相信在大数据行当里闯的各位同仁对阿里云并不陌生，而研究阿里大数据架构的技术专家们，显然或多或少会知道阿里中台系统，那今天咱就聊聊阿里中台（OneData）的能力演进与整体优劣。
借别人之观点：
广义的数据中台包括了数据技术，比如对海量数据进行采集、计算、存储、加工的一系列技术集合，对于大多企业，这些能力是能够买到的，因此无所谓积淀，要积淀大多也是别人的积淀，而不是企业的，当然自主研发的除外，比如阿里的ODPS等。
除此之外，数据中台能力可能不仅于此，可能还包括数据模型、算法服务、数据产品、数据管理等，这些服务跟企业的业务有较强的关联性，是这个企业独有的且能复用的。比如企业自建的2000个基础模型，300个融合模型，5万个标签，这些就是数据中台的延伸能力，它是企业业务和数据的沉淀，其不仅能降低重复建设，减少烟囱式协作的成本，也是差异化竞争优势所在。
在以这些内容为背景的前提下，我们就知道了所谓中台的核心能力，其实就是数据模型。数据模型是面向业务支撑的底座能力，模型的设计不仅是一门学问更是一门艺术，所以我们看阿里中台系统的模型构架，它包括了ODS层、CDM层和ADS层。
ODS层是数据接入的同步层，它源于各个业务系统，同时面向后续的数据清洗和加工，提供了最初的数据统一接入（数据准备区），涉及到离线数据和（准）实时数据。阿里ODS层设计包含了三个特性：其一是数据同步功能，支持结构化数据增量或全量同步到ODPS；其二是实现全结构化数据转换，能够将非结构化数据（如日志）进行结构化处理后再存储；其三是支持历史数据的积累和清洗，能根据数据业务需求及稽核审计要求保存信息。
CDM层算是中间层了，它包括DWD明细数据存储和DWS公共汇总数据集合，并以维度模型方法为基础，提升公共指标的复用性，减少重复的加工。包括事务型事实宽表、周期性事实宽表、累计快照事实宽表等，同时还支持面向主题域的公共汇总模型。CDM支持个性化分析与自助取数、支持面向应用的数据同步，可以说是数据仓库核心之能力。
ADS层是面向应用和集市的上层能力，它支持个性化指标加工和基于应用的数据组装。
阿里数据中台之OneData也并非是“一次成型”的，它经历了三个阶段的能力演进。
第一阶段：完全应用驱动的时代。这个时期主要将数据以与源结构相同的方式同步到Oracle，那时候的数据架构只有两层ODS+DSS，严格说来基本只有一个ODS层，也基本没有模型方法体系。在这个时期阿里遇到了严重挑战，意识到需要科学规划数据架构。具体包括：数据标准不统一、服务业务能力受限、计算存储负担严重、研发成本高且重复开发的问题；
第二阶段：随着阿里业务的快速发展，数据量也在飞速增长，性能已经是一个较大问题，希望通过一些模型技术改变烟囱式的开发模型，消除一些冗余，提升数据的一致性，所以阿里引入了Greenplum。初步构建数据分层架构，改变烟囱式的开发模式，消除数据冗余并提升数据一致性。在最核心的基础数据层，希望采用工程领域主流的ER模型但遭遇到比较大的困难，主要体现在：互联网业务的快速发展，人员的快速迭代变化，业务知识功底的不够全面导致ER模型设计迟迟不能产出；
第三阶段：引入以hadoop为代表的分布式存储计算平台，确立第三代模型架构（OneData），核心CDM层都采用多维模型。选择了以Kimball维度建模为核心理念的模型方法论，同时对其进行了一定的升级和扩展，构建了阿里集团的数据架构体系。
读到这里，相信对阿里数据中台已经有了一定深入的理解。自然而然的，我们就要说说其整体优劣。
优点：
伴随着业务考验， OneData并非一蹴而就，循序渐进是阶段性演进成果；
既具备开源开放的体系架构，又参考数仓之父Kimball的理念精髓；
是大型企业数据架构的核心参考，因此具备成熟性、先进性和推广性；
缺点：
OneData数据架构并非适用简单业务或小型企业；
架构设计复杂，需要大量经验积累，以堆叠、论证或迭代方式构建；
作为大型企业的架构级能力支撑，OnaData与数据质量、指标体系等其他因素关系密切，必须同步发展；
这是今天分享的主题。
分析世界讲方案，为您带来精彩的一页。
感谢阅读、感谢共鸣。
