大数据治理平台

Ⅰ 目前主流的数据治理平台有那些。

目前国内外能称得上数据治理平台的不多，基本上都是主数据管理平台，只不过都改个名字为数据治理平台，真正数据治理的概念可以参考dama的《数据管理知识体系指南》内容。在这个行业，国内厂商主要有四个来源，物资编码管理厂商（2010年前入行，最早也最普及）、PDM厂商（基本是大BOM的概念，较晚）、ERP厂商（最晚，但是也属于编码管理的延续）和其他后续（2015年后）入行的。国外厂商主要来源有三个，客户主数据厂商（sap、orcale、IBM、informatica）、PDM厂商（达索、Stibo）、开源主数据厂商（Talend）。
国内第一家做主数据管理平台的是一家叫中翰软件的公司，2010年发布的自主产权MDM平台，2013年最早开启数据治理概念，并于2014年试水发布了基于静态数据中心管理的数据治理平台，2018年发布了数据管控平台和数据评估监测平台。

Ⅱ 国内哪个数据治理管理平台性能最好最快希望大家推荐一下，感谢！

国内哪个数据治理管理平台性能最好最快？希望大家推荐一下，感谢

如今，不少企业都想拥有属于自己企业或产品的手机APP，但其中最困扰企业主的问题就是：开发一款手机APP到底需要多少钱？

简单点来说，要视手机APP的需求及质量而言，价位一般在几千到十几万左右，更高端的价格更高。

定制款：定制款是指APP的功能全部重新开发，过程比较繁琐，需要美工、策划、APP开发（前台/客户端/手机端）、后台程序员等工种协同完成，大型的、功能复杂的APP甚至需要数十人的团队。

由于APP的功能和设计都是定制的，因此价格会高些。定制款的开发时间与开发价格是成正比的，开发时间长，大约在两三个月甚至不定的周期里才能完成，而费用大概在几万甚至十几万左右。

因此，想要知道开发一款手机APP需要花费多少钱，企业主首先必须把APP的详细需求和功能告知APP开发公司，开发公司才能报出一个合理的价格。

二、手机APP平台不同，制作成本也不一样

现在市面上流行的手机APP制作平台主要有两种一般包括两种系统：安卓系统（Android）和苹果系统（IOS）。

一般来说，制作苹果系统的手机APP软件费用要比安卓平台的贵一些，因为苹果公司对苹果平台的封闭性和手机APP开发语言Objective-C的难度，都让APP开发者加大了苹果系统手机APP开发的难度。

三、APP制作成本包含参与人员的工资

通常情况下，开发一款APP需要产品经理、客户端工程师、后端工程师和UI设计师各一名，这已经是制作手机APP应用软件比较精简的配置了，所以这些参与人员的工资也是包含在APP制作成本当中的。这些工作人员的月薪加起来可能都会超过4、5万元。

四、APP开发公司的所在地

需要注意的是，同样实力的APP开发公司，在不同的城市也会导致APP的成本费用高一些，如在北京、深圳和上海等地的开发公司开发成本费用就会比较高，因为当地开发人员的薪资和其他支出相对更高。

Ⅲ 数据治理到底在哪里治对企业来说重要吗有哪些可以进行数据处理的平台

业来说重要吗？有哪些可以进行数据处理

Ⅳ 大数据治理平台——维度管理

苏宁八大产业,每个产业有自己的数据集市,每个数据集市有自己的维度表，没有统一的维度管理(包括管理规范和系统支撑)。业务痛点包含以下几个方面：

建立统一的维度管理系统，实现对维度信息的统一管控，并为集团的数据产品提供统一的维度数据服务，包含维度开发管理，维度信息管理及维度数据服务三个方面。

维度数据

如上图所示，ETL将采集的数据，进行数据清洗之后存储到维度数据仓库（磐石）中，维度系统再将维度数据仓库中的数据同步达到维度库系统。

维度数据存储方式：维度数据一般以一百万的数据量作为分割点，一百万以上数据量的维度采用的存储是HBASE，一百万以下的数据采用的存储是MYSQL。

维度数据同步方式：存储到HBASE的维度数据采用的是BULKLOAD导入，存储到MYSQL的维度数据采用的是SPARKSQL+RDD写入。针对数据同步腊橡都已经实现通过页面配置任务的方式一键同步，节省人工。

为什么采用这种存储方式？

1， 针对数据量的大小采用不同的存储引擎，节约存储资源，提高维度服务的稳定性。

2， 实时指标的计算：OALP需要关联维度表和事实表做指标数据加速（实时计算指标数据）。这种需要实时的查询维度表的所有维度属性，调用量非常庞大，所以采用了直接查询HBASE的方式。

3， 维度需要提供基于维度值ID查询维度值名称的服务(包括批量精确查询和模糊查询)，HBASE在精确查询上性能较高。MYSQL由于数据量不大，可以再加一层分布式缓存，提高精确查询维度值的性能。

