一、先说数据中台

      它的起源我就不说了，相信大家或多或少都看过这个有趣的故事：

      15年马云携高管访问supercell这个游戏公司，这个游戏公司为什么牛逼？就是因为它的员工不多，但是却造出了很多知名的游戏，原因就在于它的中台战略深入人心，如何像他们一样提高人效？这才是高管们关心的。

       回到国内，中台的概念就被造出来了，从起名可以看出来，是处于中间位置，连接前后的作用，最终的目的是提高员工和企业的效率。

阿里事业部不下十几个，淘宝、天猫、 1688、聚划算、菜鸟物流，每个事业部都有独立的架构体系，对应各个的开发和运维，这会出现功能重复建设，数据格式不统一，口径不一致。

       中台的出现就是为了解决这些重复造轮子的情况，打通各个业务系统的数据，有些费时费力的代码，写过一遍了，为什么还要再写呢？

再拿字节跳动来说，很多人都觉得它是app工厂，造出了很多知名的产品如抖音、头条等，但是他们的研发背后，肯定有一套，和阿里一样的，合理的数据中台体系。

       我总结一下，数据中台的3个价值：

       第一个价值：数据平台化

       数据中台是要打破重复造轮子的过程，不再每个团队搭建一套Hadoop、Spark这样的大数据组件；

       而是，从全公司的角度，整合这些工具，所有团队使用公司级别统一提供的大数据平台、开发工具、资产管理平台等。

       第二个价值：数据服务化

       数据中台要能打通烟囱式的数据体系，减少每个团队的数据“私货”，做到全域数据打通，构建公司级统一的数据仓库。

同时，也提供更方便的数据访问方式：比如数据API、可视化访问、自助提取等。

       第三个价值：数据价值化

       数据中台要能做到，让数据真正能产生价值，这是一种结合了数据平台和数据服务后，让数据持续为业务赋能的机制。比如，如何让数据分析结论能落地？数据分析效果反馈的路径是否顺畅等等。

     二、再来说说数据仓库

       在我看来，数据仓库就是用来进行数据分析的，因为企业数据量大到一定程度之后，说明该企业的规模也是非常大的，数据库在进行大量数据查询的时候效率较低。

      如果每次分析都从数据库里取数，那么会非常麻烦，所以就有了数据仓库，每隔一段时间把数据库里面的所有数据放到数据仓库里分析。

      数据仓库整合多个数据源，进行多维的分析，帮助高层管理者或者业务分析人员做出战略决策或商业报表，其架构一共有4层：

      ODS层（原始数据层）：存放原始数据，直接加载原始日志、数据，数据保存原貌不做处理。

      DWD层（明细数据层）：结构与粒度原始表保持一致，对ODS层数据进行清洗（去除空值、脏数据、超过极限范围的数据）。

      DWS层 （服务数据层）：以DWD为基础，进行轻度汇总。

      ADS层 （数据应用层）：为各种统计报表提供数据。

     三、两者的区别

       先对两者的概念进行一个总结：

       数据仓库是利用数据平台提供的计算和存储能力，在一套方法论指导下建设的一整套的数据表。

       数据中台包含了数据平台和数据仓库的所有内容，将其打包，并且以更优雅以及更产品化的方式对外提供服务和价值。

       然后你就会发现：数据中台包含数据仓库，数据中台可以将企业数据仓库建设的投入价值进行最大化。

       数据仓库的主要场景是支持管理决策和业务分析，而数据中台则是将数据服务化之后提供给业务系统，目标是将数据能力渗透到各个业务环节，不限于决策分析类场景。

       数据中台也可以将已建好的数据仓库当成数据源，对接已有数据建设成果，避免重复建设。

       当然也可以基于数据中台提供的能力，通过汇聚、加工、治理各类数据源，构建全新的离线或实时数据仓库。

       不过数据中台更加偏重于数据使用，较之于传统数据仓库的数据组织形式，数据中台的数据覆盖范围更广、数据关系和处理模式更复杂、数据使用方式更灵活，因而给企业内部数据使用人员的能力带来较大挑战。