后中台时代 数据将在AI浪潮中发挥怎样的价值？

当生成式AI风靡全球之时，几乎每一家企业都期待着开启一段“淘金之旅”。不过，却很少有企业关注底层的数据质量，缺乏数据洞察力。[FF1] “如今，数据中台的概念在Gartner技术成熟度曲线中已进入泡沫破裂低谷期，并在市场上热度逐渐下降。随着数据中台理念逐渐淡化，各企业机构必须重新考虑其D&A计划。”Gartner高级首席分析师费天祺表示。

数据中台的概念已有近十年的历史，最初是想整合基础技术和数据支撑能力，形成大的中台支持各个业务线，一时间被很多企业所关注，理念范畴也变得更加广泛。然而在Gartner于2022年8月进行的一次调研中，只有37%的企业是明确了解“数据中台”的定义和范围、并且已在建设，有33%的企业并不清楚“中台”是什么，只是在跟风炒概念，剩下不到三分之一的企业认为数据中台不适用于自己的企业。

Gartner认为，数据中台的核心是一个中心化的数据架构的设计理念。大中台把所有的东西集中起来，开发和构建可以复用的数据和分析的内容和应用，让不同的前台沉淀到中台上，然后根据前台的需求对接不同的前台应用。由于国内很多中台厂商都希望推行自己的一套架构，使得本该是共享和复用的理念变成了不断的推倒重来，让企业去替代原有的数据分析平台、数据存储平台等，逐渐让数据中台承载了过多的任务，降低了使用效率。

在费天祺看来，数据中台没有取得预期成功主要有三个原因，第一是价值主张过于宽泛，导致其很难聚焦解决某一类的具体问题，不断堆砌端到端的所有数据分析组件，只会让所谓的“中台”变成“数仓”，让数据能力停留在建设和治理层面，没有形成高效机制[FF2] ；第二是数据中台往往是IT部门提出的，缺少业务线的配合，数据团队陷在长时间的业务拆分中，以找到哪些业务是适合接入中台的，这种冗长且复杂的流程影响了业务的敏捷创新；第三是数据中台的交付和协作方式，缺少对业务结果的关注，不具备数据素养，难以输出有价值的数据分析资产。

随着全球经济发展的不确定性提升，企业在IT支出上的预算有所减少，服务商需要找到一条明确的数字化道路，尽快让企业管理者看到价值。Gartner预测，到2026年，超过50%的商业企业将初步启动正式的数据变现之旅。到2025年，55%的IT部门将采用数据生态系统，对40%的供应商进行整合，从而在减少选择的同时降低成本。可以看到，企业对数据的热情并未下降，但如何进行价值转化成为更迫切的需求。

在后数据中台时代，需要走向以业务价值为导向的敏捷增强型的数据分析。Gartner认为，“后数据中台时代”的数据基础能力要具备四个特性：一是数据变现与产品化，企业在制定新的数据战略时，会更关注数据资产管理的能力，产业要推动“数据入表”；二是数据与业务价值挂钩；三是敏捷D&A（数据与分析）运营；四是AI赋能，让AI的技术能力融入数据生产、收集、转换、组织编排、分析、管理的全流程。到2026年，可以自动生成闭环D&A结果的生成式D&A将占大型企业D&A支出的20%。

Gartner把数据价值的演进分为三个阶段，第一阶段是洞察，数据分析为业务运营提供可视化的管理面板，结合历史数据产出分析结果；第二阶段是业务优化，利用不断积累的数据对业务流程进行优化，加快产品迭代速度，让供应链管理更高效，实现更精准的用户触达；第三阶段是D&A产品，让数据价值走向资产化，像金融公司会出售一些风控算法的产品，气象公司会出售加工后的ESG指数等等。

