近年来，随着互联网技术以及移动通讯技术的蓬勃发展，企业和政府获取的数据呈指数增长。同时，数据类型也从最初的结构化数据扩展到视图声等非结构化数据。为了解决海量异构数据所造成上层应用的难题，关于数据中台的定义应运而生，其在满足常规数据分析需求的同时，也为催生业务创新提供了坚实的基础。

技术架构

数据中台总体架构

可以将数据中心定义为一个完整的平台，该平台集成了数据收集、相融、治理、组织管理和智能分析，以服务模式将数据交付到前端应用程序，促进业务创新。从行业中更常见的架构角度来看，数据中心通常是由大数据技术平台、数据资产管理平台、数据挖掘分析平台、以应用软件数据开放服务平台这四个层次。

笔者认为，数据中台其整体架构可以分为四层 ：

（1）大数据技术平台为数据资产管理平台提供了技术支持，可以解决基于Hadoop生态系统的多源、多类型的海量数据的收集、储存和分析计算等一系列问题。

（2）数据资产管理平台主要是在数据中台技术中充当中间件，主要是为了将数据进行资产化，主要是利用数据开发引擎以及大数据技术平台进行数据上的交互。

（3）数据分析挖掘平台是一个数据挖掘工具集，架构在数据资产管理平台之上，为数据研究者提供稳定、高质量的跨主题数据资源。

（4）集成的数据服务总线以数据服务的形式向外界提供数据处理和分析结果，前端应用程序更清楚地使用数据中心中的所有类型的数据，从而满足核心业务的要求并促进了前端的发展。

大数据技术平台

大数据技术平台是对数据中台的技术支持，其中包括很多计算组件，例如数据收集、存储、处理和分析。数据中台所要用到的大数据技术体系结构不仅限于单一体系结构，而且是复杂多样、高一级的资产管理平台需要高度兼容，并在国内外得到广泛融合。

基于大数据技术的数据资产管理平台

1.全链路数据生命周期管理

数据中台的核心步骤是数据生命周期管理，所有的数据都应经过采集、清洗、融合、分析挖掘、应用、归档、销毁这一流程。为帮助数据开发者快速上手，过程中的每个步骤都需要一个工具。这些工具包括数据模型设计和开发、数据（包括ETL可视化和脚本工具）、工作流调度等，可通过多种智能方法快速帮助工作人员实现数据开发的工作从而可以大大降低数据开发的人工成本。

2.面向分析挖掘的新型数据仓库

数据中台所需的新数据仓库不仅是结构化和脱机数据，还包括非结构化的实时业务数据。了解现有数据仓库的设计概念，以管理全局业务数据并构建新的数据仓库以支持更高级别的应用程序的需求。在这套数据体系下，数据科学家可以方便地查找并使用各类业务数据，进行深层次的数据分析与挖掘。实现数据资产化，是现在数据中台建设过程中周期最长的一个环节，也是数据资产管理平台在数据中台中解决的关键问题。如何减少在数据开发过程中的团队成本，并借助机器学习实现数据处理与挖掘的自动化及智能化，将成为将来大数据领域最有希望的新技术的发展方向，这是数据中心开发所要面对的巨大挑战。

成熟易用的数据挖掘分析平台

数据挖掘分析平台架构在数据资产管理平台之上，可以为数据研究人员提供稳定、高质量的主题间数据资源，以及一组易于使用的分析工具集合。如果想满足大数据时代下政府和企业的各种数据挖掘需求，就必须基于数据挖掘分析平台。举例如下：

1.自然语言理解与处理

通过机器学习以及深度迁移学习这些技术的开发应用，能够从文档中快速提取知识，从构建出各种实体及其所映射的关系，将信息知识化，支撑机器智能决策。

2.基于动态知识图谱的智能标签管理

动态知识图是一个由知识本体和业务领域中数据的方法和分类相关联的知识网络，用于支持复杂分析场景中的知识发现和数据挖掘。核心是组成“Something-RelationshipLabel”的三个业务元素。实体括人、物体、地方、组织等。

对于复杂业务场景中的知识图，使用不同的存储介质将不同类型的数据储存于不一样的储存介质中，并且在数据融合之后，把来自不同介质的数据进行连接并关联起来，以实现相关的访问和挖掘效果。

3.交互式机器学习

交互式机器学习包括从建模到上线的一站式、全方位流程，包括数据导入、预处理、模型学习、评估、预测、发布、管理、任务管理、作业监视等。内置多种算法模型利用拖放组件的可视化建模方式降低了科学建模技术的门槛，使数据科学家可以最大化其数据中心的数据资源，以实现智能业务。

与大数据相比，机器学习中的数据分析和挖掘是一个未知的领域，实现基于场景的服务是直接的挑战。随着人工智能概念的飞速发展，用户突飞猛进，阐明业务需求，结合机器学习和深度运行方法逐步解决业务问题，并将人工智能带入真实的业务和场景。基于以上数据处理技术，成就了数据中台系统。

