不该做数据中台?数据中台的呈现会给现有数据从业者们带来推翻式的应战吗?带着上述问题,InfoQ 采访了 ThoughtWorks 数据和智能总监史凯,谈谈他关于数据中台的观念。

数据中台不是大数据渠道!

首要它不是一个渠道,也不是一个系统,假如有厂商说他们有个数据中台卖给你,对不住,它是个骗子。

要回答数据中台是什么,首要要评论一下中台究竟是什么。尽管没有明晰的界说,可是作为理工直男,咱们能够先把中台看作是一种中间层。既然是一种中间层,那么中台确实是一种十足技能用语,咱们能够彻底从技能视点来评论了。

咱们能够运用 Gartner 的 Pace Layer 来了解为什么要有中间层,这样能够更好地了解中台的定位和价值。Pace Layer 里说到,能够依照事物哥撸妹改动的速度来分层,这样能够逐层剖析并规划合理的鸿沟与效劳。


在数据开发中,中心数据模型的改动是相对缓慢的,一同,对数据进行维护的作业量也十分大;但事务立异的速度、对数据提出的需求的改动,对错常快速的。

数据中台的呈现,便是为了补偿数据开发和运用开发之间,由于开发速度不匹配,呈现的呼应力跟不上的问题。

数据中台处理的问题能够总结为如下三点:

  1. 功率:为什么运用开发添加一个报表,就要十几天时刻?为什么不能实时取得用户引荐清单?当事务人员对数据发生一点疑问的时分,需求花费很长的时刻,成果发现是数据源的数据变了,终究影响上线时刻。
  2. 协作问题:当事务运用开发的时分,尽管和其他项目需求大致差不多,但由于是其他项目组维护的,所以数据仍是要自己再开发一遍。
  3. 才干问题:数据的处理和维护是一个相对独立的技能,需求适当专业的人来完结,可是许多时分,咱们有一大把的运用开发人员,而数据开发人员很少。

这三类问题都会导致运用开发团队变慢。这便是中台的要害——让前台开发团队的开发速度不受后台数据开发的影响。

史凯总结说,“数据中台是聚合和办理跨域数据,将数据笼统封装成效劳,供给给前台以事务价值的逻辑概念”。

如下图所示:


DData API 是数据中台的中心,它是衔接前台和后台的桥梁,经过 API 的办法供给数据效劳,而不是直接毋,数据中台已成下一风口,它会推翻数据工程师的作业吗?,马龙白兰度把数据库给前台、让前台开发自行运用数据。至于发生 DataAPI 的进程,怎样样让 DataAPI 发生得更快,怎样样让 DATA API 愈加明晰,怎样样让 DATA API青纱帐边的女性 的数据质量更好,这些是要环绕数据中台去构建的才干。

数据中台和数据仓库、数据渠道的要害差异

这是现在数据职业咱们常常评论的问题,究竟数据仓库、数前园希美据渠道和数据中台的差异是什么。


概略地说,三者的要害差异有以下几方面:

  1. 数据中台是企业级的逻辑概念,表现企业 D2V(Data to Value)的才干,为事务供给效劳的首要办法是数据 API;
  2. 数据仓库是一个相对具体的功用概念,是存储和办理一个或多个主题数据的调集,为事务供给效劳的办法首要是剖析报表;
  3. 数据渠道是在大数据根底上呈现的交融了结构化和非结构化数据的数据根底渠道,为事务供给效劳的办法首要是直接供给数据集;
  4. 数据中台间隔事务更近,为事务供给速度更快的效劳;
  5. 数据仓库是为了支撑办理决议计划剖析,而数据中台则是将数据效劳化之后供给给事务系统,不只限于剖析型场景,也适用于买卖型场景;
  6. 数据中台能够树立在数据仓库和数据渠道之上,是加速企业从数据到事务价值的进程的中间层。

数据仓库具有前史性,其间存储的数据大多是结构化数据,这些数据并非企业全量数据,而是根据需求针对性抽取的,因而数据仓库关于事务的价值是各式各样的报表,但这些报表又无法实时发生。数据仓库报表尽管能够供给部分事务价值,但不能直接影响事务。

数据渠道的呈现是为了处理数据仓库不能处理非结构化数据和报表开发周期长的问题,所以先放下事务需求、把企业一切的数据都抽取出来放到一同,阐证成为一个大的数据集,其间有结构化数据、非结构化数据等。当事务方有需求的时分,再把他们需求的若干个小数据集独自提取出来,以数据集的办法供给给数据运用。

而数据中台是在数据仓库和数据渠道的根底上,将数据出产为为一个个数据 API 效劳,以更高效的办法供给给事务。

数据中台应该具有什么才干?