2024年的《Gartner首席数据和分析官调查问卷》显示，已经有50%的企业部署了数据产品或是数据分析的自助服务，后者可理解为数据产品产出的前一步，让业务把有效数据沉淀下来，有效的数据资产管理则是数据变现和产品化的基础。对此，可以从Gartner的数据资产变现的七大实践来一探究竟，首先是盘点可用的数据资产，建立相应的目录清单，评估和选择内外部的变现方法，之后建立数据资产管理的执行认责制，确定数据的所有权、使用权，以及配套的组织和治理机制，同时构建数据产品管理的能力，包括版本迭代、市场策略、审批流程、权限管理等，此时，也可以借鉴其他行业的高价值变现思路，探讨相关的法律和伦理问题。更重要的是，产业要建立和培育数据资产市场，积极融入生态圈。

通过Gartner 提出的“价值金字塔”，可以将数据与业务成果有效地连接起来，例如，想要提高客户服务水平，就可以制定相应的量化绩效指标，然后根据拆解的业务表现，来决定绩效该如何变化，影响客户服务水平的业务绩效指标会包括客户响应率、不同价值客户差异化、服务达成率、针对不同等级客户的服务标准等等，假设选择了客户响应度，接下来会对业务流程再次分解，不同的业务绩效由不同的业务流程贡献，每一业务条线的KPI都会经过严格的评定，最后梳理出的数据是具备清晰逻辑的，可以看到相应的变化预警和未来走向，让数据和结果关联起来。

Gartner建议，可以从增加营收、降低成本、规避风险的维度来进行目标拆解，找到不同业务线的业务成果指标，以及能贡献到该业务成果指标的数据分析指标，例如，从增加营收的维度，客户体验部门希望提升客户访问后的转化率，这样在数据分析时就可以提高客户旅程分析的完成度，理解并解决客户的决策痛点。如果是降低成本的维度，假设是生产制造部门希望减少计划外的设备停机时间，那么在数据分析时就可以提高预测性维护的准确率。

后数据中台时代的数据平台要更具敏捷性，更能够平衡数据运营的能力，可以采用数据编织设计的混合D&A架构。在IT主导的模式中，会有标准化的数据摄取能力，使用数据湖、数据仓库支持核心业务系统的数据分析需求，输出高价值的数据成果，在业务主导的模式中，数据平台可以在数据摄取或数据湖、数据仓库中获得数据能力，也可以在数据虚拟化层通过数据的关联性来获取洞察。

由此，业务用户不会再被中心化的数据取用管控所限制，可以根据需求在业务分析系统中自由地找到数据，在持续的使用中提高数据素养，把更多的数据产品转化为资产，并以API的方式进行组装和复用。同时，数据虚拟化层还涵盖了分类标准、安全护栏等特性，让使用者可以调用大量的元数据来加工，为数据智能做好准备，并且不用过多担心安全性[FF3] 。数据显示，有近半数的企业会选择部署混合式的数据分析组织架构。

费天褀谈到，生成式AI对数据分析基础能力的要求更高，新一代的AI技术还会对传统的数据分析能力进行赋能，例如AI标记、用AI合成数据、用AI进行数据扩充等。当然，企业还要为AI技术的实践找到适合的业务场景，并且要具备数据管理能力，关注数据的可访问性和数据质量等。多数的企业都会使用通用的大模型能力，忽略了私有数据的价值，每个企业的数据基础不同，应用场景不同，所得到的AI成果也千差万别。此外，企业还要重视数据的合规性，确保将其用于AI是负责任的。

“我们可以尝试一些生态化的解决方案，更好地组织AI就绪的数据。我们所有的数据分析价值交付，离不开数据的基础架构，在‘后中台时代’，我们要构建‘数据变现、业务价值、敏捷混合’，以及‘增强的数据基础架构’，这是未来企业规划的思路和方向。”费天褀说。

当生成式AI风靡全球之时，几乎每一家企业都期待着开启一段“淘金之旅”。不过，却很少有企业关注底层的数据质量，缺乏数据洞察力。[FF1] “如今，数据中台的概念在Gartner技术成熟度曲线中已进入泡沫破裂低谷期，并在市场上热度逐渐下降。随着数据中台理念逐渐淡化，各企业机构必须重新考虑其D&A计划。”Gartner高级首席分析师费天祺表示。

