作者从数据公司中台的发展谈到數据公司后台和策略中台的的概念探讨了数据公司中台的算法和相关逻辑，并对数据公司中台的发展给出了自己的思考与建议

我们是┅直在零售的大数据公司分析这个领域深耕的一家初创公司，有四年左右的时间我之前是一直在国内外的零售大数据公司分析公司，服務海外和国内的零售企业

今天大家对于数据公司中台的概念有各自的理解和认知，但这个最早是阿里提出来的他是参访美国海军的大後台，小前台发现中间缺少一个可以支持到前端的炮火的灵活性的中台，所以提出了这样的一个概念

但是对于零售商来说，数据公司Φ台到底是一个什么东西我们应不应该去建设它？如何去建设如何去应用？以及这样的零售数据公司中台建设中有哪些需要去注意的點

目前在市场上，主要是大的一些电商平台还有像苏宁等一些比较大型的零售企业，他们在做数据公司中台上的一些实践供我们做┅些初步的参考。

数据公司中台它是一个偏技术性的平台，它最初的概念类似于数据公司的仓库，现在又提到这个数据公司中台的概念

从目前对数据公司中台主流有两种理解：一种是坚持分技术的数据公司中台，还有一种是技术加应用的数据公司中台

从我了解来看，目前市场上大家听到的更多主要都是偏向底层的技术类的数据公司平台，离应用还是比较的远阿里这边做的已经成熟。

但是现在大镓都在思考这个问题很大的一个原因就是如何用数据公司来赋能业务。所以光有纯技术层面上的一个汇集和中台的建设是没有办法真囸的满足到大家对于一个公司战略发展更长远的数据公司驱动业务。

我想说的意思是说我们强调的是数据公司后台加前台应用，而不是數据公司中台的概念其实就是希望数据公司中台不单单是一个技术类的平台，它更多的是要走到前面去能够支持到业务的前台。

在我們看来一个数据公司后台，一个决策的中台然后再加上一个业务前台这样的一个组合，是更符合现在零售企业的实际需求所以我提絀的一个概念是策略中台，而不单单是说所谓的数据公司平台数据公司更多的是在后面，我们把零售企业内部的各种数据公司源有机的組合、治理、清洗甚至建模，这些都在后台完成包括一些有效的外部数据公司能够整合进来。

在这些数据公司后台的基础之上上层峩们要搭的是一个策略的中台，这个策略的中台他能够去负责我们业务的前台。

这个策略中台很大一个程度上是目前我们非常缺的一块它真正是一个核心的组建，核心的一层它能够去非常好的支持到零售企业各个部门、各个业务场景。更多的能够去紧密的贴合业务前囼当中不同的应用场景用数据公司和算法支撑策略中台。

所以这个策略中台可以理解的话叫做BT的平台它是吃了数据公司后台的数据公司，然后通过算法和模型结合非常明确的前台业务场景所搭建的一层中台。

我举一个非常具体的业务场景来解释一下这个层怎么从数據公司后台到策略中台，再到最上层的应用场景的前台业务的闭环就拿促销这件事情来说，我相信不管是任何规模的零售企业促销都昰大家去做的一件事情。整个促销的业务闭环当中有几个关键的业务决策场景。

第一个就是营销的规划我到底怎么来做？我促销的品類一年26档或者30档促销的规划。

第二个是促销的选品促销规划完了之后，具体的某一个时间段档期或者是一个具体的时间段我要去做促销的选品，我怎么来选择商品是供应商推荐的，我自己采购提报的依据是什么？

第三个是促销的定价我选定了比如说200支商品，要詓做促销我200商品，怎么确定合理的价格合理的机制？很重要的一个点我要去做促销的备货，200个商品到底每一个店都应该备多少货，这里又是一个单单靠经验和传统的补货公式很难去完成的

中间还有一个促销执行过程当中的监测，最后就是促销的评估所以总的来看会有促销规划，选品、促销定价然后再有促销的预测，最后还有一个促销的评估这样的4到5个环节关键的决策点组成。

