热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

为什么微服务化、数据仓库都不是中台?

导读:企业在多年的信息化进程中,基于特定应用场景,引入或建设了解决特定业务领域问题的多套垂直的IT系统或套件。这些单体系统或套件间的业务能


导读:企业在多年的信息化进程中,基于特定应用场景,引入或建设了解决特定业务领域问题的多套垂直的IT系统或套件。这些单体系统或套件间的业务能力和数据不互通、不共享,形成了一个个系统烟囱和数据孤岛。

企业这种业务及数据的烟囱式IT架构,正是中台进化的原点。中台经历过业界的大力推广与布道,已为一些信息化比较完善的企业带来红利。

但是也如上文提及的,有些企业在演进的分叉口徘徊,由于种种原因,它们建设的所谓“中台”仅解决了短期在性能、扩展等技术架构上的问题,如单体服务微服务化、数据资产数仓化。在这里,我们需要明确一下,这些都不是中台。

作者:陈新宇 罗家鹰 江威 邓通 等

来源:大数据DT(ID:hzdashuju)

01 微服务化不是中台

以传统的思维来套用微服务,很有可能只是将原先彼此隔离的各单体业务系统通过微服务的方式强行集成在一起,如图11-1所示。这种方式不是基于领域,而是从一个系统的粒度层次来建设微服务。比如订单管理系统(OMS)关注会员和订单,客户关系管理(CRM)同样涉及会员和订单,而供应链管理(SCM)则涉及用户和订单。

▲图11-1 多个烟囱应用微服务化

可见,按此方式所建设的“中台”的各组成部分仍旧是互相交叉重叠的,数据还是重复且不一致的,并不能体现“中台是能力共享平台”的核心理念。因此,只将原有单体业务系统进行微服务封装,套上一个微服务的壳,连微服务都不算,更不能说是中台了。

还有一些企业选择针对某个业务系统,局限在此业务系统范围内进行微服务化(见图11-2),比如将OMS拆分为用户、会员、订单等,将CRM拆分为会员、订单、积分等。

▲图11-2 单个烟囱应用微服务化

从单个应用领域来看,这没什么问题。虽然使用微服务的技术架构解决了性能问题、水平扩展问题等,能充分发挥微服务的优势,但从企业全局来看,数据还是没有打通,有多套用户、多个会员系统、多份订单数据等,烟囱型系统仍然存在,因此这也不是中台,不是正确的发展方向。

中台是在将应用以微服务纵向拆分的基础上,加上横向切分,将共享能力与上层应用分开,形成可复用的共享服务层,从而促进业务和数据在各应用间的交叉共享,大大减少重复建设和重复投资,这也造就了中台的共享理念,使中台远远超出微服务的范畴。

02 数据仓库不是中台

企业对数据资产越来越重视,数据分析、数据运营被提上日程,而数据仓库规范与技术也日臻成熟,于是企业开始以经营分析为主要目的建设自己的数据仓库。在建设的过程中,企业会自底向上梳理业务板块,将各业务板块的数据分门别类,并按照数据仓库的规范进行建设。

而在中台尤其是数据中台的演进过程中,有些企业着眼于数据资产的集合,使用维度建模的方法论从业务过程中抽象出通用维度与度量,组成数据模型,从而为决策分析提供通用的数据分析能力,以满足企业数据报表分析的场景。这些企业将这种数据模型称为“数据中台”。

然而这并不是数据中台的全部。相比数据仓库,数据中台更加强调数据业务化,以服务业务的视角去规划企业的数据资产,以运营的视角去管理数据资产,以实时、智能的数据应用去服务业务。让数据用起来,不仅服务于企业数据分析,还主动迎合业务,梳理需要数据赋能的业务场景形成业务闭环。

综上所述,数据仓库只是解决了如何看数据的问题,而数据中台则进行了更全面的规划与建设,利用大数据和AI的特性解决业务洞察、精准决策、应用智能等一系列问题。

关于作者:陈新宇,云徙科技联合创始人兼首席架构师,中国软件行业协会应用软件产品云服务分会“数字企业中台应用专家顾问团”副主任专家,香港中文大学计算机科学与工程学博士,领导云徙科技数字中台系统的规划、建设并赋能企业落地实施。

罗家鹰,云徙科技副总裁,上海交通大学学士,中山大学MBA。近四年来,一直致力于阿里中台赋能数字商业的研究与布道。拥有20年的企业咨询及服务经验,先后主导了数十家大型企业的数字化转型咨询方案。

江威,云徙科技地产事业部总经理,领导中台在地产方面的建设与落地,长期从事阿里中台赋能地产行业的研究与布道,拥有丰富的地产项目实施经验。

邓通,云徙科技汽车事业部总经理,香港中文大学信息工程硕士,专注于汽车行业数字化营销研究。

本文摘编自《中台实践:数字化转型方法论与解决方案》,经出版方授权发布。

延伸阅读《中台实践》

点击上图了解及购买

转载请联系微信:DoctorData

推荐语:阿里云徙科技近100家龙头企业数字化转型经验总结;业务中台、数据中台建设方法,5大行业数字化转型解决方案。国资委发文加快推动企业中台建设。

划重点????

干货直达????

  • Python条件判断语句详解:if、else、switch都有了

  • 终于有人把前台、中台、后台都讲明白了

  • 人工智能的十大应用

  • 有了中台,那后台还剩下什么?(图解中台架构)

更多精彩????

在公众号对话框输入以下关键词

查看更多优质内容!