数据中台的概念已有近十年的历史，最初是想整合基础技术和数据支撑能力，形成大的中台支持各个业务线，一时间被很多企业所关注，理念范畴也变得更加广泛。然而在Gartner于2022年8月进行的一次调研中，只有37%的企业是明确了解“数据中台”的定义和范围、并且已在建设，有33%的企业并不清楚“中台”是什么，只是在跟风炒概念，剩下不到三分之一的企业认为数据中台不适用于自己的企业。

Gartner认为，数据中台的核心是一个中心化的数据架构的设计理念。大中台把所有的东西集中起来，开发和构建可以复用的数据和分析的内容和应用，让不同的前台沉淀到中台上，然后根据前台的需求对接不同的前台应用。由于国内很多中台厂商都希望推行自己的一套架构，使得本该是共享和复用的理念变成了不断的推倒重来，让企业去替代原有的数据分析平台、数据存储平台等，逐渐让数据中台承载了过多的任务，降低了使用效率。

在费天祺看来，数据中台没有取得预期成功主要有三个原因，第一是价值主张过于宽泛，导致其很难聚焦解决某一类的具体问题，不断堆砌端到端的所有数据分析组件，只会让所谓的“中台”变成“数仓”，让数据能力停留在建设和治理层面，没有形成高效机制[FF2] ；第二是数据中台往往是IT部门提出的，缺少业务线的配合，数据团队陷在长时间的业务拆分中，以找到哪些业务是适合接入中台的，这种冗长且复杂的流程影响了业务的敏捷创新；第三是数据中台的交付和协作方式，缺少对业务结果的关注，不具备数据素养，难以输出有价值的数据分析资产。

随着全球经济发展的不确定性提升，企业在IT支出上的预算有所减少，服务商需要找到一条明确的数字化道路，尽快让企业管理者看到价值。Gartner预测，到2026年，超过50%的商业企业将初步启动正式的数据变现之旅。到2025年，55%的IT部门将采用数据生态系统，对40%的供应商进行整合，从而在减少选择的同时降低成本。可以看到，企业对数据的热情并未下降，但如何进行价值转化成为更迫切的需求。

在后数据中台时代，需要走向以业务价值为导向的敏捷增强型的数据分析。Gartner认为，“后数据中台时代”的数据基础能力要具备四个特性：一是数据变现与产品化，企业在制定新的数据战略时，会更关注数据资产管理的能力，产业要推动“数据入表”；二是数据与业务价值挂钩；三是敏捷D&A（数据与分析）运营；四是AI赋能，让AI的技术能力融入数据生产、收集、转换、组织编排、分析、管理的全流程。到2026年，可以自动生成闭环D&A结果的生成式D&A将占大型企业D&A支出的20%。

Gartner把数据价值的演进分为三个阶段，第一阶段是洞察，数据分析为业务运营提供可视化的管理面板，结合历史数据产出分析结果；第二阶段是业务优化，利用不断积累的数据对业务流程进行优化，加快产品迭代速度，让供应链管理更高效，实现更精准的用户触达；第三阶段是D&A产品，让数据价值走向资产化，像金融公司会出售一些风控算法的产品，气象公司会出售加工后的ESG指数等等。

2024年的《Gartner首席数据和分析官调查问卷》显示，已经有50%的企业部署了数据产品或是数据分析的自助服务，后者可理解为数据产品产出的前一步，让业务把有效数据沉淀下来，有效的数据资产管理则是数据变现和产品化的基础。对此，可以从Gartner的数据资产变现的七大实践来一探究竟，首先是盘点可用的数据资产，建立相应的目录清单，评估和选择内外部的变现方法，之后建立数据资产管理的执行认责制，确定数据的所有权、使用权，以及配套的组织和治理机制，同时构建数据产品管理的能力，包括版本迭代、市场策略、审批流程、权限管理等，此时，也可以借鉴其他行业的高价值变现思路，探讨相关的法律和伦理问题。更重要的是，产业要建立和培育数据资产市场，积极融入生态圈。