大数据和人工智能大火之后这几年,许多人一直在提一个说法,那便是“数据是新的石油”。但史凯的观念却有些不同,在他看来,数据不等于数据财物,假如没有从事务的视点对数据进行规划,再多的数据也无法发生价值。毋,数据中台已成下一风口,它会推翻数据工程师的作业吗?,马龙白兰度

史凯以为数据中台最中心的一个要害组件是数据财物目录。“咱们以为,一个企业的数据要能够充沛发挥价值,很重要的一个前提条件便是这个企业的数据结构和数据财物目录是对整个企业敞开的。一切人都能够经过这个财物目录了解公司有哪些类其他数据、包含什么特点、源数据由谁办理,这样就能够快速搞清楚这些数据是不是自己需求的。但数据自身能够不敞开,由于数据是有隐私信息和安全级其他。”

大企业内部事务许多,不同事务或许存在许多重复数据。所谓的数据财物目录便是把数据的模型去重、归一、整理,变成一个树状结构,这个树状结构不直接对应数据库中的字段。以航空货运为例,其数据财物或许包含货机、客运机的辅舱,一架货机便是一个数据财物目录的节点,而货机的各种特点(如货机类型、空间巨细、年份等)便是这个节点下面的数据模型。数据财物目录做的作业便是从事务层面动身拟定数据标准,将企业事务相关的数据财物模型抽取出来,这跟后边用什么数据库去存储、用什么结构去存储、存成结构化还对错结构化都没有联系。它适当于把企业的事务从数据层面做了一个整理,用数据的言语把企业的事务模型复原出来。数据财物目录做好之后,后边才是用什么技能手法、从哪里提取数据来映射到这个数据财物目录。

除了敞开,数据财物目录还应该具有标签描绘、可检索,这样才干最大程度地便利真实运用数据的人,以最快的速度找到他们需求的东西。

在 ThoughtWorks 提出的精益数据立异系统中将企业所需求具有的数据才干归纳为以下六种,具有了这六种才干,企业才具有成为数据驱动的智毋,数据中台已成下一风口,它会推翻数据工程师的作业吗?,马龙白兰度能企业的根底,而这些才干的承载渠道,便是数据中台:


  1. 数据财物的规划和办理

做中台之前,首要需求知道业徐若瑄天使务价值是什么,从事务视点去考虑企业的数据财物是什么。数据财物不等同于数据,数据财物是仅有的,能为事务发生价值的数据。关于同一堆数据,不同事务部分所重视的数据方针或许彻底不同,怎样让各个跨域的事务变成一致的标准,就需求规划企业的数据全景图,将一切有或许用上的、一切对企业有或许有价值的数据都规划出来,终究整理出企业的数据财物目录。在这个时分不需求考虑有没有系统、有没有数据,只需求重视哪些数据是对企业事务有价值的。这一层不主张做得太细,太细就难以构成标准,不能适用于多个场景了。数据办理是数据中台很重要的一个范畴,ThoughtWorks 以为在现在事务鸿沟消失、需智力大冲关求快速改动的状况下,企业需求具有精益数据办理的才干——Lean Data Governance。传统的中心化、事前控制式的数据办理办法,要改动为去中心化、过后效劳式的办理办法。


  1. 数据财物的获取和存储

数据中台要为企业供给强壮的数据财物的获取和存储的才干。

  1. 数据的同享和协作

企业的数据中台必定是跨域的,需求让一切的人都知道数据财物目录在哪里。不能由于数据安全,就不让咱们知道企业有什么数据。没有同享和敞开,数据没有办法活动起来,没有活动的话雨田爱数据的价值发生的速度就会十分慢。所以在数据安全的根底上,企业的数据财物目录要对利益相关者、价值创造者敞开,要让事务人员能够做到“Sel缆组词f-Service”

