數據中臺的文章很多了，相信大家也看過很多，但筆者今天要談的一個話題是非常現實的，即如何判斷你的數據中臺的水平？相較于阿里，你跟它到底有多大的差距？

先來看一下中臺成熟度的評估圖：

從數據戰略、數據治理、數據架構、數據應用、數據安全、數據質量和數據生存周期8個能力域闡述了五個等級的具體標準。

企業數據管理能力成熟度模型可以用來評估和提升組織的數據管理水平，幫助組織跨越業務與IT之間的鴻溝。DMM根據企業的數據管理能力提出五個層次：Performed可執行級、Managed可管理級、Defined已定義級、Measured可度量級及Optimized優化管理級，如下圖所示：

DMM模型涉及五大方面25個過程域，如下圖所示：

以上三種評估方式的體系化程度很好，但存在二個問題：

一是由于數據中臺本身就沒有清晰的定義，因此以上的評估實際變成了針對企業整個數據管理體系的評估，數據中臺業務化，服務化，開放化這些特點沒有很好體現。

二是基于這些評估標準很難快速、清晰的看出各個行業數據中臺之間的差距。因為大家在各個方面或多或少都做了些工作，你說它有嗎，有，沒有吧，存在度的問題，而這個度涉及的維度又太多了，你其實搞不清楚哪個維度更為重要。

比如數據治理做的很好，但服務化很差，你說這個數據中臺到底先進不先進？

《數據中臺》這本書里提到了數據應用成熟度的4個階段，雖然簡單但更有現實指導意義，如下圖所示：

那么，我們能否給出一個相對簡潔的，能夠快速發現差距的數據中臺成熟度模型呢？

云原生的成熟度評估模型給了我一些啟示，如下圖所示，不管這個云原生成熟度評估模型是否合理，但它顯然是清晰而簡單的，你很容易抓住主要矛盾，從中發現差距，從而明確自己的前進方向。

解讀這張圖我覺得有二個核心要點：

一是明確每個關鍵技術點只在一個階段出現，級別高的默認擁有低級別所有的關鍵技術點，這樣就比較清晰。

二是在某個階段具備的關鍵技術點必須在企業廣泛使用，普及度至少在50%以上，比如灰度發布，如果你這個企業只是在一些邊緣應用中采用了灰度發布技術，那么不能說滿足了云原生的第三階段灰度發布這個要求。

用這張圖去評估每個企業的云原生水平，就可以得到一個大致的分數，大家互相之間可以做個比較，比如一些先進互聯網公司可能在3級以上了，而你這個企業可能剛剛到了2，因為你一點灰度發布能力都沒有。

基于這個指導原則，這里給出了數據中臺的成熟度模型，其從能力建設和業務驅動2個維度，圍繞系統靈活性、工具高效性、數據共享性、服務豐富性、智能化水平等要素來定義數據中臺成熟度四個級別，如下圖所示：

第一階段：如果你的企業數據基于集中化平臺進行了歸集和整合，比如50%的數據進行了整合，同時具備了資源按需分配的能力，就可以認為達到了數據中臺的初級階段，這個時候的服務模式仍然以傳統BI做可視化為主。

其實大部分企業都在第一階段徘徊，因為打破不了數據壁壘，資源按需分配的生態也面臨技術、機制、流程的阻礙，比如別人來申請租戶，你們開通就要2個禮拜，那水平就很差了。

第二階段：如果你的企業只是歸集了數據，但很少人用，那么數據中臺的水平也很一般。你必須通過標準的建立、開發管理平臺和運營體系的建設，讓這些數據能被高效的使用起來，比如企業要有50%以上的營銷、分析和IT人員能基于你的平臺進行數據操作，這個對于大多數企業的挑戰就很大。

少部分企業在努力向著第二階段去演進，但這個階段對于平臺的易用性和運營能力要求很高，基因比較好的互聯網企業比較容易跨過去，但對傳統企業很難，這不是簡單的技術問題，更是數據文化的問題，需要公司戰略上的真正支撐。

第三階段：如果你的企業建立了一套真正貫通全域的企業級模型體系（體現了多維價值），大部分的數據能夠以實時化的方式去支撐各種場景，同時能夠以服務化的方式方便的對外開放，比如達到阿里云數+平臺這種按需訂購的能力，可以直接基于模型或產品進行規模化變現，那么就算是達到了第三階段。

少部分先進互聯網達到了這個水平，但一般公司很難達到，比如服務化吧，不僅要解決技術問題，更要打通從訂購、開通、計費到收款的整個流程，建立一堆的業務管理規范，特別是如果存量業務的體量很大，就會陷入創新的窘境。

第四階段：數據智能化達到了自驅動水平，全面的數據驅動業務生態形成。

這個誰都沒有達到。

受限于筆者的能力和視野，這種劃分方法很難說有什么科學性和系統性，但它給出了另一種評估的角度，希望對你有所啟示。

最后，如果要你對自己企業的數據中臺打個分，你覺得能打多少分？