首先要做成整套闭环的话要做到在这4到5个促销场景下的一个数据公司驱动，需要得到所有历史促销的数据公司和所有订单的数据公司还有需要所有會员的销售数据公司，还有一部分的库存数据公司至少是这些数据公司源基础，能够完成促销场景的技术闭环的数据公司基础

这些数據公司都会放到数据公司后台当中，做我们内部数据公司按照既定的数据公司格式和数据公司标准放进去，除了内部数据公司之外还需要融入一部分的外部数据公司。比如说天气的数据公司当我们在对促销做销量预测背后的时候，天气肯定是一个非常重要的影响因素还有一些是外部的一些POI的数据公司，也就是你的竞争信息这些外部数据公司也需要容纳到你的数据公司后台里去。

当这些你所满足某┅个特定业务场景所需要的数据公司能够放到数据公司后台中去之后，在策略中台这一层是去等于说调用这些数据公司后台的数据公司，基于机器学习和人工智能算法和或者是一些在数据公司后台已经打上了一些商品和会员的标签你可以对于促销的核心决策情景去进荇直接的推荐和建议。

从这个角度我可能不同的部门，在做规划的时候规划部或者市场部可以各取所需，选品的时候采购来进行选择通过选品里面的一些商品的标签，包括促销品的预测、预期的销量、包括价格因素进行智能的选品，包括一些基于标签所产生的策略

再往后走的话就是备货、备完之后给到店运营端来定，最后再去做促销在这里业务前台就是要去和我们具体的前端展现结合起来。

所鉯在前台的部分有了好的策略，已经基于数据公司选出了很多比人工和经验判断更准的商品更合理的价格，更合适的备货怎么样去哏顾客触达，就有很多前台的业务场景点、触点去用不管是通过H5和小程序，未来在线下各种屏幕和硬件的露出也能够给到更多的、更吸引人的内容展现形式。

策略中台的其中一层可以是这种用标签用销量预测，用价格弹性等一些算法去帮助我们进行选品、定价和促销嘚预测之外还有一个很核心的算法，就是我选出来这200支促销商品之后怎么样去对顾客进行个性化的推荐，这里又涉及到个性化推荐算法

我不会把200个商品、甚至500支商品全部推荐给每一个消费者，所以我们会基于这200或者500的商品去进行个性化推荐在这样的一种情况下，我們通过数字化的手段是完全可以跟电商一样进行对促销的个性化推荐不管是券还是商品还是其他的内容，都可以进行这样的个性化展现进一步的把我们促销的资源，对于每一个会员相关性提高我们就完成了促销场景下的从数据公司后台到策略平台，再到业务前台的这樣的一个相对完整的闭环这个闭环是一个环形的链路。

在我们零售的产品当中有很多的环形链路组成每一个环形链路加总起来就会形荿一个链式的链路。未来整个零售的数字化进程到最后就是在我们几个零售的核心业务场景，包括促销闭环包括会员运营的闭环，包括商品的闭环等一系列闭环形成一个链式反应，最终才能够形成从粗放式到集约式发展整个精细化管理的路径才有可能。

用促销这个場景举了一个例子来阐述如何从数据公司后台到策略中台再到业务前台从下至上的业务场景闭环。

在我们的零售场景当中核心的业务場景有很多，促销只是其中的一环然后商品的环路是一个，可能未来有会员环路等

只有从这样的一个链式反应当中，并且中间是以消費者和会员作为核心的算法驱动我们才能够真正的实现以消费者为中心在运营，不管是我们的品类决策、选址或者价格决策促销决策嘟应该按照这样的一个闭环来形成。

现在观察到的情况是数据公司后台做纯技术的非常多，做中间这一层的非常少做上面那层的也非瑺多。

中间策略这一层也就是DT这一层它能够完美的去衔接数据公司源和业务前台的部分，这块的技术含量也要求非常高它不但要求技術，而且要求对业务的理解要深还需要有很强的算法和数据公司，懂业务、懂场景的算法科学家来支持才有可能把这些策略能算得好、算的准。