  1. 事务价值的探究和剖析

数据中台不只要树立到源数据的通路,还需求供给剖析数据的东西和才干,协助事务人员去探究和发现数据的事务价值。一个好的数据中台处理方案中需求针对不同事务岗位的用户供给个性化的数据探究和剖析的东西,而且在此根底上一键生成数据 API,以多样化的办法供给给前台系统。

  1. 数据效劳的构建和办理

数据中台需求确保数据效劳的功用和稳定性,以及数据质量和准确性,还需求具有强壮的效劳办理才干。数据中台是一个生态渠道,在数据中台上面会不断成长各种数据效劳,所以从一开端就构建好数据效劳的办理结构对错常重要的,数据效劳需求能够被记载、可被盯梢、可被审计、可被监控。

  1. 数据效劳的衡量和运营

假如数据中台终究仅仅做到把数据给到事务人员,那它就仅仅一个搬运工的人物。数据中台还需求具有衡量和运营数据效劳的才干,能够对中台上供给的数据效劳及相关行为继续盯梢和记载,包含哪些数据效劳被哪个部分运用、用了多少次等,经过这些去衡量每一个数据效劳的事务价值。

史凯以为,数据中台是一个需求用互联网思想去运营的赢利中心渠道,数据中台的运营剖析人员需求剖析事务,了解为什么今天上午这个财务部分的人用了数据中台、调用了十次,下午他不用了,原因是什么,调用了这些数据效劳的人一般还会调用哪些其他的数据效劳。这些都需求相应地做记载、做日志、做剖析,要把数据作为像电商渠道相同去运营,然后实时地根据这些事务行为数据去提示数据效劳供给方,调整、改动、优化数据效劳,这才是可运营的数据中台,也只要这样事务部分才干得到最快的支撑和呼应。

为什么人人都需求数据中台?

数据中台并非只要大公司才需求的巨大上的玩意。

ThoughtWorks 从 2017 年到现在,现已协助多家大型国内外企业建造数据中台,其间有体量巨大的企业级数据中台,也有部分级的小数据中台。

“未来一切的企业中心都会变成加工数据的企业,而数据中台是数据价值化的加工厂,所以一切的企业都需求数据中台的才干,数据中台必定是未来每个企业的标准装备。”

在史凯看来,数据中台并不意味着“大而全”的数据渠道。根据企业的规划和事务的不同,数据中台可大可小,规划、杂乱度或许都不相同,但它对事务发生的价值是相同的。

当企业评价自己是否应该建造数据中台时,应该从哪些方面来考虑?史凯以为,从战略视点来说,每个企业都需求树立自己的数据中台;从战术视点来说,当企业发现自己的数据开发使用的速度和运用开发的速度不匹配的时分,就需求考虑构建数据中台。

本来许多企业在做运用系统的时分,什么都不考虑直接上单体架构,一上来就先做数据库,然后在上面建运用。ThoughtWorks 主张现在的企业,即便不做数据中台、不去立一个叫做“数据中台”的项目,可是在做运用的时分,最好把这个运用分红三层,事务层、数据中台层、源数据层,在一开端做运用的时分就把三个层次笼统出来。

数据质量差所以做不了数据中台?No!

前史留传的数据质量问题常常让咱们对数据的使用和价值发生质疑。2018 年,史凯在与不同企业沟经进程中常常听到的一句话便是,“咱们现在还没有到使用数据这一步,由于(运用系统中的)数据质量太差”。

每次听到这句话,史凯脑子里就好像听到了别的一句话,“还没到培育孩子的时分啊,孩子太小了”。

不能由于数据质量差,就不去使用数据。恰恰是由于没有去做后边的作业,所以数据质量才差。而且也不能由于数据质量差就抛开事务场景、企图全面处理数据质量的问题,这样得不到事务部分的支撑,也无法新抚网从数据作业中发生事务价值。所以 ThoughtWorks 主张的恰恰是使用做运用、做事务的需求,同步处理数据质量问题。

史凯以为,数据质量问题,根本上是在构建运用之初缺少全体数据规划和数据思想导致的问题。本来的流程类运用构建之初,只考虑了怎么让流程跑起来,缺少对这个运用在整个企业的数据全景图(Data Landscape)中的定位的剖析,没有从源头上优化数据的存储、流通,然后更好地与其他的系统中的数据去对齐口径、一致言语,将流程问题笼统成范畴模型问题,再将范畴模型笼统成数据模型。

