大数据_数据中台建设的成熟度评估模型
数据应用能力成熟度可以总结为统计分析、决策支持、数据驱动、运营优化四个结阶段。针对不同的阶段，从企业战略定位、企业数据形态、数据应用场景、数据应用工具、企业组织架构等多个方面、不同特征维度进行参考判定，也就构成了数据应用成熟度模型评估模型。依据这是个阶段的划分准备，企业可以进行数据应用成熟度的自我评测，数据应用能力成熟度越高，则代表数据对业务的支撑能力越强；应用成熟度越低，则意味业务对数据的依赖程度越低。
自测评估模型对照表
| 成熟度阶段 | 企业战略定位 | 企业数据形态 | 数据应用场景 | 数据应用工具 | 企业组织架构 | |||
| 数据积累情况 | 数据维度 | 数据组织形式 | 数据质量 | |||||
| 统计分析阶段 | 无数据战略， 纯业务驱动 | 少量业务数据积累 | 数据维度单一 | 数据无组织，对各业务数据分散存储管理 | 无数据质量管控 | 简单的业务统计报表为主 | 一系统报表模块和Excel为主 | 无数据相关部门和职位，以IT和业务部门相关职位为主 |
| 决策支持阶段 | 开始通过数据支撑经营决策 | 注重业务过程中数据的积累、收集 | 数据维度逐渐丰富 | 以面向业务主体的指标体系为形式进行数据组织 | 开始实施数据质量管控，对相关数据进行清洗加工 | 为企业管理提供决策支持 | 以数据仓库、数据开发和专业化BI报表工具为主 | 开始相关数据分析师，可能会设立专门的数据部门和数据价值挖掘等相关的职位 |
| 数据驱动阶段 | 开始将数据作为企业重要资产，通过跨界数据应用为企业提供数据服务 | 各业务数据积累初局规模，且数据量越来越大 | 全域数据融合，数据维度更加丰富 | 开始业务涉及的相关数据的汇聚、打通、进行全域数据组织 | 开始进行数据标准化建设，对数据质量的管控更加严格 | 实现数据与业务的深度融合，通过数据驱动业务发展 | 通过Hadoop生态体系为代表的批计算、流计算、即席分析、在线查询等大数据处理技术及机器学习、深度学习算法进行数据汇聚开发 | 开始设立独立的大数据部门和大数据工程师、算法工程师、数据可视化工程师、数据科学家等相关职位 |
| 运营优化阶段 | 企业开始建设数据中台，数据中台战略持续运营优化 | 随着数据闭环的构建，企业数据体量快速增长 | 数据维度更加完善 | 建立数据应用闭环 | 形成一套完善的数据质量管理规范及管理流程 | 简历一套统一的数据服务体系，为企业业务优化和业务创新提供数据服务支撑 | 建立一套体系化的数据汇聚、加工、管理、服务及应用体系，逐渐实现大数据能力工具化、工具平台化、平台智能化 | 在管理层设置数据管理委员会、成立专门的数据资产运营部门 |