企业级大数据通过服务化的方式赋能前台数据应用，提高数据使用效率，系统化地实现统一、标准化、安全性、共享性的数据组织。那么数据中台到底解决了什么问题呢。归纳起来，主要有效率、质量、成本三种。

一、效率

数据研发效率、数据发现效率和数据分析效率可分为效率问题。

首先是数据研发的效率，在很多项目中，在项目初期，由于业务模式不固定、变化快，往往缺乏良好的主题领域和层次设计，烟囱开发模式占主导地位，数据开发重复，数据交付的效率受到限制，业务复杂性和规模增加。在线需求通常需要一周甚至更长时间，业务部门经常批评需求响应速度。

由于开发数据和使用数据的人往往不同，所以是数据发现效率。面对成千上万的表，每个表都有几十个甚至几百个字段，很难准确理解每个表的含义。如果没有易于使用的系统，通常需要大量的通信成本。对于分析师来说，需要花很多时间找到他们想要的数据。

最后，数据分析的效率。我们希望能够根据数据分析决策的人越来越多，但是数据分析本身确实有门槛，这对于大部分非技术操作和分析师来说是个大问题。此外，传统的数据分析取决于分析师的经验，指标异常波动，需要从各个维度进行分析，它完全取决于分析师的个人技能。这也是业务面临的问题，如何将经验转化为知识，甚至标准化，沉淀到产品中，通过系统的自动全维研究和分析降低数据分析的门槛。

二、质量

质量是数据中心需要解决的第二个问题，包括数字仓库设计的质量、指标的一致性。

1.数据研发质量。

数字仓库的设计主要体现在三个方面：完善性、再用性和标准化。完善性着对用户来说，“要啥有啥”对于不同的分层，完善度的衡量方法也不同。

再用性主要强调一个表被多个表使用的情况。再用性越高，数字仓库的设计越合理，数字仓库中重用的数据越多。

标准化主要是指数仓库中的表格，字段命名标准统一，相同的指标、维度、测量标一致。

2.指标是数据处理（或中间结果）的结果。保证指标的业务口径、计算逻辑和数据源的一致性、消除指标的二义性是指标管理的核心。

3.质量还包括数据的质量，包括数据的一致性、准确性、及时性和完整性。市场层同一指标数据是否一致，维度是否一致，相关指标走势是否一致，不同数据源对同一实体值是否一致，都体现了数据的一致性。当数据格式正确时，数值计算的逻辑是否符合预期。此外，实时数据的及时性也相对较高。完整性主要是表格记录是否完整，包括记录数是否完整，字段是否完成。

三、成本

资源计算成本、存储资源成本和人力研发成本是数据中心需要解决的第三个问题。

数据就像手机里的文件。如果不定期清理，手机的存储空间永远不够。我们经常发现，大数据成本比业务增长更快。烟囱开发造成的数据反复处理，一方面浪费了计算存储资源；另一方面，没有人每天看报告，浪费了大量资源，因为没有定期清理，无用的数据任务及时离线。人工成本实际上与效率有关。如果效率提高，研发成本也会得到控制。

关于光点科技  

光点科技是一家在政企数据治理、数据中台建设、数据可视化展示分析方面有着丰富经验的公司。作为国内专业的数据智能解决方案专家，光点科技自成立以来就一直专注于数据产品的研发和落地，服务的客户涉及智慧城市、园区、政府、集团企业、金融、制造、能源、电信、工程、教育、检验检测等多个行业。