建造数据中台的应战及应对战略

建造数据中台最大的应战在于前期能否从事务层面整理清楚有事务价值的场景,以及数据全景图,而不只在于后期的技能建造。

数据中台建造面对的应战包含:

  • 整理事务场景:搞清楚数据中台怎么对事务发生价值。
  • 建造数据中台的优先级战略:需求或许大而全,但咱们不能直接建大而全的数据中台,应该根据事务重要性来排需求的优先级。
  • 数据办理问题:和事务独立开的数据办理罕见成功的,大的数据标准要有(数据财物目录),经过数据财物目录将共有的纬度、共性的事务模型提炼出来,在此根底毋,数据中台已成下一风口,它会推翻数据工程师的作业吗?,马龙白兰度之上数据办理需求跟事务场景严密结合。

数据中台的建造需求两个战略耐性

数据中台是为了加速从数据到事务价值的发生速度,可是它的出产进程依然是需求时刻、有许多杂乱的作业要做的,所以关于数据中台的出资方和数据中台的建造方来讲,都需求对应的战略耐性。


  • 关于出资方来讲,要充沛认识到数据中台类项意图价值和局限性。在现在的安排结构和技能成熟度下,数据中台依旧是一个技能渠道,关于事务失禁文价值的发生是一个加速的进程。可是事务关于数据的需求不会由于有了数据中台就削减,数据中台也不是哆啦 A 梦,不能为所欲为地变出各种事务想要的效劳。这依然是一个需求统筹规划、灵敏迭代、演进建造的系统性工程,所以需求要办理好希望,有必定的战略耐性。
  • 关于建造方来讲,要充沛认识到数据中台建造的杂乱度,不要急于求成,不要等待毕其功于一役。史凯的主张是要从小中台做起,环绕具体有价值的事务场景去建造,尽量不脱离场景去搞周期长、大而全的纯东西渠道建造。

数据中台也能够小而美

建造数据中台的要害考量包含两方面。

首要数据中台必定要与事务价值对齐。构建数据中台,最重要的不是技能,也不是数据质量好不好,而是数据思想和数据文明。数据思想便是要树立起从数据的视角去考虑问题的办法;数据文明便是要把数据和事务当成一体去看,而不是只将数据当作一个支撑东西。想清楚事务关于数据的诉求是构建数据中台的第一步,哪怕暂时不能想的太细,也要去想,想不清楚就先不要做。

不要在事务场景还没有明晰、优先级还不明晰、价值衡量系统没有树立起来的时分,就树立大而全的数据渠道,而且把一切的数据都存起来。企业都是寻求投入产出比的,大而全的数据渠道往往会面对为难的局势,一堆功用看上去很有用,应该都能用上,可是缺少运用场景,真的有了场景,发现也不能开箱即用,还需求许多的定制化。

其次,数据中台应该从小数据、小场景做起。

数据中台是面向场景而非面向技能的,这种与客户的事务、企业的结构和信息化开展阶段有着严密的相关性的事务根底架构,是很难买一个大而全的产品来一了百了处理的。

能够经过下面这个图来解说构建中台的准则:


一开端的时分需求顶层规划,面向事务愿景拟定中台的全体规划,全面的整理数据立异全景蓝图,这便是上图左面的黑色结构部分,经过事务愿景驱动出一切的事务场景探究,然后推导出数据中台的全景架构、技能支撑。

可是在施行的时分,要从具体的事务场景动身。从高价值数据集场景做起,然后顺着这个场景竖切,找到数据全景图中的一个或多个数据调集,从小数据场景落地,这样才干快速验证价值。大处考虑,大局拉通,防止后续的数据孤岛,可是从小数据集切入,从可完结性高的场景发动。然后一个个的场景做起来,事务价值和中台才干也就同步树立起来了。

总的来讲便是,“规划阶段横着走,落地阶段竖着切。”

数据中台团队和技能选型

数据中台团队一般需求少女性交包含以下人物:

