Aloudata：2024数据编织价值评估指南白皮书（27页）.pdf

1、Data Fabric Value Appraisal:Methodologies and Best Practices价值评估指南数据编织CONTENTS2024Data Always Ready引言01为什么需要关注数据编织02数据编织价值实现机制06数据编织价值评估方法16数据编织价值案例介绍19总结与展望24https:/ 2024数据编织（Data Fabric）作为一种新兴的数据管理架构理念，近年来获得广泛的关注，一方面，Gartner 不仅从 2019 年开始多次在数据技术趋势中提及数据编织，更在 2024 年的数据管理技术成熟度曲线里大幅提升数据编织的成熟度，预测该技术在未来

2、2-5 年内会获得广泛应用；另一方面，不少企业也在积极理解、探索和应用数据编织这一管理理念，寻求在“数据中台”之外的另一种数据管理架构。结合上述现状，本文从过往数据中台实践的复盘总结入手，牵引出数据编织的价值主张，并对数据编织的核心机制进行剖析，对数据编织的产品和案例进行介绍，让您从里而外真正具备数据编织的价值评估能力，从而推动数据编织在企业组织内的成功落地，最大化释放数据价值。引言*提示：如果您对数据编织这一数据管理架构理念缺乏基本的概念了解，建议先行从Aloudata 官网下载阅读白皮书Data Fabric，面向未来的数据管理架构Aloudata 202401为什么需要关注数据编织随着企

3、业经历多年的信息化建设，企业信息化水平不断提升，数字化思维不断形成，企业科学管理、智能运营、精准服务等数据分析和数据决策需求自然涌现，越来越多的企业开始采购、建设或升级数据底座，统一建设以数据湖仓为核心的一套数据中台，提升数据开发效率与数据治理能力是 CIO 们的第一反应。数据中台作为一种企业数据战略和组织设计，自2015 年由阿里巴巴首次提出至今也有近 10 年的时间，回顾和复盘过去 10 年企业数据中台建设的经验和教训，我们对数据中台体系的价值评估有 3 点认知升级：首先，需要评估技术的业务匹配度。一方面，我们强调“技术服务于业务”，数据体系建设最简单朴素的目标是“让业务及时用上好数据”；

4、另一方面，我们又承认“技术落后于业务”，“业务在天上飞，技术在地上追”是常态，业务变化越快，技术响应越慢。具体到数据领域，为了实现全域及时一致的数据分析体验，需要对全域数据进行盘点，对数据仓库进行分层建模，比如：ODS 层ODS 层是业务数据源的镜像层，基本保持了业务系统中的数据结构和数据内容，目的是统一归集各个业务数据源的数据，方便后续的数据加工与分析，因此需要选择合适的数据采集和同步方案，能及时捕捉业务系统的变化，并选择合适的数据存储策略DIM 层DIM 层需要根据分析需求设计维度，确保维度的一致性，并支持在不同维度层级的汇总分析ADS 层ADS 层直接面向应用场景，根据具体的应用场景进行

5、定制化数据拼接和汇总，提供业务可以直接使用的数据。业务需求数量直接决定了这一层的规模与成本DWD 层DWD 层是在 ODS 层的基础上，对数据进行清洗、转换和关联等操作后得到的明细数据存储层。它是面向业务过程的，要识别和定义关键业务过程和事实表，选择合适的数据粒度并完成建模DWS 层DWS 层是在 DWD 的基础上进行更深度的聚合汇总，面向业务分析，要根据特定业务需求定义分析主题，划分业务主题域，根据分析场景设计中间表接口表以提高复用性，并平衡数据的冗余度、更新成本、产出时效等02Aloudata 202403可以发现，上述这套成熟的数据仓库的开发模式每一层都需要有物理的数据搬运和加工，存在高

6、昂的数据开发、任务运维和计存成本，这天然要求实施上述方案的企业的业务模式要相对稳定，看数用数场景要比较清晰明确，否则业务需求的灵活变化会导致前期数据模型建设成本的浪费。这就存在一个明显的矛盾：企业期望数智化建设赋能业务灵活创新，而数据中台的这套开发模式天然要求业务伙伴思路要清晰，需求要明确，可以“打固定靶”。但现实并非如此，数据中台打数字化管理场景相对容易，打数智化运营场景就非常困难，这个矛盾导致企业 CIO 选型数据中台的第一步也许就错了。其次，需要评估技术的组织就绪度。基于数据中台的解决方案存在众多的产品供应商和服务实施商，很容易让人误以为数据体系建设等同于数据中台的一次性部署和不定期的数