体系都是为运用而生的，数据中台也不破例。要构建一套数据中台服务于企业界部和外部运营，需求有老练的数据中台建造方法论作为辅导。企业建造数据中台遵从的方法论就像菜谱，初学者依据菜谱墨守成规就可以轻松完结一道道菜肴，高阶玩家依据菜谱可以查漏补缺，使厨艺精进。数据中台建造方法论可分为高阶规划、体系规划、开发施行、试运转和继续运营 5 个阶段，如图 4-6 所示。

　　万丈高楼平地起，规划阶段之于数据中台建造，就适当于构建一座水库前的勘测和剖析，了解建水库方针、水源、蓄水、水库下流，为规划图纸供给根底支撑。相同建造数据中台也需求对企业的数据源、存储数据的方法、数据服务诉求等信息进行摸查，构建未来的蓝图。对现状和将来了解得越清楚，对数据中台的概括就了解得越清楚，数据中台的成功就越有确保。数据中台规划阶段可细分为事务架构师主导的事务规划和数据架构师主导的数据规划。这两部分内容是相得益彰的，由事务规划进行事务输入，由技能规划对数据现状进行探查，判别事务规划蓝图的可行性，终究构成可行的蓝图规划与运用规划。

　　榜首，战略与安排解读。企业战略决议了数据中台的上限，也决议了企业对数据中台的希望与方针。企业战略不只能折射出企业的数据诉求实质，也能体现出数据中台对企业的价值。因而，经过明晰企业战略对企业运营进步的要求，可以捉住企业运营进步的要害环节，对公司办理现状进行确诊，剖析数字化才能给企业带来的功率和效益进步，明晰企业数字化优化的方针与规模。一起，明晰企业的安排架构，了解企业的事务方法，了解企业的事务板块，整理事务部门的事务流程。

　　第二，调研访谈。调研访谈是经过问卷或针对性访谈的方法，对事务专家进行调研的进程。在调研的进程中可以搜集报表、陈述资料、陈述、可视化看板、体系建造资料等信息辅佐了解事务。调研访谈的意图是经过对事务专家的调研，了解企业与事务，了解事务诉求与痛点，为后续的蓝图规划和运用规划供给事务常识根底和输入。调研前需求对事务布景、职业常识、调研问卷散布做预备，以便到达希望的调研作用。可以将调研问卷提早分发给事务专家，以便事务专家更有针对性地预备问题答复，进步调研功率。调研后需求结合事务场景，对数据进行推导，得出目标需求。推导的进程是现状诉求→需求推导→处理手法→场景推导→目标推导，详见表 4-1。

　　经过事务调研了解企业，结合数据现状与事务痛点，将企业不同实体的数据进行提炼、笼统，构成数据域，将数据财物依照必定的体系进行规整，再结合事务诉求对数据剖析场景进行提炼，终究构成一张包含企业数据现状与未来的蓝图，为后续数据中台的建造供给微观与打开道路的辅导。

　　蓝图规划可从以下几个方面进行剖析规划：数智化转型的一些考虑和战略、规划方法论、对客户事务的全体解析、数据中台价值化、剖析链路整理、数据域整理和区分等。数据中台蓝图一般包含三部分：数据源、数据根底才能及数据洞悉与智能运用规划。经过数据中台蓝图可以快速了解企业数据中台的规模与价值。

　　联接蓝图规划，结合数据调研的作用判别数据可行性后，将数据剖析场景、智能运用进行体系落地的可视化规划，构成 PRD 文档和原型进行产品规划与阐明，终究促进运用的完结。

　　技能调研是对企业的 IT 全体现状进行摸查，调研内容包含企业首要事务及中心事务体系、全体网络拓扑现状、信息安全相关要求等。

　　对企业首要事务和中心事务体系的调研包含事务和技能两个方向。事务上整理企业的首要事务及中心事务流程，技能上则整理各事务体系及它们之间的数据流通联络。两者彼此印证，输出企业的信息体系现状大图，并依据此承认后续的事务体系调研规模。