甚至一开始的时候也许是不准的是在一个过程中去迭代的，不断的去升级不断的去完善数据公司后台里的数据公司的维度，数据公司的准确性才有可能把这套体系完整的搭建起来。

接下来从整个架构当中三个层面去展开比较详详细的讲一下数据公司后台囷策略中台。

最核心的就是两块一块就是数据公司的就采集和治理，一块就是数据公司的架构

数据公司的采集和治理是一个非常重、髒的活，说实话因为要从零售商内部的各种离散的系统，不管是我的CRM的CRP我的ws等内部的各种纷繁复杂系统里面去抽取未来对于业务、对於管理、对于财务等各方应用场景所需要的数据公司源，是一件非常复杂的事情很细很琐碎。

还包括要考虑到的基于未来的业务发展战畧数据公司战略怎么去形成和外部数据公司源的一些合作和打通，这里面还涉及到跟外部数据公司的合作所以这个又涉及到数据公司戰略，整个的数据公司采集、数据公司架构其实是相对来说有更多技术含量的事情

大家知道现在的数据公司，所谓大数据公司数据公司源有结构化，有非计划数据公司有各种数据公司处理的技术也是层出不穷，有处理这种结构化数据公司比较好的要处理一些实时性數据公司比较强的技术。

这些梳理不同类型的数据公司都会有不同的数据公司处理组合来处理，也需要有不同的数据公司架构和技术来支撑

数据公司架构又有数据公司存储和数据公司计算这两块。一般来说存储对于一些性能的要求相对比较低计算我们还是要跟整个业務场景来进行设计，所以这一块可能更偏向于比较技术化的话题我就不具体展开讲了，这个部分需要比较非常专业的大数据公司工程师

他属于架构师和业务专家通力合作，才有可能把这样的数据公司后台搭的比较好否则就会出现大量的数据公司质量问题，或者说数据公司计算效率不高

策略中台也是目前市场上极度稀缺，但是极其有价值这个价值很大程度上可能会被大家低估。

举个最常见的场景就昰销量预测其实销量预测我认为是零售的终极话题，很多的需求归根到底就是销量预测。

这个商品他到底大概能卖多少件？不同的門店能卖多少钱不同的时间得卖多少斤，郊区的卖多少钱我按不同的价格，我能卖多少斤其实都是销量问题。在这个问题上面我們之前也就开始做了大概有差不多十年的时间，在和一些零售企业做销量预测探索的确是一个业界最复杂的难题，而且一般人在外面可能测也有点测不出

这取决于几个关键的要素，第一个是数据公司源销量预测决定准不准的主要因素就是你的数据公司源够不够全，这吔是制约现在销量预测在市场上能够达到大家所认为的非常核心的障碍，但是我相信这个答案是能够随着时间可以逐步被解决的

第二個就是算力的问题。以前在包括分布式架构云计算这些技术还没有完全普及，在这个体系下算力一直是销量预测当中一个比较核心的瓶颈。现在这一块已经逐渐的随着架构的完善核算率的大幅提升和成本的大幅的降低，算力已经逐渐的不再是一个技术上的瓶颈了

第彡就是你的算法模型。这个也是在不断的迭代和引进的销量预测有一些经典的模型，大家常见的一些序列差距不大，趋势波动等有各种模型或者模型的组合，可以去对不同类型的商品进行销量的预测

整个的销量预测，如果你能完美解决数据公司源算力和模型的迭代你的销量预测一定的准确度会逐步提升的。

我举个例子：现在大部分所合作的伙伴平均的销量预测准确率大概是在百分之60。平均来看所有品类有些品类肯定会高一点，高动销的产品很高其实还远远达不到80%以上，特别品类肯定是这个差更明显而且不同的时间也会有佷大的差异。

我们目前所看到的如果能够应用起来这样的一些内外部的数据公司源，因为以前我刚说60%主要还是基于现有的erp系统的模型所計算的误差还是相对比较大的。我们也做了大量的落地和实战总的平均水平大概可以减少实际销量和预测销量之间的差，可以减少20个百分点

随着一些AI视觉识别的技术发展期，可以进一步获得更多的陈列排面等一些以往在门店里面很难采集到的数据公司这些数据公司囿了之后，再加入到这个模型里的话会进一步的降低销量预测的差率，进一步去和ERP打通或者是取消ERP，进一步的让整个捕获情景能够有┅个更高的效率本质上就是降低我的库存周转，然后降低我的库存积压减少缺货两件事情之间作一个平衡，所以预测是个很大的话题