维度建模

1， 选择业务过程

根据业务场景以及可用数据源

2， 声明粒度

根据事实表及应用场景，确定汇总粒度，一般尽可能的用最细粒度

3， 确定维度

根据确定的粒度，定义对应的维度，最细粒度，也是最低层次的维度

4， 确定事实

确认将哪些事实放到事实表中，维度表只是做关联，不做维度数据的查询服务。

维度定义

1. 当增加新的维度时，编码号将在已用号码的基础上递增，四位十进制编码号不能满足需求时，可增加编码号长度为五位十进制数，以此类推。

2. 当删除已有的维度时，其编码号将不再利用。

3. 当修改已有的维度时，其编码号不变。

4. 当拆分已有的维度或合并两个及两个以上的维度时（数据应用场景需要），其编码号的使用原则按照删除原维度，并新增拆分/合并后的维度执行。

维度管理

维度：目前维度平台支持快速定义维度,通过设置维度的基本信息，选择维度映射的维度表，做好维度与维度表的映射，设定维度的一些特性（布尔维度，时间维度，杂项维度等），检测维度的定义结果。达到了让业务人员能够只是通过页面操作就可以制定需要的维度。

维度表：数据开发人员可以通过维度库平台定义维度表，定义好之后可以集成数据仓库的同步任务一键将仓库的数据同步到维度表中，将维度表与维度做映射关系。

维度层级：维度库平台支持定义维度层级，只要是维度库平台上有的维度表并且做好维度与维度的映射关系之后，就可以定义需要的维度层级，根据维度层级提供维度值的上卷下钻查询服务。

维度血缘：提供了维度，指标，报表的血缘关系，以及迅局历还准备做的维度数据的血缘，维度，指标，报表调用次数的血缘等等。

维度服务

1. 维度服务调用申请：

调用维度服务，需要在维度库管理系统中申请调用权限。等维度管理系统授权之后，生成维度服务调用授权码，在调用维度服务的时候带上维度服务调用授权码，维度服务会根据授权码判定是否有访问权限。

2. 维度系统提供的服务：

1,对存储在HBASE的维度表，我们又加了一层存储到ELASTICSEARCH（提供维度值的模糊查询服务）

2，针对负载较高的HBASE表，加了一层本地缓存，解决热点问题亩搜。

3，对存储在MYSQL的维度表，我们又加了一层存储到分布式缓存ZEDIS（提供维度值精确查询服务）。提供了定时或者手动刷新缓存数据的功能，以及缓存数据的监控机制。

监控分析

由于维度服务的调用量是亿万级别的，系统的监控统计，采用的是Log4j+kafka+druid的架构，如下图所示，应用将调用日志采用log4j- KafkaLog4jAppender写入kafka中，再将kafka与druid集成，准实时的输入druid中，业务基于druid做统计分析，查看维度服务调用成功或失败的情况。

除了维度服务的调用监控，平台还有针对维度值的数据量监控（主要监控暴增或者突然没有维度数据的情况），维度值数据质量的监控（根据维度表和事实表做数据比对，分析维度值数据的差异情况）。维度数据同步任务的监控（每个维度表的数据同步情况监控，异常告警到具体的任务负责人）。通过各种有效的监控手段，来提升维度服务的稳定性和准确性。

1. 未来平台会更加的完善,会有越来越多的维度在平台上建设,提供更加稳定和高效的维度查询服务。

2. 能够支持更多个性化的维度，能够支持维度的数据版本（例如过去一段时间的维度值），支撑全集团所有数据产品的维度调用服务，将平台打造成苏宁主数据服务的航空母舰。

3. 通过维度数据资产体系的建立，实现集团一切业务数据化，连接打通数据孤岛，驱动一切数据业务化，助力企业数字化转型，让数据做到真正意义上的产生价值。

4. 通过提供各种维度数据支持数据产品及各类应用产品，帮助各岗位用户在日常经营决策中做出正确决策。

目前平台的现状及以后的规划

1， 完善系统监控功能点：缓存任务较多，没有有效的监控，告警机制。

2， 完善业务监控功能点：数据量监控，数据异常监控，告警功能

3， 落地维度新增、变更、下线全流程审核管理功能.