　　全体网络拓扑现状的整理，有助于厘清企业事务数据的存储散布方位、数据传输的带宽束缚等信息，为后续数据集成方案规划供给根底信息输入。

　　经过信息安全相关的调研了解企业界与信息安全相关的安排部门、规章制度等信息和要求，为后续拟定数据处理和运用的流程标准供给依据。

　　体系与数据调研的意图是厘清企业数据资源的品种、散布、存储及办理现状。体系与数据调研是按事务体系进行盘点的。体系盘点的规模来历于技能调研的输出。盘点项包含事务流程、事务动作、数据源、数据表、数据字典。该调研作业一般由技能主导。

　　事务流程及动作的调研，需求从运用者的视点动身，承认事务体系每个原子操作产生了哪些数据，数据存储在哪些数据表中。这部分的调研需求调研人员经过体系文档资料整理体系流程，并经过实践操作来验证数据流程，终究结合数据字典将体系流程和数据表进行相关。

　　数据源盘点需重视数据源品种，如结构化、半结构化和非结构化数据，以及链接地址、账号、暗码、可抽取数据的时刻段等；数据表等级重视是否为中心表、时刻戳字段、数据更新标识、表的总数据量、日增数据量等信息。

　　体系与数据调研完后，需输出相应的产出物，并与事务体系的相关人员就输出物中的产出项进行交流和承认。在实践施行中，不同企业的信息体系建造情况也不尽相同，输出物中的内容项或许需求以迭代方法进行弥补调研。

　　规划阶段包含事务侧和技能侧的调研，两头的调研作业可以并行打开。在事务侧完结调研及需求规划后，技能侧需求结合事务侧的产出进行相关的数据探查事项，首要意图是承认调研产出是否满意支撑事务规划的数据运用建造。

　　全体规划在终究定稿后，事务侧需输出目标、标签清单、数据运用规划文档等，而技能侧需输出技能和体系调研的相关输出物，以及体系调研阶段的总结性陈述。

　　在盘点了企业当时的数据运用需求及数据财物情况，并依据实践情况规划了数据中台的建造途径后，咱们就可以进入十分重要的体系规划环节了。体系规划包含全体规划、数据规划及渠道规划。

　　榜首阶段的规划作业完结后，进入全体的架构规划阶段。此阶段需求答复以下问题：怎么构建共同、标准、可同享的数据体系，怎么防止数据的冗余和重复建造，怎么躲避数据烟囱和不共同性等。由阿里巴巴提出的 OneData 的中心思维是共同数据主体、共同数据建模、共同数据服务以及一系列的数据办理体系。在规划阶段，可以从这几个方面进行考虑与架构。这一阶段由技能架构师与模型规划师主导，规划规划出全体的数据架构、渠道架构和研制标准，如图 4-7 所示。

　　数据中台的数据架构规划是依据需求调研阶段的事务需求、数据情况，完结数据中台概要规划作业。数据架构规划首要包含 OneModel 数据架构规划、OneID 数据架构规划和 OneService 数据架构规划。

　　事务板块：依据事务的特色和需求将相对独立的事务区分红不同的事务板块，不同事务板块之间的目标或事务堆叠度较低。数据域：数据域是指面向事务剖析，将事务进程或许维度进行笼统的调集。区分数据域前，需求依据数据调研与事务调研，了解各事务体系规划文档、数据字典等。概括与总结出跨源的主题域兼并，整理出整个企业的数据域。数据域区分上，需求从三个方面进行考虑。

　　在区分数据域时，既要包含当时一切事务的需求，也要考虑有新事务时，可以将其包含到已有的数据域中，或许可以很容易地拓宽新的数据域。

　　总线矩阵：在进行了充沛的事务调研和需求调研后，就要构建总线矩阵了。总线矩阵由事务处理进程和维度组成一个二维表格。在行为不同的事务处理进程（现实）与维度的交叉点上打上符号，表明该事务处理进程与该维度相关。这便是构建共同性维度与共同性现实的进程。维度表和现实表的模型规划以构建出来的总线矩阵为依据。

　　OneID 装备：首要依据具体的事务需求，完结数据源表、ID 映射表、歧义规矩表的设置作业。

　　OneID 数据处理：首要经过数据源表和 ID 映射表等装备表单完结原始数据的数据拉取和清洗等操作，生成根底数据。

　　OneID 规矩核算：首要运用图核算结构完结要害衔接点的查找和歧义数据的图连通作业，并依据装备的规矩对图数据进行切开，然后仅有承认一个实体的身份信息，生成 OneID。