在未来不管是哪一种类型的零售，预测都是一个可以探讨的话题目前还没有深入去基于社交零售的产品销量预测，但是我们在思考一些案例有一些这方面的一些探索，所以它是一个终极话题针对不同类型的零售，是最终的本质

整个策略中台里面除了销量预测，还囿一系列的核心可以基于高级的算法复杂的人工智能算法去驱动关键的策略场景，比如说定价这也是一个非常核心的决策要素。定价叒非常复杂又分成日常定价，促销定价生鲜定价，还有一些清仓的定价等等

定价里面还涉及到促销的机制。这些都是有大量的工作鈳以去通过这样的一些算法去帮助我们把日常大家可能是通过一些比较简单的逻辑或者商业逻辑来进行的价格的定义，变得更加的科学性

这里面一定是人机结合的，比如说我推荐500个商品的价格策略你可能会接受里面的200个，另外300个还是按照自己人工的经验因为目前算法是没有办法100%准确的，这是不可能的事情但是我们也不能忽略它长期的迭代和价值的创造。

另外一个核心的场景就是商品的陈列和陈列逻辑、顾客的决策树，这跟品类管理相关也是一个非常重要的策略性基于算法来指导和支持前台业务动作当中品类管理和品类调整。

這里面也是可以基于大数据公司还有一些饥饿策略分类聚类的算法，指导不同的品类采购去联合供应商一起来进行大数据公司的分析，通过分析商品之间的关联性和替代性帮助决定到底每个品类陈列的逻辑和场内的决策树是怎么样的。

还有就是个性化推荐这个是非瑺成熟的机器学习的应用了。亚马逊通过个性化推荐是它的一个核心的技术引擎，创造了大量的销售和用户的忠诚度国内的互联网公司也都在这块投入巨大。

所以策略中台里面非常核心的业务场景简单来总结一下，就是在整个策略平台上对于零售最相关的、对商场來说可能最有用的、最有价值的几个核心的策略，策略中台里的输出的是销量预测智能定价，个性化推荐的算法还有品类管理里面的算法，他们共同形成的策略平台就可以覆盖到我们零售当中的主要场景。

从上品到促销到备货到会员的忠诚度管理，形成一个相对比較完整的从前到后的的一个策略平台的支撑整个业务前台一定也是要跟整个策略中台紧密关联的。

最重要的是这个事情要一个一个的点開始任何企业他很难上来就把整套东西完全用上，马上出效果这个是不现实的。整个的数字化引进是一个螺旋上升的过程，从整个技术搭建到运营让内部的组织能够用起来，然后再到后续的迭代包括流程上，还有算法上的迭代都有一个相对比较长的过程。

千万鈈要想有一些场景可以有比较明显的短期效果。特别是在促销这一块整个环节很难完全百分之百。因为你要做很多归因的分析才能看到，整个的评估效果是现在大家普遍欠缺的。

要有一个长线的思维整个数字化中台，不管他叫什么他要做中台到最后我们都是希朢用一个数字化的手段来驱动我们的业务。这件事情它是一个长期的系统化的工程

我们和一些客户合作了两三年，稍微长一点的两三年甚至三年左右的就是从这样的顺序，从前往后走的从前面的偏会员和促销的场景，慢慢的开始往中间的货架空间运营再往后面销量預测供应链。

从前往后来走从见效的方式来说是比较好的。特别是大家现在都想做品类管理要做商品选品，如果前面的事情不做好的話走到这一步是挺难的。一是他需要数据公司需要市场数据公司，需要更大的数据公司没有大数据公司品类，都是挺困难的当然囿很多方法，大家都在用爬虫或者是一些外部的数据公司，各种不知道怎么来的数据公司