PPT | 读书 | 书单 | 硬核 | 干货 讲明白 | 神操作

大数据 | 云计算 | 数据库 | Python | 可视化

AI | 人工智能 | 机器学习 | 深度学习 | NLP

5G | 中台 | 用户画像 1024 | 数学 | 算法 数字孪生

据统计,99%的大咖都完成了这个神操作

????



推荐阅读
  • 生成式对抗网络模型综述摘要生成式对抗网络模型(GAN)是基于深度学习的一种强大的生成模型,可以应用于计算机视觉、自然语言处理、半监督学习等重要领域。生成式对抗网络 ... [详细]
  • 云原生边缘计算之KubeEdge简介及功能特点
    本文介绍了云原生边缘计算中的KubeEdge系统,该系统是一个开源系统,用于将容器化应用程序编排功能扩展到Edge的主机。它基于Kubernetes构建,并为网络应用程序提供基础架构支持。同时,KubeEdge具有离线模式、基于Kubernetes的节点、群集、应用程序和设备管理、资源优化等特点。此外,KubeEdge还支持跨平台工作,在私有、公共和混合云中都可以运行。同时,KubeEdge还提供数据管理和数据分析管道引擎的支持。最后,本文还介绍了KubeEdge系统生成证书的方法。 ... [详细]
  • 背景应用安全领域,各类攻击长久以来都危害着互联网上的应用,在web应用安全风险中,各类注入、跨站等攻击仍然占据着较前的位置。WAF(Web应用防火墙)正是为防御和阻断这类攻击而存在 ... [详细]
  • 2018年人工智能大数据的爆发,学Java还是Python?
    本文介绍了2018年人工智能大数据的爆发以及学习Java和Python的相关知识。在人工智能和大数据时代,Java和Python这两门编程语言都很优秀且火爆。选择学习哪门语言要根据个人兴趣爱好来决定。Python是一门拥有简洁语法的高级编程语言,容易上手。其特色之一是强制使用空白符作为语句缩进,使得新手可以快速上手。目前,Python在人工智能领域有着广泛的应用。如果对Java、Python或大数据感兴趣,欢迎加入qq群458345782。 ... [详细]
  • 企业数据应用挑战及元数据管理的重要性
    本文主要介绍了企业在日常经营管理过程中面临的数据应用挑战,包括数据找不到、数据读不懂、数据不可信等问题。针对这些挑战,通过元数据管理可以实现数据的可见、可懂、可用,帮助业务快速获取所需数据。文章提出了“灵魂”三问——元数据是什么、有什么用、又该怎么管,强调了元数据管理在企业数据治理中的基础和前提作用。 ... [详细]
  • 本文介绍了Python语言程序设计中文件和数据格式化的操作,包括使用np.savetext保存文本文件,对文本文件和二进制文件进行统一的操作步骤,以及使用Numpy模块进行数据可视化编程的指南。同时还提供了一些关于Python的测试题。 ... [详细]
  • 【论文】ICLR 2020 九篇满分论文!!!
    点击上方,选择星标或置顶,每天给你送干货!阅读大概需要11分钟跟随小博主,每天进步一丢丢来自:深度学习技术前沿 ... [详细]
  • 3年半巨亏242亿!商汤高估了深度学习,下错了棋?
    转自:新智元三年半研发开支近70亿,累计亏损242亿。AI这门生意好像越来越不好做了。近日,商汤科技已向港交所递交IPO申请。招股书显示& ... [详细]
  • 当写稿机器人真有了观点和感情,我们是该高兴还是恐惧?
    目前,写稿机器人多是撰写以数据为主的稿件,当它们能够为文章注入观点之时,这些观点真的是其所“想”吗?最近,《南 ... [详细]
  • 阿里Treebased Deep Match(TDM) 学习笔记及技术发展回顾
    本文介绍了阿里Treebased Deep Match(TDM)的学习笔记,同时回顾了工业界技术发展的几代演进。从基于统计的启发式规则方法到基于内积模型的向量检索方法,再到引入复杂深度学习模型的下一代匹配技术。文章详细解释了基于统计的启发式规则方法和基于内积模型的向量检索方法的原理和应用,并介绍了TDM的背景和优势。最后,文章提到了向量距离和基于向量聚类的索引结构对于加速匹配效率的作用。本文对于理解TDM的学习过程和了解匹配技术的发展具有重要意义。 ... [详细]
  • 深度学习中的Vision Transformer (ViT)详解
    本文详细介绍了深度学习中的Vision Transformer (ViT)方法。首先介绍了相关工作和ViT的基本原理,包括图像块嵌入、可学习的嵌入、位置嵌入和Transformer编码器等。接着讨论了ViT的张量维度变化、归纳偏置与混合架构、微调及更高分辨率等方面。最后给出了实验结果和相关代码的链接。本文的研究表明,对于CV任务,直接应用纯Transformer架构于图像块序列是可行的,无需依赖于卷积网络。 ... [详细]
  • 本博文基于《Amalgamationofproteinsequence,structureandtextualinformationforimprovingprote ... [详细]
  • OCR:用字符识别方法将形状翻译成计算机文字的过程Matlab:商业数学软件;CUDA:CUDA™是一种由NVIDIA推 ... [详细]
  • 知识图谱表示概念:知识图谱是由一些相互连接的实体和他们的属性构成的。换句话说,知识图谱是由一条条知识组成,每条知识表示为一个SPO三元组(Subject-Predicate-Obj ... [详细]
  • 本人学习笔记,知识点均摘自于网络,用于学习和交流(如未注明出处,请提醒,将及时更正,谢谢)OS:我学习是为了上 ... [详细]
author-avatar
L灬MOXIE
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有