不管是要弄清楚数据中台还是数据平台，都逃不开这几个问题。
为什么是大数据？
数据资产指哪些内容？
做大数据的是不是一定要写代码？
数据如何体现业务价值？
什么是所谓的数据安全？
...
这几年最火的莫过于“中台”，各公司纷纷打造自己的业务中台和数据中台，顾名思义，业务中台，是为了解决业务共性问题，而对服务进行的统一抽象。公共服务融合，产生标准化解决方案提供上层应用使用。那么，数据中台是什么，和原有的数据平台之间是什么关系。
本文重点描述一下数据在使用管理侧的变化，同时站在笔者的角度，来解释为什么很多公司有的大数据平台，缺依旧要打造数据中台。
数据资产
数据资产指大数据中的价值部分。随着信息化程度越来越高，数据生产的方式也越来越多。
这些数据里，有的数据是当前存在价值，例如监控类日志；有的数据是在一定周期内存在价值，例如平台根据用户过去半年行为来判断用户是否流失；有的数据则是永久价值，例如用户基本身份信息；有的则是一些无价值数据，比如一些与预期数据格式或内容不符的脏数据。
数据经过生产，采集，清洗，转化，加工，这一系列的操作，最后入仓完成持久化的数据信息，就是系统所需的数据资产。
从维度上划分，包含用户画像，用户行为数据（浏览，购买，收藏等），内容资产（信息流、商品SKU等），模型资产等。
数据的体现上，又表现为实时数据和离线数据。实时数据，实时获取实时处理，秒级反馈。例如双十一大屏。离线数据，数据定期采集，汇总，以某一固定周期进行加工计算。例如用户半年消费金额。
一个企业未来的价值，一方面在于主营业务的发展，另一方面表现在所掌握的全网数据资产。拥有数据资产越多的企业，可以很好的完成应用导流，精准人群覆盖，趋势预测，使商业更加透明化。
数据存储
任何一本计算机普及教材上，都会标注，数据在计算机上，会存储在内存或磁盘中，内存快但小，磁盘大但慢。。。
所以呢，当一台机器磁盘空间不够时，用两台，三台，一百台，构成集群分片存储，保障数据容量，同时多备份保障不丢失。当一台机器不够计算时，MapReduce，RDD，在多分片上进行数据处理，之后完成数据结果汇总。分治思想，几乎贯穿了所有的大数据应用。
多数大中型企业，都会有自己的数据管理平台，通常以hdfs为存储介质，yarn为调度，hive、spark为计算引擎，kylin，presto为OLAP引擎。这些组件混合，也就构成了通常意义上的大数据平台。
整个ETL的过程，就是数据从采集清洗到入仓的过程，把不同阶段的数据，分层存储，就形成了传统意义上的数据仓库。
所有的数据应用，都会构建在以数据仓库为元数据的平台之上。
数据计算
数据计算，就是从一堆杂乱的数据中，抽取出所需的部分。
例如
获取一个人最近半年对母婴用品上的浏览量、收藏量，下单量和交易金额。通过这样的结果数据，对此用户进行母婴评级。
这种问题在任何一家电商企业都是很常见的需求。但实现起来，却有一定的复杂度。
首先，用户浏览数据，通过点击流上报，以用户访问页面的行为为触发，进行内容主动上报。
收藏量，从用户的收藏列表中获取，同时需要对商品类别做区分，商品类别在商品模块里。
下单量和下单金额，可以从用户的订单里进行统计，但同时要扣除部分用户退单数据。
这只是一个基础的计算问题，但是依旧要使用到很多维度的基础数据进行融合，那么更为复杂的计算，不但要涉及到不同的数据块，不同的时间周期，不同的数学模型，还有不同的数据规格及存储结构。
数据赋能
数据计算、加工的目的，当然是为业务服务。有人需要订单信息，才会有相应的订单加工需求。
业务人员多半都不懂这些数据存储的方式和差别，又不能要求每一个管理集群，做数据存储加工的同学熟悉全部的业务逻辑。因此，为平衡这类问题，多半会由研发同学发起，开发一套可视化的数据平台，业务人员只需要鼠标点点，就能完成底层数据的混合，加工，展示。这样的基础平台，提供了数据采集，存储，计算，展示，并有可视化的ide提供出来。可以由非研发的业务人员自由组合操作，从而达到自己的业务要求。这也就是通常意义上的数据平台。
那么，有了这个基础设施，每个人都可以再上边加工自己的业务，我要一份用户A的订单数据，通过各种融合，得出了结果。别人也需要这份数据，他也需要在做一遍吗？当然不用，拿现成的就行。这样一来，有一百个人有相似业务要求，我们就节省了99次的计算，这样的基于数据平台，又完成了业务层内容抽象的平台，被越来越多的公司定义为数据中台。
总之，数据平台就是集成了常用大数据组件，覆盖了大数据处理的各个环节，提供出的一套基础平台。可提供技术人员和非技术人员自由进行业务开发运算。数据中台就是依托数据平台，再平台之上以业务沉淀为背景，构建一套完整的基于业务场景的数据计算服务，并将各服务有效提供给应用使用，同时对各应用的数据资产进行有效管理的平台。
任何一种技术，都是为业务服务，大数据也不例外。数据本身不具备行业价值，一定是在特定的行业背景下，才能发挥足够的作用。因此，行业里越来越多企业提出，数据服务业务化。
数据中台将各种数据应用的共性需求进行抽象，形成数据能力，避免重复场景出现浪费过多的人力成本。数据中台管理的内容包含应用、用户、资产及能力（大部分以API方式提供）。
随着业务的逐渐开展，所需的业务指标也越来越多，不但有统计型指标，还有很多预测型指标。通过以往数据表现，对未知数据进行结果预判，这就是一个机器学习过程。因此，在数据平台之外，通常都会有一个机器学习平台，从数仓里获取历史数据，经过一系列模型加工，生成对未知数据预测的模型表达式。这部分内容，同样是数据资产的重要组成。提供出来的模型计算服务，也会通过数据中台封装对外赋能。
数据安全
很多企业都在做着数据发财梦，随之而来的，是数据的盗用，滥用。很多数据绑定了用户的隐私信息，身份信息，购物信息，浏览信息，位置信息，偏好信息等。在法律法规上，这些数据由用户通过平台生产，理应所属用户。平台通过对这类数据挖掘分析，更好的服务用户，但如果将数据外泄、转卖，就触碰了红线。
既然数据需在合法合规的方式下使用，那么如今行业进行数据赋能最大的障碍就是多种所属数据融合。任何一家企业都不会贸然把自己的数据给到其它企业。但又希望能进行数据融合赋能，因此就衍生出了很多技术方向的解决方案，例如联邦学习，智能合约等。
写在最后
随着B端业务的逐渐崛起，更多的企业把目光投向了行业解决方案。一方面通过业务积累完成业务沉淀，另一方面就是想数据赋予更多的业务属性，实现行业价值最大化。不管是数据平台，还是数据中台，都会在未来的业务场景中，占据越来越重要的位置。