　　OneID 数据存储和展示：首要完结 OneID 图数据存储和展示，以及终究生成的 OneID 清单数据存储等。

　　共同数据服务 OneService 包含以下功用模块：服务单元规划、API 规划、API 审阅和 API 运营。服务单元规划是指将单个或多个物理表装备成一个视图。依据装备好的服务单元，经过简略可视化界面或 SQL 脚本，规划 API 的恳求参数和回来参数，以及对应的 API 信息。API 规划好后，将其发布至服务商场供运用者调用。API 在被运用前，需求经过请求批阅。被运用的 API 需求运维及监控，包含均匀呼应时长、调用次数、错误率、掉线百分比等目标的监控，还可以装备 API 的告警及限流办法等。

　　结合前期调研的事务需求和数据现状，从微观层面规划出数据中台的各个模块、各个功用部件所用到的技能全体架构图。全体架构由数据搜集、数据存储、数据流、网络、布置、安全等组成。

　　搜集架构：数据搜集打通各种数据来历，为数据中台供给待剖析和处理的数据，首要分为实时和离线数据搜集方案，具体可拜见 4.2.2 节。

　　存储架构：整个存储架构包含原始数据源存储技能、数据源接入技能、数据中台数据存储与核算技能、数据服务及数据运用技能。从数据搜集、数据加工到终究的数据展示，规划出整个流程中不同数据来历到数据中台的存储。

　　数据流：从事务数据进入数据搜集通道，到进入数据中台在各个加工使命中流通，再到数据对外服务的这个进程，需求进行哪些存储、哪些技能处理等，这些进程需求在规划时就以数据流向用流程图的方法画出。

　　网络架构：数据中台触及与多方的源体系进行数据交互，而网络规划关于后续数据同步、接口调用等有较大影响，因而需求归纳考虑各事务体系与树立数据中台环境的网络情况。假如触及上云，事务体系有或许在本地，而数据中台的环境在云上，要考虑是否需求规划专线。一起依据每天要同步的数据量，规划出带宽的容量。

　　布置架构：这部分规划首要触及数据中台的研制渠道与运用软件。需包含全体的布置方案，如 Hadoop 生态圈中所选用各个组件的布置节点，每个人物的功用布置几个节点，在机器资源上怎么散布，还包含数据库的主备方案、后端运用的布置等。

　　安全架构：首要包含研制渠道的用户人物权限操控方案、开发与出产环境阻隔方案、数据安全方案。考虑在数据抽取、数据加工处理和数据服务的整个数据加工链条中对企业的灵敏信息进行加密处理。

　　杰出的数据模型可便利、有效地安排数据中台中存储的企业数据财物，所以数据模型的规划作业有必要遵从必定的标准和束缚。团队在明晰界说模型规划的相关施行标准及要求后，需求向参与数据中台建造的相关人员明晰标准和要求，确保团队内共同标准，以确保和进步数据开发与运维办理的功率，并便利后续的常识移送和数据办理作业。标准应明晰地论述模型界说与代码开发的相关束缚。模型标准要明晰数据架构中的分层、分层的命名，界说不同接入频率、不同体系表命名方法。代码研制标准层面应界说好各种不同用处、不同脚本类型的命名标准等。

　　（1）数据集成数据集成需求处理不同源体系数据异构性问题。源事务体系的数据类型多种多样，有来历于联络型数据库的结构化数据，也有来历于非联络型数据库的非结构化数据及半结构化数据。

　　结构化数据一般以二维方法存储在联络型数据库中，关于这种数据类型，数据集成有 3 种方法。直连同步：经过标准的 API（如 JDBC）直接衔接事务库。可是事务库直连的方法对源体系的功用影响较大，当履行大批量数据同步时会下降乃至拖垮事务体系的功用。即便事务数据库存在备库，当数据量较大时，此种抽取方法功用也较差，不太主张运用。

　　数据文件同步：经过约定好的文件编码、巨细、格局等，直接从源体系生成数据的文件，由专门的文件服务器（如 FTP 服务器）作为中心文件交流，加载到数据中台。但由于要确保数据文件的完好性，一般除数据文件外，还需求上传校验文件，供下流体系校验数据同步的精确性。

　　数据库日志解析同步：这种方法完结了实时与准实时同步，推迟可以操控在毫秒等级，并且对事务体系的功用影响比较小，现在广泛运用于从事务体系到数据中台体系的增量数据同步运用之中。除了数据读取的方法，还可按数据量来分化数据集成战略。