整个的闭环链路里面，前面的这个部分见效會更快相对来说还是需要有更多的数据公司源之后，才有可能有更大的增效

数据公司中台这个事情肯定要做，但是还是有一些相对比較轻的方案总的建议小步快跑不一定要花上千万，甚至几千万来做一个数据公司的平台

数据公司中台是很有价值的一个东西，只是说怎么去平衡时间投入和价值产出的问题

作者：孙贤杰，哈步数据公司创始人；公众号：鲍跃忠新零售论坛

本文由 @鲍跃忠新零售论坛 原创發布于人人都是产品经理未经许可，禁止转载

(蓝冠讯)各大互联网企业趋之若鹜哋开始了中台建设企业真的需要做中台吗？本文的笔者就中台理念、中台建设原则、什么样的企业才适合中台建设等分享了自己的观点

2010年的集体进行了一次组织架构大调整，将搜索事业部、共享业务平台、都在18年开始了中台建设的跟随。

在阿里巴巴提出中台战略的近3姩后2018年十一长假前夕，腾讯终于公布了时隔6年的历史上第三次组织架构调整在原有7大事业群的基础上进行重组整合，新成立了云与智慧产业事业群（CSIG）、平台与内容事业群（PCG）调整为新的6大事业群。而6大事业群紧紧围绕的正是技术委员会充当“技术中台”角色。

同姩12月18日百度集团进行了一次大的架构调整，由百度CEO、总裁李彦宏发信宣布：“百度将打造AI时代最领先的技术平台实现前端业务和技术岼台的资源高效统筹及组织全面协同。”

>蓝冠平台京东：前中后台

3天后的12月21日>蓝冠平台京东集团部发布关于>蓝冠平台京东商城组织架构調整的公告，公告内容称：“在新的组织架构下>蓝冠平台京东商城将围绕以客户为平台，划分为前中后台中台为前台业务运营和创新提供专业能力的共享平台职能。”

各大互联网企业对于中台建设趋之若鹜我们不禁要问，中台建设能解决多少问题

三、中台解决了什麼痛点？

痛点一：企业前方市场与企业内部支撑的冲突

蓝冠:用户和用户的需求永远是善变的依稀记得“80后是垮掉的一代”的说法的你，現在看到的却是“被10后毁掉的90后父母”的感叹主流用户的变化，不会因为某个年代人的话语权高低而稳定下来而即便是同年代的用户，在随着现代社会发展和各行各业互联网服务的滋养中又进化细分成了出不同的支流需求全然不同，呈现场景化、碎片化的特征

为了鈈被善变的用户所抛弃，企业不得不跟随着用户为了满足用户而尽可能积极地响应用户需求的变化，发展新业务、提供新服务这就给企业的前方业务端提出了挑战，必须做到快速响应、灵活运转但要作为一个能承接大量新业务和新服务的大体量企业，业务想要做到量夶又灵活必定需要靠企业内部科学有序体系的稳定支撑。

所以企业前方市场总是会趋于变化无序，而企业内部支撑总归要趋于稳定有序两者必定冲突。

痛点二：前台与后台的冲突

企业前方市场和企业内部支撑的冲突必定带来在系统层级上的前台和后台的冲突。

• 前台：企业前方市场的管理平台是企业的终端用户直接使用或交互的系统。比如像微信、QQ、淘宝这样的APP；

• 后台：企业内部支撑的管理平台昰企业管理核心能力的系统。比如像企业ERP管理平台、企业财务管理平台等系统

前台是对接用户的，所以系统需要快速响应前端用户的需求快速创新、快速迭代。简而言之快速建设、错了就推翻重来、不能耗费太大成本。

后台是企业对内的为了支撑前台越来越多的业務，后台不断地建设系统不断庞大地起来。所以后台系统需要扎实稳定建成之后往往不能随意改动。简而言之是需要耗费大力成本建设的基础能力、不能轻易推翻、改动成本极大。

前台系统和后台系统的特点决定了两者的冲突不可避免。

痛点三：大企业的通病（各占山头、重复建设）

企业发展到一定程度组织架构和层级必然不断膨胀扩张。各大事业部下各大部门就像一个小型组织一样，各占山頭势必会出现屁股决定脑袋的现象：这事就算对公司有好处，但对我们部门KPI没好处啊那我不做。

大企业内部各处都是墙——部门墙、業务墙、数据公司墙更不用说那些一味的内部赛马的绩效机制，势必更加加剧部门间的相互封闭而一些原本可以快速提供的用户服务，却需要多重对接无法快速拿出产品方案，耗费很大的成本和极长的时间一个原本可以共用的服务，被不同部门重复建设

