你的数据市场需要的是理解
而不仅仅是数据集

摘要


数据产品若只由数据集、表和字段定义,只是换了一种方式打包数据。真正的价值在于它能让企业理解什么、决定什么、采取什么行动。因此,数据产品应从成果、KPI、行动和决策倒推设计,并打包数据、语义、关系、质量、治理和上下文。AI 和智能体时代,消费者需要的不只是数据访问,而是可复用、受治理的业务理解。数据市场也应从“数据集市场”升级为“理解市场”,让客户留存、供应商风险、理赔评估等场景的理解可被发现和复用。复用能减少重复集成与解释成本,是企业 AI 规模化经济落地的关键。产品发布不是终点,持续对业务成果负责。Denodo 平台可跨分布式企业信息构建受治理、可复用的数据产品,并以共享语义和 Active Context 丰富,供人、应用和 AI 消费。

01 从数据到理解

将数据视为产品的理念,已经让企业数据对话朝着更好的方向改变。企业不再仅仅把数据看作由系统产生、通过管道流动的东西,而是越来越多地思考:如何让需要信息的人能够发现、信任并复用这些信息。数据市场进一步扩展了这一理念,可复用的数据产品可以在整个企业内发布和消费,而不必让每个团队都去寻找数据、协商访问权限,并从零重建集成。
这是一个很有吸引力的模式,但当组织拥抱数据产品时,一个重要问题有被遗失的风险:这个产品究竟是为了什么?因为如果数据产品主要由它所包含的数据集、表或属性来定义,我们可能只是创造了一种更好的数据打包方式。
真正的机会要大得多。
02产品应由它能赋能什么 来定义

想一想我们通常如何看待产品,我们不会用底层数据库表来定义一个业务应用,而是用它帮助某人完成的工作来定义它,同样的原则应越来越多地适用于数据产品。
一个客户数据产品不应仅仅因为包含客户数据就有价值,它的价值来自人们能够借助它可靠地理解、决定或完成什么。它能否帮助服务团队理解完整的客户关系?能否帮助 AI 智能体确定合适的下一步行动?能否帮助银行评估风险?能否帮助保险公司理解风险敞口?能否帮助零售商个性化互动?
这改变了设计问题:从“这个产品应包含哪些数据?”变成“这个产品应赋能哪些决策和成果——以及支持这些决策和成果需要什么信息和上下文?”这听起来可能只是一个细微差别,但在架构上,这是一个重大差别。
03 数据产品可能变成另一项供给侧工程

许多企业数据管理都从供给开始,我们有这些数据,应该如何集成?应该存储在哪里?应该如何暴露?谁可能消费它?数据产品可能无意中继承同样的逻辑。
某个领域拥有若干有用的数据集,这些数据集被清洗、治理和记录。一个 API 或其他消费接口被创建,由此产生的产品被发布到目录或市场中。这当然比未管理的数据有所改进,但这并不能保证产品有用。
一个技术上出色的数据产品,仍可能让消费者追问:这些信息究竟意味着什么?它与其他信息如何关联?我该用哪个定义?它有多新?我能将它用于这个目的吗?适用哪些业务规则?在做决定前,我还需要哪些其他信息?
当消费者不再是可以手动解决这些问题的数据分析师时,这一点尤其重要。越来越多的消费者可能是应用程序、AI 系统或自主智能体,而这些消费者需要的,不只是打包良好的数据集。
04 AI 改变了可复用数据产品需要包含的内容

想象一个负责协助处理保险理赔的 AI 智能体,一个包含保单号、索赔人、索赔金额和状态的理赔数据产品,可能在技术上是可复用的。但它足以支持决策吗?该智能体可能还需要理解索赔人与保单之间的关系、事故发生时保单的覆盖范围、相关除外责任、以往相关索赔、当前欺诈指标、司法管辖区、来源、权限,以及规定该智能体被授权采取何种行动的规则。
这些要素可能并不都存在于同一个物理数据集中,有些可能来自其他领域、有些可能是语义定义、有些可能是政策或规则、有些可能反映当前运营状态,因此,有用的产品不只是一个数据包:它是一个可复用的、与决策相关的理解包。这提示了一个更宽泛的定义:数据产品 = 数据 + 语义 + 关系 + 质量 + 治理 + 上下文,并非每个产品都需要以同等程度包含每个要素。但原则很重要。产品应打包足够的含义和上下文,使其目标消费者能够恰当地使用它。
05 从成果开始,倒推设计