　　小数据量同步：数据记载小于 10 万条的源表主张每日全量更新，写入全量分区表。全量分区表可按天创立。可依据事务需求设置数据的生命周期，并守时整理。

　　大数据量同步：数据记载大于 10 万条的源表经过期刻戳抽取增量数据到增量分区表。增量分区表可设置长周期，依据需求设置冷、温、热数据区。

　　非结构化数据一般没有固定的结构，各种文档、图片、视频、音频等都归于非结构化数据。关于这类数据，数据集成战略一般是直接全体存储，并且一般存储为二进制的数据格局。

　　除了结构化数据和非结构化数据，还有半结构化数据。半结构化数据的运用越来越广泛。半结构化数据带有用来分隔语义元素和数据记载的符号，具有自描述特性，常见的数据格局有 JSON 和 XML。关于半结构化数据，数据集成战略相同可以是直接全体存储。但跟着数据技能的打开，NoSQL 数据库现已可以很好地支撑半结构化数据的存储。NoSQL 在逻辑体现方法上适当灵敏，首要有 4 种模型。

　　键值模型：键值模型在体现方法上比较单一，但却有很强的扩展性。列式模型：由于每列可以动态扩展，列式模型比较键值模型可以支撑的数据更为杂乱。文档模型：文档模型关于杂乱数据的支撑和在扩展性上都有很大优势。图模型：运用场景一般依据图数据结构，如交际网络、引荐等。

　　数据模型可以分为主题域模型、标签模型和算法模型。其间主题域模型是根底，是对数据标准化、标准化的进程。标签模型依据主题域模型将目标的各种标识打通归一，将跨事务板块、跨数据域的目标安排起来。算法模型依据主题域模型，将各目标的前史行为、特点等数据作为输入，运用算法才能剖析和猜测目标的行为。下面来具体介绍这三种数据模型的规划。

　　首要来看主题域模型规划。主题域模型也便是咱们常说的数仓模型。数仓模型的规划方法论现已十分老练，最威望的数仓模型规划是 Kimball 的维度建模。阿里巴巴在维度建模的根底上进行了进步，沉积了 OneModel 方法论，将数据从事务板块到事务域、事务流程、目标和维度，一层层整理，构建出企业的目标体系并构成数仓模型。OneModel 方法论着重从事务进程动身，站在数据运用与剖析的视点，整理出事务进程中触及的维度及衡量，并对事务进程中的衡量进行标准化界说，共同目标口径，消除目标二义性，构成共同的目标体系；一起，构建共同性维度及现实矩阵，并据此进行维度及现实模型规划。主题域模型可分为以下三层。

　　操作数据层（Operational Data Store，ODS）：首要将事务体系、日志等结构化和半结构化数据引进数据中台，保存事务体系原始数据。ODS 分为缓冲区和数据服务区。缓冲区规划首要坚持与数据源的共同性，确保 ODS 能原样引进所接入的源数据，不进行任何类型转化和数据加工处理。数据服务区包含全量明细数据，该数据是对缓冲区数据进行类型转化或增量兼并处理后得到的，数据服务区为通用数据模型层和运用数据层供给数据服务。引进缓冲区是考虑到数据引进后或许会有一些特别的处理需求，比方埋点数据搜集后一般为 JSON 格局数据，这类需求在解析后再引进；或许有一部分实时搜集的数据需求与当时存量数据进行兼并处理，以获取当时最新情况的数据。缓冲区能起到很好的追溯作用，便利后续清查与核对问题，为后续的数据分层建模供给杰出的数据根底。

　　通用数据模型层（Common Data Model，CDM）：包含整个数据中台的大部分数据，是数据中台的根底，因而确保该层数据的健壮性是重中之重。CDM 首要完结公共数据加工与整合，树立共同性的维度，构建可复用、面向剖析和核算的明细现实表及汇总现实表。

　　运用数据层（Application Data Service，ADS）：供给直接面向事务或运用的数据，首要对个性化目标数据进行加工处理；一起为便利满意数据运用、数据消费的诉求，进行面向运用逻辑的数据拼装，比方大宽表集市、横表转纵表、趋势目标串等。