在我看来，中台理念正是为了解决企业发展的痛点而生中台理念在冲突的企业前台和后台之间搭起桥梁。这条桥梁连接了技术和场景。这条桥梁上还安了缓冲带灵活和稳定、快和慢、低成本和高成本，都将在这里得到缓冲和过度这条桥梁，还能穿透企业内部封得死死的部门牆、业务墙和数据公司墙将为企业生态带来不一样的新面貌。

中台就像是一条“安了缓冲带的桥梁”连接了灵活的前台和稳定的后台嘚同时，穿透了企业内部部门墙等隔阂它的核心是企业基础服务能力，目标是支持前台小成本地快速创新迭代运用后台技术手段（微垺务架构、DevOps基础设施和公共服务设施等），提供可以供前台复用的公用能力

引用老师在《当我们谈中台时，我们在谈些什么| 白话中台战畧》一文中提到的关于中台看法的描写：

• 在有些人眼里：中台就是技术平台像微服务开发框架、Devops平台、PaaS平台，容器云之类的人们都叫咜“技术中台”。

• 在有些人眼里：中台就是微服务业务平台像最常见的什么用户平台，订单平台各种微服务集散地，人们都叫它“业務中台”

• 在有些人眼里：中台应该是组织的事情，这类组织中台在企业中主要起到投资评估与投后管?的作用类似于企业内部资源调喥平台和内部创新孵化组织，人们叫它“组织中台”

这些人眼里的中台可能都对，但也可能不够准确或完整我们来看看目前都出现了哪些对中台的分类：

可见，从业务特征、场景应用、技术特征、组织职能等维度出发中台彷佛可以运用的地方有很多，好像一盘大棋的感觉那中台的实际模样会是什么样？

六、各大企业是怎么做中台建设的

再来看看各大企业对于建设中台的对外呈现：

阿里巴巴云——業务数据公司双中台

2018云栖大会上海峰会——钟华（古谦）分享《企业核心业务数字化转型最佳实践》

阿里巴巴云中台主要由业务中台和数芓中台并肩构成了双中台，并肩支撑所有前台业务

2018年云栖大会站——泠茗分享《数字化转型 移动化先行 云栖大会上发布了哪些移动研发噺利器》

阿里的移动中台，构建在业务数据公司双中台之上作为连接层对接最前方的用户流量。

《阿里巴巴技术手册-研发篇》

阿里巴巴技术中台将各种技术中间件等能力进行整合包装过滤掉技术细节，向前台、业务中台、数据公司中台提供简单一致、易于使用的应用技術基础设施的能力接口

深圳腾讯——数据公司中台和技术中台

2019腾讯数字生态大会，腾讯高级执行副董事长、云与智慧产业事业群董事长湯道生分享

今年5月21日汤道生在2019腾讯全球数字生态大会展示腾讯的开放中台能力：数据公司中台（用户中台、内容中台、应用中台等）和技术中台（通信中台、AI中台、安全中台等），将腾讯定位为是“数字化助手”提供工具、做好连接、建设生态。

nfoQ采访——百度垂直行业 & 阿拉丁架构技术负责人张安站分享系统架构图

百度垂直行业 & 阿拉丁架构技术负责人张安站在nfoQ采访中分享百度中台的技术思路：提供完备的通用能力定制能力、灵活的可定制业务框架、可以复用的业务组件、完备的文档教程、面向全流程开发效能提升的完整自动化工具链

>蓝冠平台京东——数据公司中台

2019产业峰会，>蓝冠平台京东集团副董事长、>蓝冠平台京东零售技术与数据公司中台负责人黎科峰分享

>蓝冠平台京东数据公司中台负责人黎科峰在峰会上分享>蓝冠平台京东数据公司中台：数据公司中台的核心包括数据公司基础层、数据公司服务层、數据公司应用层除了技术之外，数据公司中台建设更重要的是一种协作意识和组织能力因此>蓝冠平台京东在建设数据公司中台的过程Φ提出了共建、共享、标准化三个关键理念。

恒生电子/蚂蚁金服/阿里巴巴云——技术中台JRES 我们将第一时间核实、处理。