这为组织提供了一种不同的数据产品设计方式:不要从现有数据集开始,而要从期望的成果开始,然后倒推:成果 -> KPI -> 行动 -> 决策 -> 所需理解 -> 所需上下文 -> 数据产品 -> 来源。
假设一家制造商希望减少供应商风险造成的中断,目标不是构建一个供应商数据产品,目标可能是通过更早识别正在出现的供应商问题,来减少生产中断。这一成果需要特定决策:哪些供应商正在变得有风险,哪些零件和生产线会受到影响,是否存在替代供应商,以及何时需要干预。
这些决策需要特定的理解,而这种理解决定了产品需要提供的数据、关系、语义、来源和当前状态。现在,这个数据产品有了存在的理由,它的边界由它所赋能的成果决定,而不仅仅由产生其数据的系统决定。
06 市场应成为理解的市场

同样的论点改变了我们对数据市场的思考方式:一个包含数百个数据集的市场可能会改善发现。但发现只是复用的一部分。消费者仍然需要确定哪些数据集属于一起、它们意味着什么、定义是否兼容、哪些是权威的、适用哪些政策,以及这些信息与他们试图做出的决策有何关系。这可能只是转移了集成负担,而不是消除它。因此,未来的市场需要让可发现的不仅仅是数据,它应该让业务理解可复用。
想象一下,在市场中搜索的不只是“客户数据”,而是为支持客户留存、供应商风险、理赔评估、欺诈调查、资产绩效、公民资格或收入预测而设计的可信信息产品。产品仍然可以暴露其底层数据和技术接口,但它的组织原则变成了它所支持的业务场景,这是一种强大得多的复用形式。
07 复用才是经济性变得有趣的地方

这也改变了企业数据的经济学。每当一个新用例要求团队回到源系统、理解定义、重建集成、协调语义并重新创建治理时,组织都在为它实际上已经做过的工作反复付费。这会拖慢传统分析。
当组织想要部署数十或数百个 AI 应用和智能体时,这会变成一个大得多的问题。如果每个 AI 用例都需要一个新的定制化数据集成项目,企业级 AI 将难以在经济上实现规模化。
可复用的数据产品提供了一种不同模式:将受治理的理解构建一次,让它可发现。在分析、应用、AI 系统、智能体和业务流程中复用它;然后随着新需求出现而改进它。因此,产品的经济价值并不只是生产它的成本。它部分来自每当有人需要相同业务理解时,不再需要重复进行的集成和解释工作。
08 复用并不需要把所有东西再复制一份

还有另一个重要的架构含义,将信息打包为产品,并不一定需要物理上整合每一份底层数据。
如果相关信息仍然分布在云平台、数据库、SaaS 应用、API 和外部来源中,逻辑数据产品可以在不需要另一份完整物理副本的情况下,为这些信息提供受治理的消费层。
当信息频繁变化、跨越组织边界,或已经存在于企业有充分理由保留的平台中时,这一点尤其有价值。
因此,产品由它向消费者提供的体验和理解来定义,而不是由每一个底层字节是否都位于同一地点来定义。这是 Denodo 角色的重要组成部分。Denodo 平台可以帮助组织跨分布式企业信息创建受治理、可复用的数据产品,用共享语义和 Active Context(主动上下文)加以丰富,并让这些产品可被发现,以供人员、应用和 AI 消费。目标不是为数据再建一个目的地。而是一个可复用的企业理解层。
09 数据产品的所有权需要延伸到发布之后

以成果为导向的数据产品定义,也改变了所有权的含义,将产品发布到市场不能是终点线。
如果产品存在的目的是支持某项业务决策或成果,那么就需要有人持续负责它是否仍在完成这项工作。定义仍然正确吗?来源仍然权威吗?信息足够新吗?政策是否变化?消费者是否正在将该产品用于它并非为之设计的目的?是否需要新来源?产品是否真的被复用?而且最重要的是:它是否正在为它被创建来支持的决策和成果做出贡献?
这些问题将产品管理从数据管家职责推进到持续的业务价值。正是在这里,与真实产品的类比变得更有意义。
10 衡量数据产品的标准不是它包含多少数据

数据产品运动创造了一个重要机会,让企业信息更容易被发现、治理和复用,但组织应避免把市场变成另一份清单:已发布的数据产品数量不是成果;已编目的数据集数量不是成果:甚至消费者数量也只是中间指标。
更具决定性问题是:因为有了这个产品,组织现在能够理解什么、决定什么或做什么——而这种能力又能被复用多少次?这是一个高得多的标准,它也赋予数据产品在企业级 AI 时代更清晰的角色。
AI 不仅仅需要访问数据,它需要的是对其预期运作的业务情境的可复用、受治理的表示:一个能够提供这些表示的数据市场,不再只是数据管理上的便利。
它成为企业共享理解基础设施的一部分,而这可能最终是数据产品的真正承诺:不是打包更多数据,而是打包足够的理解,让更好的成果可复用。
“因为有了这个产品,组织现在能够理解什么、决定什么或做什么——而这种能力又能被复用多少次?”