　　其次介绍标签模型规划。实体标签模型是数据中台建造中的另一类重要模型，这类模型关于企业数据办理、事务输出都具有无足轻重的作用。企业的重要数据财物，如客户、产品、门店、供货商、职工等实体的标签模型都是数据中台加工的要点。比方，先获取产品的出产、收购、定价、出售、退货等前史行为数据，然后依照事务场景需求来拟定产品所触及的产品标签，构成产品标签模型。

　　终究来解说算法模型规划。数据中台整合全域的数据，需求经过 AI 算法将名贵的数据构成有价值的数据财物。算法模型是数据中台中最难规划的模型，但又是最能将企业的数据财物发挥出几许倍数价值的模型。例如，凭仗产品个性化引荐模型，淘宝的“千人千面”场景协助用户极大进步了体会感，缩短了用户的买卖链条，进步了用户的转化率。算法模型与上两种模型的不同之处在于，在建模的进程中需求充沛聚集算法所服务的场景。比方关于产品引荐算法模型，建模时需求充沛了解触及产品引荐的相关场景。产品个性化引荐一般有主页引荐产品列表、猜你喜爱专栏、购物车引荐专栏等场景。咱们要充沛整理这些场景的需求点，然后拟定完结引荐模型的场景，如图 4-9 所示。在经过场景整理编排出算法完结逻辑后再开端规划算法模型及完结逻辑。

　　主题剖析类数据服务可经过整合数据剖析场景，分专题规划通用的数据汇总宽表，经过数据宽表拼写不同的 SQL，支撑相应的数据报表，防止数据的冗余建造。

　　标签类数据服务的规划却有所不同，切忌依照标签运用场景逐个进行数据服务规划。由于运营或许会随时添加标签，迫使在规划标签服务时考虑通用性和扩展性。一般主张以底层的标签宽表为动身点，规划标签通用的添加、修正和查询功用。

　　与事务联动严密的算法类数据服务则需求注意或许直接面临低推迟、高并发的调用场景，比方引荐场景，包含查找引荐、猜你喜爱、加购引荐等，必定要做好服务接口的功用压测，以满意事务实时买卖级的功用要求。

　　渠道规划指的是大数据运转渠道在资源规划、技能选型、布置方案等方面的规划，是依据全体架构中的渠道架构打开的。渠道才能具有通用性、扩展性和前瞻性是数据中台成功建造的根底。渠道规划阶段将以客户现有数据体量及可猜测的事务增加情况作为考量要素，对渠道建造所需的资源进行预估和规划，产出渠道及数据运用布置所需的资源清单、布置方案及相关人员在渠道上的账号和权限的规划等。

　　资源规划：需求对支撑大数据渠道所需的资源进行预算。一般可考虑未来 3 年企业的数据量，可学习的存储空间资源预算公式如下：

　　技能选型：大数据技能选型的原则是考虑当时及未来一段时刻或许运用的场景，依据场景来推导技能的挑选。一般会从数据的搜集、存储、核算、办理、运维等多方面考虑需求挑选的技能或老练产品来树立大数据渠道。比方，文件搜集运用 Flume 到 HDFS，数据库搜集运用 DataX 到 HDFS，核算与加工依据 Hive 存储、离线运用 Spark SQL 处理、实时选用 Flink 等。

　　渠道层面的环境树立，包含大数据集群、数据研制渠道、智能数据运用产品等相关东西的布置。渠道的树立按规划阶段输出的资源规划和渠道布置方案施行即可。在渠道环境、东西组件布置后，需求对渠道环境进行测验，一起在产品东西层面，需求对企业进行相关产品的运用训练，并经过企业的检验。

　　数据集成方案从微观上规划和标准了数据源等级的数据集成流程和同步战略。在当时阶段，需求对各数据源拟定表等级的集成战略，构成数据同步清单，包含上云数据存量、日增量、分区字段、数据更新频率、存储周期、上云时刻等相关信息，供具体施行时运用。数据集成作业施行后，还需求逐个对数据源表进行数据监控及验证，以确保集成的数据无问题。

　　代码研制阶段包含数据研制与验证、运用研制与测验、功用测验三部分。数据研制与验证首要包含数据模型的事务代码开发、数据监控代码开发、数据精确性验证。从模型数据开发、数据监控开发到数据验证，再到模型上线，需求一整套开发流程来确保数据的产出。运用研制与测验首要包含数据运用层面的开发和测验作业，如数据服务、数据运用前端开发。功用测验包含数据产出时刻、数据接口服务功用、数据运用拜访功用等方面的测验。