通过Gartner 提出的“价值金字塔”，可以将数据与业务成果有效地连接起来，例如，想要提高客户服务水平，就可以制定相应的量化绩效指标，然后根据拆解的业务表现，来决定绩效该如何变化，影响客户服务水平的业务绩效指标会包括客户响应率、不同价值客户差异化、服务达成率、针对不同等级客户的服务标准等等，假设选择了客户响应度，接下来会对业务流程再次分解，不同的业务绩效由不同的业务流程贡献，每一业务条线的KPI都会经过严格的评定，最后梳理出的数据是具备清晰逻辑的，可以看到相应的变化预警和未来走向，让数据和结果关联起来。

Gartner建议，可以从增加营收、降低成本、规避风险的维度来进行目标拆解，找到不同业务线的业务成果指标，以及能贡献到该业务成果指标的数据分析指标，例如，从增加营收的维度，客户体验部门希望提升客户访问后的转化率，这样在数据分析时就可以提高客户旅程分析的完成度，理解并解决客户的决策痛点。如果是降低成本的维度，假设是生产制造部门希望减少计划外的设备停机时间，那么在数据分析时就可以提高预测性维护的准确率。

后数据中台时代的数据平台要更具敏捷性，更能够平衡数据运营的能力，可以采用数据编织设计的混合D&A架构。在IT主导的模式中，会有标准化的数据摄取能力，使用数据湖、数据仓库支持核心业务系统的数据分析需求，输出高价值的数据成果，在业务主导的模式中，数据平台可以在数据摄取或数据湖、数据仓库中获得数据能力，也可以在数据虚拟化层通过数据的关联性来获取洞察。

由此，业务用户不会再被中心化的数据取用管控所限制，可以根据需求在业务分析系统中自由地找到数据，在持续的使用中提高数据素养，把更多的数据产品转化为资产，并以API的方式进行组装和复用。同时，数据虚拟化层还涵盖了分类标准、安全护栏等特性，让使用者可以调用大量的元数据来加工，为数据智能做好准备，并且不用过多担心安全性[FF3] 。数据显示，有近半数的企业会选择部署混合式的数据分析组织架构。

费天褀谈到，生成式AI对数据分析基础能力的要求更高，新一代的AI技术还会对传统的数据分析能力进行赋能，例如AI标记、用AI合成数据、用AI进行数据扩充等。当然，企业还要为AI技术的实践找到适合的业务场景，并且要具备数据管理能力，关注数据的可访问性和数据质量等。多数的企业都会使用通用的大模型能力，忽略了私有数据的价值，每个企业的数据基础不同，应用场景不同，所得到的AI成果也千差万别。此外，企业还要重视数据的合规性，确保将其用于AI是负责任的。

“我们可以尝试一些生态化的解决方案，更好地组织AI就绪的数据。我们所有的数据分析价值交付，离不开数据的基础架构，在‘后中台时代’，我们要构建‘数据变现、业务价值、敏捷混合’，以及‘增强的数据基础架构’，这是未来企业规划的思路和方向。”费天褀说。

当生成式AI风靡全球之时，几乎每一家企业都期待着开启一段“淘金之旅”。不过，却很少有企业关注底层的数据质量，缺乏数据洞察力。[FF1] “如今，数据中台的概念在Gartner技术成熟度曲线中已进入泡沫破裂低谷期，并在市场上热度逐渐下降。随着数据中台理念逐渐淡化，各企业机构必须重新考虑其D&A计划。”Gartner高级首席分析师费天祺表示。

数据中台的概念已有近十年的历史，最初是想整合基础技术和数据支撑能力，形成大的中台支持各个业务线，一时间被很多企业所关注，理念范畴也变得更加广泛。然而在Gartner于2022年8月进行的一次调研中，只有37%的企业是明确了解“数据中台”的定义和范围、并且已在建设，有33%的企业并不清楚“中台”是什么，只是在跟风炒概念，剩下不到三分之一的企业认为数据中台不适用于自己的企业。