汽车供应链大数据的主要特征

数据量大

汽车供应链各环节聚合了大量数据，通常大数据分析需要100 TB或更多的数据。量大是大数据的基本特点。2011年，全球供应链中有1200万人使用RFID标签，2013年规模达到70亿美元，2021年达到2090亿美元。每个RFID标签将生成多个数据。射频识别标签已在汽车行业中使用，广泛用于所有车辆和零部件的供应链中，并产生海量数据。

数据类型多样

不同类型、复杂变化是汽车供应链大数据的另一个关键特征。尽管现有数据量很大，但通常使用预定义的数据结构。非结构化数据的出现是以Internet技术和传感器技术的飞速发展为前提的，结构属性之间不完全相同。在汽车行业中，很难以各种方式汇总POS数据、射频识别数据、设备传感器、社交媒体、全球定位系统、地理位置信息、潜在的客户消费行为和其它数据。

数据处理速度快

数据量的爆炸性增长可以通过加快数据处理，最大程度地提高数据峰值，并以与高数据生成速度等效的及时性来证明价值，从而得到重视。当处理速度不能跟上数据的增长速度时，这不仅对故障排除没有用，而且还会加重问题的负担。数据不是静态的，而是在网络中相互流转的并且随着时间的推移，数据的价值会大大降低。举例而言，如果筛选且没有及时处理大量数据（例如Internet上的汽车品牌客户满意度评分等数据），则会在许多领域引发公众舆论。

数据价值密度低

汽车供应链环节现有数据主要是结构化数据，并根据数据的特定应用以有针对性的方式抽象化数据。每条数据都包含需要考虑的信息。为了获得更详细的信息，大数据通常直接使用原始数据并将其保持为原始数据，而无需对事物进行抽象或汇总。因此，在某种意义上，大数据价值密度较低。

数据中台在汽车行业供应链的应用

今天，大批量的结构化数据已经被应用到当下的供应链中。各大企业已然建立了比较新潮的供应链管理系统，这样的管理系统存储资源、交易、供应商等方面的数据以及质量数据等，使供应链在执行方面逐渐简化并加强监控成本。

但是，为了使数据更具使用价值，它必须能够将来自其它系统的数据进行共享、合并、存储、搜索，并且提高反馈的速度，增强协作，紧密结合数据分析技术和供应链管理理论，并把它应用到更加庞大的数据集合中。通过分析大数据实现供应链的可视化，可以清晰地了解在供应链中每个供应商的层次结构。为了提供准确、实时的业务见解并解决与SCM相关的问题，我们需要依靠供应链管理专家的技能来提供持续的感知和反馈。

当下，消费者在特定环境中购买或定制产品。例如，通过在线购物平台或应用程序购买汽车，可以根据消费者的喜好进行定制。内部、外部颜色，电源，配置等都是可选的。汽车经销商经常需要提供进一步扩大其销售范围并改善其销售业绩的提议。经销商根据实际情况提供信息，制定有针对性的促销计划，并销售相关产品的捆绑包或包装。个性化购买缩短了产品生命周期，并提高了产品去除率。为此，新产品的发布速度将更快，并且将确保各种发布类型。这使供应链中的供需之间的平衡变得不明显，同时又使公司无法真正掌握市场需求和资源整合的具体情况，从而带来不准确的预测。

如果消费者需求发生变化，但采购和供应计划未更新，则会出现库存短缺和库存余额，这将对公司的利润产生重大影响。在这种情况下，公司可以充分利用大数据技术，并在现有数据的基础上，通过商业智能管理技术和供应链管理技术等信息技术，对公司的各种核心业务进行深入分析。公司需要找到需要优化和改进的区域，以便从现有的大型管理过渡到复杂的管理。在此阶段，使用更多大数据技术的应用程序环境，主要有以下几个方面：采购业务优化、供应商协作和供应链管理、对业务等进行动态和可视化监视，此外，优化和改进业务需要得到全面实施。

综上所述，在移动互联网时代，传统的汽车主机厂突破了互联网的新车生产率以及行业之间新零售商的影响，真正地拥抱和使用互联网。主机厂确实需要实现“以用户为中心”的体验和服务意识，以提高用户的满意度，使用网络工具为企业和用户建立实时的连接，并通过用户语音建设和市场驱动型企业启用消费者评级系统。这个过程在初期充满痛苦，但是一旦形成，它将把传统的制造业逐渐变成以服务为导向的互联网公司。

结论

数据中台的核心是构建标准数据系统，快速支持前端应用程序，并使用数据来推动业务转型。根据大数据分析结果可以高效地实现汽车供应链的需求预测、优化采购业务、与供应商协同合作，从而提高供应链的效率。

本文原刊于《汽车与配件》2021年11期  作者：李坤 靳元博 刘琳