健康医疗大数据运营管理中台软件开发，国家健康医疗大数据运营中心。
随着大数据并行计算能力和机器学习技术的发展，各个行业按照大数法则，随着数字化进程的不断推进，当被记录的数据趋向无限时，数据勾勒出的世界将与现实世界趋同，我们也然进入了DT数字时代。数据不再是业务的附属产物，数据和业务已经逐步融合在一起，甚至成为业务创新的驱动力。一直以来，都是先有业务，后有数据，先有应用系统，后有数据系统，数据系统一直遵照着这样一种流程：把业务系统中产生的数据周期性或者准实时地抽取出来，然后通过处理转换加载到数据系统中，通过BI工具实现分析和决策支持。业务环境和分析环境是相对隔离的。这种处理方式只能实现业务滞后赋能，而不能为业务系统实时提供基于机器学习模式的实时支撑，这种传统的模式已然不能满足现代化业务系统的述求。这些变化使得数据开发和数据应用的需求也发生了改变，主要表现在以下几个方面：
（1）跨域数据的共享需求越来越普遍和广泛。无论是业务型应用还是分析型应用，不再是只需要单一的业务数据，更多的需求建立在跨域的数据基础上。同时也可以观察到，不同业务的数据需求的差异可能只是维度或颗粒度的略不同，很多甚至可能是相同的。
（2）数据响应的要求越来越高。这种响应有两个方面，一是越来越多的应用需要实时数据的支持，一是数据的开发过程需要满足业务开发的敏捷性要求。随着业务由流程驱动逐步向数据驱动转变，数据会越来越多地参与到业务实现中，业务的实时性和不断的创新变化需要一种新的数据架构以弥补响应力滞后的问题。
（3）在数据驱动型业务中，数据不再是被动地被需要。需要不断地通过数据挖掘业务价值实现业务创新，例如通过数据开发使业务更智能，数据成为像原材料一样重要的资产，数据开发和应用需要满足价值探索的能力需求。这对数据团队的业务理解和数据开发能力提出更高的要求。
为了适应上述的需求，一种新的数据思路逐渐被提了出来：以数据资产化为导向进行数据治理，以共享数据服务的方式实现数据共享，通过构建中间平台，打通业务和据环节，减少冗余，增加复用，快速响应用户需求，实现数据驱动业务创新。
随着这种数据思路的逐渐深化，数据中台概念开始萌芽。阿里在《企业IT转型之道：阿里巴巴中台战略思想时至近两年，数据中台俨然成为最热门的讨论点之一，方案产品蜂拥而出。数据中台概念从思维层面过渡到技术实现层面。不同的企业由于自身的业务特性和需求的差异，在具体落地上，有着不同的导向和具体定位，其具有代表性的有如下3种：
（1）以全域数据(基本医疗，公共卫生，运营管理)共享为导向：数据中台以全域数据建设为中心，技术上覆盖了从数据采集、计算加工到数据服务、数据应用等数据链路上的每一个环节，以此为生态内外的业务、产商、用户提供全链路、全渠道的数据服务。
（2）以快速数据响应为导向：数据中台的建设以简单快速地使用数据为中心，通过数据技术和计算能力复用以及数据资产和数据服务复用，为业务提供自助化、实时化、统一化、服务化、管理化、可溯化的数据服务。实现业务-运维-数据协同，一键埋点，用户行为轨迹全记录，数据采集秒级同步，数据链路全监控，自动定位关键节点等能力，并以交互式查询接口、数据地图、数据图谱、数据API等方式提供标准化数据服务和实时数据集成服务。
（3）以业务价值创新为导向：数据中台台以实现数据驱动的业务创新为目标。其建设以便于数据的业务价值挖掘和呈现为中心。数据中台定位为数据资产化管理和数据价值转化的承载平台，通过聚合和治理跨域数据，将数据抽象封装成服务，提供给前台以业务价值。将数据中台定位为数据服务加工厂，并定义了数据中台的五大核心能力：数据资产的规划和治理、数据资产的采集、获取和存储、数据资产的共享和协作、数据业务价值的探索和分析、数据服务的构建和治理、数据服务的度量和运营，通过这些能力保证数据质量和一致性，加速从数据到价值的服务产生过程，打造高响应力且更加智慧的业务。
如上所述，数据中台在具体实施时，不同业务条线特点的会有不同的业务诉求重点和实施路径，因此在技术维度上，不可能有完全相同的数据中台实施架构，但如果从数据维度出发，可以把数据中台看作是一种数据解决方案，快速解决不同域数据共享和数据治理问题。
其中（1）数据域：实现数据全量化组织的协作集合，即将全量数据从业务系统采集、汇聚、实时或周期加载接入，按照业务价值要求和服务转化要求进行按需计算、主题化处理和高效存放。数据的类型包括结构化的，也包括心电，检验检查等非结构化的。根据数据的来源和用处，可能会采用传统数据仓库、分布式文件系统、分布式关系数据库、分布式NOSQL、时序数据库等数据存储和管理模式。计算的模式包括批量离线计算、内存计算、在线流式计算、ML/DL训练等。
（2）资产域：实现数据资产化治理的协作集合。不仅需要定义数据的大小、类型、颗粒、周期，每一种数据的来源、经过的处理过程、使用规则、用途、和其他数据的关联性等，还需要将数据和业务价值对应起来，从业务层面出发制定数据标准，形成业务驱动的数据图谱和行业协作的知识沉淀。除此之外，还应包括支持多种数据实体的统一搜索、基于数据价值或热度的综合排序等能力便于快速定位所需数据。数据的资产化治理的内容涵盖很广，涉及和数据的使用相关的业务、数据和服务的全面管理，是数据体系中最困难和最耗时同时最关键的部分，其直接决定了数据价值转换的能力。越来越多的技术手段和工具应用于数据的资产治理，包括AI。图中列举了当前最主要的几个协作模块，例如类目、标签、模型，标准、质量、安全以及全生命周期管理等。
（3）服务域：实现数据服务化交付的协作集合，包括数据服务的开发和交付。通过API的方式提供数据服务，而不是直接把数据库给前台、让前台自行使用是数据中台有别于数据仓库等数据架构的一个主要特性。其强调的是机器与机器的接口，例如将数据计算分析出来的结果，不仅仅以报表等可视化形式让看，而更多的是以API形式将数据服务直接地嵌入到交易系统里面，变成业务功能或能力，例如基线校对、个性化推荐引擎、智能健康模型评估等。这种将数据以服务的形式交付不仅保护了数据的隐私，维护了数据的安全，而且回避了数据的敏感性、归属的争议性、应用的伦理性等问题带来的对数据的限制性使用。除了数据，资产治理能力也是服务的一种重要内容，数据服务的开发能力直接影响数据价值的转化，在AI技术的加持下，在业务智能和业务创新需求的推动下，数据智能服务的开发将越来越主流。