  • 事务专家团队:了解事务、整理事务场景,确认数据财物与事务场景的一一对应联系,确认事务场景的优先级,为数据中台的建造供给根据。
  • 数据工程团队:建造和维护数据中台,包含 ETL、数据收集,宿舍506以及数据中台功用和稳定性确保,使用中台的东西收集、存储、加工、处理数据。
  • 数据剖析团队:剖析数据价值、探究场景,出产更多的数据效劳。
  • 数据办理团队:整理数据标准、构件数据安全和隐私标准,使用开源去中心化的数据办理东西(比方 atlas、wherehows)来环绕事务场景处理数据质量和安全问题。
  • 智能算法团队:为数据剖析、事务探究供给智能和算法东西。

而这样的一个团队的作业就构成了一个数据出产线,一个从数据到事务效劳的数据效劳工厂,这个工厂有出产车间(Data Pipeline)、研制中心(数据实验室)、办理办公室(数据办理),还有产品展示中心(数据效劳商铺)。


数据工厂是一个逻辑概念,不是一个大而全杜乾鹏的产品,ThoughtWorks 结合曩昔几年的实践给出了一个数据工厂组件选型的参阅架构,这些引荐的架构和组件,许多都表现在曩昔 ThoughtWorks 推出的技能雷达中并进行了具体解说,如下:


数据中台的呈现关于现有数据团队的应战

前面现已说到,数据中台是企业的 Data API 工厂,用更高效、更协同的办法加速从数据到事务的价值,能够给事务供给更高的呼应力。所以数据中台间隔事务更近,这关于传统企业的数据事务来讲,是一个严重的改动,一同给本来的数据团队也会带来巨大的应战。

1. 对数据剖析人员的事务要求提高了

企业传统的数据作业和事务作业分工明晰、边界明晰,事务人员担任事务需求,提出事务问题,并将事务问题拆解成一个个明晰的数据问题,然后数据工程师和数据剖析师在这个明晰的问题下解题。

可是,在数据中台呈现后,数据中台是一个赋能渠道,它会沉积、供给许多数据剖析东西和数据效劳,能够让不具有专业数据才干的事务人员也能够进行一些简略的数据剖析,发生事务的洞悉。这就意味着在数据中台的支撑下,相对简略明晰的事务问题会更多的由事务人员自己处理掉,那么传递到专业数据人员的问题,都会是愈加杂乱的问题。这关于数据人员的事务了解才干就加强了,他 / 她们有必要具有快速了解事务的才干,才干够表现出专业性和优势。

2. 关于数据人员的工程才干要求提高了

本来的数据剖析作业归于个别作业办法,每一个数秦娟个人资料据科学家、数据剖析师便是一个独立的作业单元裂解符文,事务部分给出事务问题,他们经过自己拿手了解的东西和办法给出成果。可是在数据中台呈现后,他们一方面取得了更多数据剖析的兵器和东西,能够站在前人的根底上作业,提高了功率和准确度,别的一方面,他们也需求把握更多的渠道化的数据剖析东西,比方 Jupyter Notebook,一同也被要求能够把自己剖析的成果转化成数据效劳,沉积到中台。

3. 数据团队需求具有更多的事务视角

本来的数据剖析团队是一个功用型团队,更多以数据智囊团的身份存在。大部分状况下,间隔事务比较远,更不要提对事务的成果担任。而在数据中台呈现后,数据中台间隔事务会越来越近,乃至直接影响和参加事务的运转,数据团队将渐渐脱离数据智囊团的身份,逐步从后台走向前台,直接担任一个个数据效劳,而这些数据效劳是会直接参加到事务傍边、发生事务价值的。这样的定位改动,要求数据团队具有更多的事务视角,要更重视事务价值,直接对齐企业的事务方针去作业。

所以,数据中台的呈现,不只仅一个技能渠道,它关于企业而言是一个系统化的作业,企业数据相关的流程、责任、分工都要有对应的调整,才干达到全体的方针。

数据中台 VS 数据隐私

关于数据中台来说,数据隐私和安全性也对错常重要的问题。或许许多人还记得前些日子马化腾针对“腾讯数据中台论”的回应。上一年腾讯安排架构调整进程中完结了技能打通,而对数据打通坚持慎重情绪。马化腾在 18 年 11 月的国际互联网大会上回应“数据中台论”:“腾讯不能套用许多其他公司的做法,把数据直接去恣意打通。由于在咱们的渠道里边,很多悉数都是人和人之间的通讯、交际行为数据,假如说数据能够恣意打通,给公司事务部分或许给外部的客户用,那是毋,数据中台已成下一风口,它会推翻数据工程师的作业吗?,马龙白兰度会带来灾难性自拍照的结果。这方面咱们要愈加慎重,咱们要从用户的角意大利威尼斯天气量来考虑,把个人信息和数据维护放在优先地位。”许多人将这解读为腾讯不做数据中台,史凯却不这么以为。

