1）業務挑戰：如何以大數據賦能，反哺業務精耕？

越是成功的企業，業務發展的痛點越難以單點解決，需要整體思考、科學決策、集體行動，在業務的創新中解決這些痛點。
比如，如何做好會員精細化運營？如何為門店挑選合適的商品且控制好庫存？如何動態打折以至不損傷毛利等等，是擺在企業前面的一個個難題，直接影響到企業的規模擴展或者利潤提升，也是企業迫切需要解決的問題。
這就需要構建數據中臺，通過大數據賦能業務。

相比傳統數據業務，大數據業務的優勢在于，通過整體規劃智能化的數據應用，來推動業務創新。這就是企業數字化轉型的業務內涵。這些數據智能應用需要將業務經驗和解決方法論、全域的數據模型，與算法模型相結合，我們稱之為“業務智能模型”，它的價值在于“降本增效”。
在奇點云過去三年的數據中臺實踐中，我們發現這些業務智能模型遍布在整個零售產業上下游。比如通過全方位的數據反饋并指導買手做好選品；又如通過商品的聚類，發現某類特征的商品，可以優化打折速度和幅度，以此提高整體的折扣率從而增加毛利等。再比如，通過門店和商品數據，通過最優算法，解決“什么樣的店鋪類型應該鋪什么商品”，以提升門店的顧客進店轉化率，從而提升效益。
業務智能模型需要數據和業務系統深度結合，在運營工作中直接產生效果，讓業務能夠自動化、高效地運轉起來。

2）技術挑戰：如何高效的數據治理，遠離數據“黑洞“？
要做好有價值的業務智能模型，離不開高質量、高可用的、全域的數據中臺，數據治理就顯得非常重要?！皵祿卫怼笔瞧髽I數字化轉型中典型的大數據技術問題。
數據治理，解決的是“業務越來越復雜而數據現狀的臟亂差”帶來的挑戰。如何合理規劃數據結構？如何規范定義數據？如何有效管理數據資產？如何安全分發使用數據？這都需要一套完善的數據治理體系，驅動企業數據化運營轉型。
數據治理是基礎，也制約了企業的數據智能化方向的發展，難以做到數據創新。從理念上來看，“治”不應只在事后，更應在事前，“理”考驗的是業務與技術能力的結合。從實際內容上來看，數據治理是一套方法體系+工具集，旨在幫助企業合理的架構數據、規范的定義與加工數據、清晰的管理數據、安全的應用數據，促使數據從成本中心變成價值中心，驅動企業數字化轉型。

3）組織挑戰：如何深挖數據紅利，成為業務創新“能手“？
從解決業務挑戰和技術挑戰出發，企業必須把數字化轉型定義為戰略問題，從而推動“數據中臺”的落地，這也給企業帶來了組織上的挑戰。
一般來講，傳統的數倉解決方式有兩大問題：一方面從業務系統直接計算數據，非解耦架構對業務系統影響極大。一方面基于DB構建的數據倉庫，計算及查詢效率難以滿足業務數據膨脹的大趨勢要求。解決這些問題，已經不是藏在“IT部門”的數據小分隊這一組織形式所能夠解決的。
2018年7月，阿里云總結了過去的成功經驗，在業界大力推出“數據中臺”解決方案，很好地解決了這些問題。奇點云提出的數據中臺架構與設計，其出發點是支撐復雜的、多系統的、數量巨大的、多應用場景的業務形態。在組織層面理順以下部門或團隊關系，來解決企業在組織落地戰略上的困惑：

①與傳統IT業務之間的關系：業務和計算分離，業務和數據分離
大數據業務應與業務系統解耦，采用T+1離線計算方法產出結果數據，不直接在業務系統上進行數據計算，實現了業務和計算的分離、業務和數據的分離。

大數據部門的工作起點是滿足多種計算場景的需求。支持大數據計算，結合了多種計算引擎，針對不同的場景使用不同的計算引擎，如離線計算引擎、實時計算引擎、多維分析引擎、即席查詢引擎、實時搜索引擎。

②與業務部門的關系：站在企業視角打通數據，支撐業務部門用數據
支持各種異構數據源打通，提供了一套基于reader和writer的抽象化數據抽取插件，除了提供系統自帶的插件外，還支持自定義實現reader和writer插件，通過公共的管道，實現結構化和非結構化數據的互相傳輸，統一技術框架。

支持業務部門的高并發多場景的實時查詢，數據中臺集成了基于分布式的KV查詢框架，可以支持海量級別的查詢請求，并且響應時間可以控制在毫秒級別。
支持多場景的數據服務，靈活快速支撐業務需求，向導和自定義雙模式快速生成API，實時監控API調用情況。
面向業務部門，為業務部門的數據分析、開發提供培訓和技術支持。

③與合作伙伴的關系：找到數據部門的核心能力
應該深入業務，影響業務效率。數據模型融合離散的業務數據，可借助數據中臺快速構建數據模型，建立全方位的數據視角，消滅信息孤島和數據差異，靈活支撐業務的變動。