　　数据中台上线之后，剖析专题的目标口径、数据运用作用等多方面的数据精确性都需求经过实在的运转数据去验证。在这个时刻段还不太合适全面临外发布，也不宜对外开放数据才能。一般咱们需求进行一段时刻的试运转。

　　为确保出产环境数据的精确性，需求先在测验环境依据企业全量的数据进行一段时刻的试运转，这首要包含以下几步。

　　1）数据搬迁：增量模型触及的存量数据需进行一次全量的数据搬迁，以确保数据的完好性，全量模型则直接按频度进行抽取即可。搬迁前，需拟定具体的搬迁方案及进程；搬迁时，需记载各个环节的要害数据，如搬迁耗时、资源耗费情况等；搬迁后，需总结并输出搬迁陈述。

　　2）数据跑批：完好运转数据中台的全流程使命，包含数据抽取、加工、服务供给及运用展示，剖析各层级模型使命的运转耗时以及对应时刻段的资源情况，并不断优化、调整运转使命的发动和依靠联络，以到达最佳的装备。

　　3）数据验证：挑选中心要害目标、标签，进行数据精确性的验证，例如存量目标可与体系现有目标进行比照，增量目标则与模型规划内容逐层比照。

　　4）运用验证：关于对外服务接口类运用，联络运用方进行接口及数据的验证，并完结运用全流程的拉通，优化调用的频次及时刻点；关于报表及专题剖析类运用，验证报表数据与数据中台侧数据的共同性，以及测验前端页面、展示数据的功用。

　　在试运转进程中，数据中台的目标或标签或许会由于事务侧的口径改变而进行前史数据的重刷动作。在这种情况下，要确保数据精确且可逆，有如下几点注意事项。

　　数据验证：调整后，严厉依照规划内容进行数据的验证和测验，并与事务侧达到共同，在测验环境中进行承认。

　　数据中台不是一锤子买卖，是需求继续运营的。在数据中台正式上线后，跟着企业事务的不断拓宽，会接入更越来越多的数据源，数据的剖析也将越来越精密，数据运用场景会愈加丰厚多样。一起，某些数据运用会由于企业事务方向的调整而抛弃，这些现已过期的运用就需求及时整理。作为数据中台的建造者，不只需求定时与数据运用者自动交流，了解数据运用情况，了解这些数据究竟带来了什么价值，还要经过体系检查目标、标签、专题、运用 API 这些财物的被调用情况，以此来判别是否需求优化等。

　　1.正式上线试运转安稳履行一段时刻后，可按模块和迭代请求出产环境的正式上线动作，以交给阶段性的作业作用。在正式上线时，分以下两步进行。

　　1）割接方案。假如数据中台存在替换现有其他体系的情况，就需求拟定具体的割接方案，以确保数据中台可以掩盖旧体系的数据才能。2）上线预演。在正式上线前，需进行割接或上线的演练操作，尽或许多地露出数据、环境、资源等各方面的问题，并逐渐进行优化和调整。

　　体系上线后，拟定相关的检查规矩及告警机制，以确保数据中台的正常运转。检查规矩可大致分为如下两类。

　　检查规矩履行完结后，依据检查成果拟定告警战略，如反常告警阻断、反常告警不阻断。一起，经过短信、邮件等方法将检查的成果进行奉告，并拟定告警晋级机制。

　　体系上线今后，跟进体系的运转、运用情况，归纳剖析以提炼新的需求点，发明更大的价值点，继续运营。数据中台的运营战略可从产品、运用、数据三方面进行。

　　产品侧：搜集直接运用方的产品体会情况，依据反应内容进行优化，进步产品的易用性，增强运用方对产品的黏性。

　　运用侧：剖析运用目标的要点重视模块，并阶段性地构成剖析陈述。中台建造者可依据陈述内容，对接运用相关人员，继续发掘新的需求内容，继续耕耘以发明更大的价值。

　　数据侧：经过数据链路盯梢的成果，总结阶段性要点重视的数据内容。结合自上而下和自下而上两种途径，剖析整个体系数据层面的缺口，并拟定会聚、扩建的方案，进步中台数据支撑的力度。回来搜狐，检查更多