中台是一种体系/生态/方法论，有标准和机制，解决顶层领域下各业务子域的高效协同和资源复用问题。中台建设强调企业级，IT部门与业务部门协同建设，各部门、各业务域是中台能力的使用方，同时也是中台能力的重要提供方。目前网上比较主流的中台定义和分类有如下三种:
业务中台: 指微服务业务平台，像常见交易中台、订单中心、营销中心。
数据中台: 通过数据技术，对海量数据进行采集、计算、存储、加工，同时统一标准和口径。
技术中台: 如微服务框架、Devops平台、容器之类。
业务中台
Business Middle Platform
业务中台是企业实现各业务板块之间链接和协同，持续提升业务创新效率，确保关键业务链路的稳定高效和经济性兼顾的思想体系。业务中台的目的是“提供企业能够快速，低成本创新的能力”。
业务中台的核心是“构建企业共享服务中心”。业务中台的过程是通过业务板块之间的链接和协同，持续提升业务创新效率，确保关键业务链路的稳定高效和经济性兼顾的思想体系，并突出组织和业务机制。
业务中台也包含技术和组织两大部分，通过“方法 + 工具 + 业务理解”加以实现。业务中台通过一个统一的管理平台，统一管理企业内的各种管理系统，从而避免出现数据孤岛。同时实现企业不同地域的系统之间的互联互通，实现跨地域的全球信息同步。
对外，通过标准的协议接口，集成企业外部的系统，来实现和外部异构系统之间的互联互通，实现上下游资源一体化。再添加权限控制、流程流转和统计分析等，最终形成一个有关联的，整体的数据系统。
为企业提供有价值的数字运营支撑建议。业务中台恰好实现了“将数字技术集成到企业的所有领域，从而对企业的运营方式以及如何为客户创造价值进行根本性改变”这个目标。
(阿里业务中台架构)
(电商业务通用中台架构)
(滴滴业务中台架构)
(有赞财务业务中台架构)
业务中台是为业务服务的，各业务中心要了解和掌握你所支撑的业务具体情况是什么样子，对业务知识和流程要有深刻的认识。企业建设业务中台不应该完全从IT技术层面考虑，需要从技术、业务、组织和运营多个维度协同推进，而不单单是IT系统的一个维度。
CIO们不能听信于厂商吹得天花乱坠，没有实际调研过的与业务碰撞过的方案一定不是最适合的方案。业务中台化不会有一套拿来改改就能用的方案，必须具体情况具体分析，中台化的过程不出意外一定是痛苦和艰难的。
数据中台
Data Middle Platform
在业务中台构建完成后，考虑到后续端到端流程监控分析，大数据分析的需求才会涉及到数据中台的构建。当然数据中台本身也为上层应用提供各种数据服务能力。数据是从业务系统产生的，而业务系统也需要数据分析的结果，那么是否可以把业务系统的数据存储和计算能力抽离，由单独的数据处理平台提供存储和计算能力？这个专用的数据处理平台即数据中台。
数据中台是一个用技术连接大数据计算存储能力，用业务连接数据应用场景能力的平台。“连接能力”是数据中台的精髓。作为一个处在中间层的能力平台，“连接”是其根本任务。在业务层面需要尽可能连接各种数据源作为其生产资料。
同时，由于生产数据的场景越来越多，覆盖了线上线下等多渠道，各数据生产资料之间也需要进行连接，才能形成全域的数据；数据在数据中台这个平台上按照标准的模型进行规范加工处理后需要服务于多种场景，同样需要我们提供标准的数据服务接口将数据与应用场景连接起来。
连接是数据中台的根本能力，也是数据中台的价值所在。数据中台通过数据技术，对海量数据进行采集、计算、存储、加工，同时统一标准和口径。数据中台把数据统一之后，会形成标准数据，再进行存储，形成大数据资产层，进而为客户提供高效服务。这些服务跟企业的业务有较强关联性，是这个企业独有且能复用的。
(网易云数据中台架构)
(菜鸟数据中台架构)
