4月29日，資料中臺建設實戰系列課程「數智加速度」第4課，奇點雲資料模型架構專家天啟帶來分享《AI驅動的資料中臺架構設計》，步步踏實落地，帶大家從0開始建設資料中臺。
天啟，奇點雲資料模型架構專家、原海爾集團資料架構師、原阿里巴巴政務團隊資料架構師，精通資料倉儲建模理論及資料開發技術，具備零售、政務、醫藥、製造等多個領域數倉和資料中臺建設經驗，及PB級資料倉儲與資料中臺建設經驗。
在這一課裡，你會聽到：
1. 資料中臺的選型與構建˙
2. 資料中臺踩過的那些坑
3. AI是如何驅動資料中臺
4. 資料中臺新理解與暢想
下文為分享節選：
01 資料中臺：正確的人+正確的工具+正確的事=降本增效
資料中臺對於許多傳統企業而言，依舊是很陌生的概念。
如何從零開始建設資料中臺？
我們把它簡化為一個方程式，正確的人+正確的工具+正確的事，三者缺一不可。
正確的人
資料中臺在國內有完整實踐的企業不多，相關的人才也相對較少。企業在選擇資料中臺時，需要有方法論、實踐經驗去指導，以避免從零摸索帶來大量人力物力的浪費。這也是企業在選擇服務商時需要留意的。
正確的工具
在這裡主要指的是狹義上的資料中臺產品。市面上的產品五花八門，資料中臺產品各型各樣，如何選擇非常關鍵。
正確的事
資料中臺不是擺設，並不是說搭建一個產品意義的資料中臺，企業就完成數字化轉型了。資料中臺最終還是要為業務服務。我們要用資料中臺做什麼，解決什麼業務痛點，需要考慮清楚。
這個方程式最終導向了我們建設資料中臺的目的：為企業帶來降本增效。「要麼給老闆省錢（降本），要麼給老闆掙錢（增效）。」
02 資料中臺的選型與構建
首先需要強調的是，在這裡我們分享的只是一般情況，不同企業、不同資料情況和不同需求，不可一概而論。不管黑貓白貓，能解決痛點的就是好貓。
資料中臺的底層是大資料架構，大資料架構如何去選型？
在架構選型時，成本、場景支援是我們考慮最關鍵的2個要素。
綜合實施週期、實施成本、是否支援實時計算、資料冗餘與資料一致性情況等因素，我們認為Lambda架構成本相對適中，又能滿足實時計算和離線計算兩個場景。
當然，選擇Lambda架構也會不可避免地面臨資料冗餘的問題，而目前大部分傳統企業用到實時計算的場景偏少一些，相對來說產生的資料冗餘也較少，可以透過資料治理等方式解決。
底層之上是引擎，包括離線計算引擎和實時計算引擎，又應當如何去選型？
離線計算：三種離線計算引擎各有特點，可以綜合企業的資料情況和需求，選擇合適的計算引擎。
實時計算：在批處理+流處理上，Flink備受青睞，穩定性較好、吞吐量較大。一般來說推薦使用Flink。
在架構上層，則涉及到了：資料模型應如何設計？
資料模型是為業務服務的。具體來說，就是把業務抽象化，提煉成資料模型，再透過資料解決業務問題。
建資料模型，會經歷業務建模、概念建模、邏輯建模和物理建模四個階段。
在模型選擇上，我們僅列舉兩種模型，星型模型與雪花模型。通常情況下，為了能下游能更好地理解業務，快速提供資料服務，我們會採用空間換時間的方式，從而選擇星型模型；而在維度資訊變化非常頻繁，或者資料儲存成本非常高的情況下，我們可以採用雪花模型。歸根到底，資料模型沒有好壞之分，只有能否解決業務問題。
最後需要強調，對於技術和模型的選擇，我們做了一些推薦和優劣勢的介紹，但技術和模型本身沒有對錯之分，適合自己的才是最好的（能解決業務問題才是最好的）。
03 資料中臺的架構設計
我們把資料中臺的架構分為三層，資料資產層、資料服務層、資料應用層。
這張圖從下往上看，首先透過資料治理、資料開發、藉助資料倉儲，把資料轉化為可用的資料，即資產「資料資產化」；然後建立資料能力，把資料用起來，例如標籤工廠、模型分析等，即「資產服務化」；再透過智慧化的場景給業務賦能，也就是「服務智慧化」。
04 AI驅動的資料中臺
奇點雲創立三年來，資料中臺的實踐在零售、時尚、百購等行業相繼落地成功，在實踐經驗中，探索並檢驗出了資料中臺的王道：AI驅動的資料中臺。
所謂「AI驅動」，我們可以看到在架構中融入了奇點雲獨創的「雲（智慧）+端（感知）」的解決方案，從資料採集層的AIoT到資料服務層的演算法服務、分析引擎再到頂部的資料智慧應用，實現了「雲賦能端，端豐富雲」，既解決企業資料生產的問題，又解決企業資料使用的問題。
在「AI驅動的資料中臺」實踐的道路上，奇點雲自研一站式大資料智慧服務平臺——DataSimba，旨在為企業提供全鏈路的產品+技術+方法論服務。其核心模組包括全域資料採集、資料開發、資料治理、資料資產管理、資料API、資料科學、資料質量、標籤工廠。助力企業快速搭建安全、易用的資料中臺，最大化釋放價值，驅動業務增長與創新。