在他看来,腾讯的回应并不是说他们不做数据中台,而是着重要在数据隐私上做更多的作业。其实一切的数据安全和隐私的维护都需求从场景动身。史凯以为,“不能从纯数据层面来看数据隐私,数据隐私是不能脱离场景的”。假如朴实从数据层面,而不从事务场景层面去办理数据隐私,就会带来两方面的问题,要么数据被办理的十分死,阻止了事务价值的发生;要么数据隐私办理就会有缝隙。

史凯举了一个比方,比方咱们讲的用户买卖数据,假如不相关用户基本信息,买卖数据自身关于用户来说是不具有隐私危险的,由于它不相关到任何一个用户个别。所以,是能够对脱敏后的用户买卖数据进行剖析和使用的。

另一方面,假如脱离场景谈数据隐私,也或许会导致疏忽了潜在的安全问题。有时分假如不把场景相关起来,或许两个数据看上去没有安全问题,但其实外人把这两个数据相关起来就发生价值了。这也是为什么在一开端的时分就要把一切的场景,尽或许地悉数剖析出来。

别的,设置权限、数据分毋,数据中台已成下一风口,它会推翻数据工程师的作业吗?,马龙白兰度级审阅、库级数据脱敏等都是能够提高数据安全的手法。现代数据中台有必要具有数据调用行为的监控和记载机制,反过来也能增强对数据安全和隐私的维护。

数据中台的下一步

当时国内外现已有不少公司开端出资建造数据中台,咱们比较了解的包含阿里、华为、联想、海航、上汽、壳牌等。

在史凯看来,数据中台当时处于上升开展期。尽管未来数据中台未必还叫做数据中台,但它必定会成为企业必备的根底组件。

国际正在从信息化向数字化开展。信息化是指大部分的作业都在物理国际里完结,然后用信电脑的数字化国际处理一小部分问题。数字化则是把人从物理国际搬到数字化国际。从这个视点来讲,数据中台将会变成物理国际的事务在数字化国际的一个复原。

数据中台规划的初衷是将核算与存储别离,从狭义上来说,真实最中心蓝猫学拼音全集连播的数据中台能够是没有存储的。但就当时的状况来看陈佳一,广义的数据中台在未来一段时刻内仍会包括数据仓库、数据湖等存储组件,“数据工厂”这个概念或许更适用于现在的阶段。但跟着数据中台的开展,未来很有或许不再需求数据湖了。

最终,史凯也说到了阿里中台战略中的另一个中台——“事务中台”。他表明“当时事务中台更偏实时毋,数据中台已成下一风口,它会推翻数据工程师的作业吗?,马龙白兰度买卖,是从上往下沉积事务;数据中台现在更偏剖析、决议计划和洞悉,为事务供给 T+N 和 T+0 的数据效劳,可是再往前走,数据中台跟买卖会渐渐结合得更为严密。跟着核算才干越来越强,以及微效劳架构的进一步开展,未来事务中台和数据中台或许会融为一体。”

采访嘉宾

史凯,ThoughtWorks 数据和智能总监,精益数据立异系统的提出者,2019 年被评选为 DataIQ100 的数据赋能者,有近 20 年年的企业信息化、数字化转型架构和施行经历,为许多大型客户供给数字化转型战略略规划和咨询施行效劳。

技能雷达是 ThoughtWorks 推出的公益的、不限职业的技能选型趋势陈述,至今已坚持十年,旨在以雷达的表现办法,经过明晰的解读,给技能人员供给高质量、落地性强的技能渠道、东西结构方面的选型辅导,助力企业数字化转型。


假如你对数据中台有不同观念,欢迎给咱们投稿,投稿邮箱:natalie.cai@geekbang.com,标题注明【数据中台】。

版权声明

本文仅代表作者观点,不代表本站立场。
本文系作者授权发表,未经许可,不得转载。