数据中台建设的基础还是数据仓库和数据中心，并且在数仓模型的设计上也是一脉传承。数据中台一般包括了数据模型和数据资产管理，数据服务开放，上层的数据类应用和标签管理等。
围绕“规划、治理、整合、共享”四步，将企业海量、多维的数据资产盘点、整合、分析、确保整个公司数据一致性和可复用性，为前台提供数据资产、数据定制创新、数据监测与数据分析等服务，最终实现数据资产的价值最大化。
在具体建设策略方面，企业应基于自身的业务战略，选择明确数据资产对象，由业务或应用（需求）驱动，若没有实际的应用场景或没有足够的客户群体，不建议建数据中台。
AI中台
AI Middle Platform
将数据中台外面套着的几层能力抽象剥离出来，整合形成一个独立的中台层，依托数据中台进行一定的协作，共同应对前台的智能化业务需求。数据中台主要集成数据挖掘、数据洞察智能算法和模型；AI中台主要承担复杂的学习预测类智能需求研发。这一中台我们称之为“AI中台”。
数据中台提供基本能力，包括数据标准化、数据实体化、数据服务统一化等；还支持部分数据处理的智能需求，包括智能数据模型、关联分析、主成分分析、异常点分析等。数据中台主要承担数据探索的职责。
AI中台提供模型设计训练、模型/算法库、复用标注管理、监控服务等一系列相关AI紧耦合的能力支持。AI中台从事的是学习预测的任务。
为了确保AI中台中的所有模型和服务都能组合使用，AI中台需要为所有AI模型和服务能互通、互助、并行应用提供一些基础的支撑。
人工智能从研究领域进入到实用领域的步伐越来越快，越来越多的场景可以并需要实用人工智能技术提高效益。在AI的实用化阶段，需要解决AI技术如何与业务场景更好结合，如何减少重复投资、降低成本使投入产出比更高的问题。
AI中台不是一个孤立的平台，而是整体信息化建设的一部分，必要要能与基础平台、业务系统很好的融合。只有做好与原有业务系统的对接，才能使AI能力更好的助力于业务智能化。
技术中台
Tech Middle Platform
云技术正在迅速取代传统的IT架构，尤其基于容器、微服务为核心的PaaS平台的成熟和普及，为IT系统的构建和运维，提供了全新的模式和效能。为了提升IT对业务需求的响应度，快速响应需求变化，实现新业务的上线应用，IT需要基于敏捷迭代的方式进行系统建设，支持业务用户自建简易系统，降低业务试错成本。
同时整合企业内外部各类IT能力、资产和数据，使得更为复杂、新型的业务模式创新在IT层面得以支持。IT部门也需要中台化思维，以业务运营视角进行IT解决方案的设计与系统建设，实现未来的业务重用实现服务与数据的中台沉淀。
（云端技术栈）
（DevOps 研发交付运维一体化）
（ 研发组件化）
（ 研发标准化）
（技术中台整体架构）
中台最重要的作用就是减少资源的复用，通过一个个微服务快速完成前台（即业务部门）的需求，从而提高企业对⽤户的响应⼒，帮助前台完成规模化创新。当业务线变多且越来越复杂，前台与后台之间的“技术债”会随之变多，重复造轮子与沟通成本太高的现象会增多，通过技术中台可以一定程度上来解决这个问题。
但如果「技术中台」做得太多，资源投入就会很大，无法形成正向的利益传导；如果「技术中台」做得太少，又无法深入理解业务，导致适配方案落地性变差，渐渐失去价值。
建议
建设中台是一项耗时耗力耗钱的大工程。中台架构的实施落地推荐从易到难逐步实施，从最简单的资源中台开始，到技术中台、数据中台->业务中台->组织中台，最终完成企业架构的中台化。
很多传统企业内部往往存在多种管理系统，部门间数据孤岛的问题很严重，缺乏治理，有时甚至连最基本的用户账号统一都没有打通。这也就意味着，一个项目往往要同所有部门梳理业务、统一接入数据，打通难度可想而知，投入产出问题还需企业审慎考虑。