4， 完善应用层的维度、指标、报表数据链路的血缘分析图谱，全方位透析资产，

5， 打通全链路维度变更通知的消息机制，降低数据链路变更带来的风险，

6， 多系统用户资源隔离、限流，保障多个部门在使用和体验上的一致性，

7， 支持用户自定义维度、完善个人工作台，基于通用维度进行维度的衍生，

8， 维度门户的建设，将业务端和管理端进行隔离，提升用户体验

Ⅳ 用大数据打造“三共”社会治理格局

用大数据打造“三共”社会治理格局
近些年来，社会变迁使得我国社会治理创新面临多重挑战，大数据思维可以促进整体性治理、精准化治理和参与式治理，提升我国社会治理的水平。我国各级政府的治理手段越来越依靠以云端存储为载体的大数据平台，民众生活也越来越依赖以大数据分析为基础的智慧化终端，大数据平台的建构越来越成为社会治理必不可少的一环。政府要不断增强大数据在创新社会治理方面的优越性，通过建构多种模式的大数据社会治理平台加以实现。
其一，需求导向模式。即从“用户”出发来构建大数据治理平台，“用户”即普通民众。十九大报告指出，中国特色社会主义进入新时代，我国社会主要矛盾已经转化为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾。百姓美好生活需求是什么、民众的痛点在哪里，成为大数据参与社会治理的前提。获取“用户”需求，仍需要诸如智库等第三方社会主体通过科学的方法来收集，并长期跟踪获得不断变化的需求，为大数据社会平台提供准确的需求信息。获知用户需求后，政府和市场联手搭建大数据社会治理平台，开发符合民众需求的产品和服务。
其二，政绩评估模式。在当前我国行政体制的运转模式下，社会治理的绩效在相当程度上应体现为政府绩效，要杜绝“唯GDP论”的考核方式，将大数据平台的搭建纳入干部考核范围，敦促政府寻求建立科学、高效、易用的大数据平台。目前较为流行的是BOO（Building-Owning-Operation）模式，即各级政府根据当地情况提出建设要求，大数据公司依托专业技术完成平台设计，社会主体按照实际需求进行运营评估。在这种模式下，政府不投入人力、不干预运营、不主导评估、不获得产品所有权，仅需为交付的产品买单而获得使用权，不仅节省人力物力，而且让专业人员运营平台更保证了数据的真实性。
其三，市场运营模式。构建大数据平台是一个共建共治共享的工程，它的建设成败在于社会是否有活力，市场是否有热情。在市场运营模式中，政府和社会主体分别提出需求，通过大数据公司的市场化创建与运营，调动市场主体的积极性，促进供需方进行公平交易，为顶层制度设计和基层社会治理提供保证，实现收支平衡的大数据平台常态化运转。例如目前走在互联网技术创新前沿的BAT（网络、阿里巴巴、腾讯）等大型互联网企业正立足既有资源再创新，利用企业自身力量推出大数据的治理平台，推动政务服务便利化。
目前我国大数据推动社会治理创新还刚刚起步，对社会治理创新未能发挥真正的引导作用。而大数据的开放精准运用，必定会将社会引向共治共享。这需要突破以下瓶颈：
打破“数据孤岛”，完善大数据基础建设，由政府、市场和社会多主体共建大数据治理平台。由于收集技术和制度体系不健全，我国目前政府数据的调查、编码和存储的科学程度并不高；政府部门条块分割，形成“数据孤岛”，许多政府公共信息仍处于零散、分割、封闭状态；政府主导建立大数据治理平台缺乏其他主体参与，完全依靠政府力量往往难以完成或者效率不高。此外，大数据前提是统一、连接和共享。政府部门之间要摒弃“地方保护主义”和“自我保护主义”，通过规范政府数据采集的标准、建设统一的政府大数据中心，推进公共数据开放和基础数据资源跨部门、跨区域共享，优先推动信用、交通、医疗、卫生、就业等领域数据向社会开放。除了打通政府各个部门和条块，还需要政府、市场及社会的共同参与构建大数据治理平台。目前以BAT为代表的互联网巨头成为收集大数据的先头兵。社会民众也在生产大量数据，如社区居民通过互联网互动就是大数据的生成过程。因此要推动政府、企业和社会信息资源共建共享和开发利用，形成优势互补、多元参与、开放竞争的发展格局。
运用大数据思维，深入挖掘大数据，多方低成本使用此平台的大数据库及分析成果推进社会治理。“大数据”真实价值隐藏于各种各样、毫无规则的数据之下，要发掘数据背后的价值并真正加以利用，才是大数据推动社会治理创新的关键。建立大数据社会治理平台仍是第一步，不解决好应用和服务的问题，重金打造的开放大数据平台很容易“空心化”，难以对社会治理和社会福祉产生应有的支持。从大数据社会治理平台上，政府、市场和社会等各类社会治理主体可以低成本地通过获取、存储、管理、分析等手段，将具有海量规模的大数据变成活数据，并广泛应用于社会治理领域，服务不同社会群体。
全面提升共享意识，助力治理能力升级，引导由此形成的福利增值和精神归属。大数据的平等、开放和共享，与社会治理共享共融的本质有共通之处，政府利用大数据的契机，在全社会形成共享的精神：引导各类社会主体整合和开放数据，形成政府信息与社会信息交互融合的大数据治理平台，构建民主开放的社会氛围；引导基层民众参与社会协商、社区自治，促进政府与社会之间的协同和合作；引导社会和民众尊重规则、秩序、信用等，培育全社会的公共文明和契约精神

Ⅵ 数据治理有哪些好的平台工具

国内的数据治理工具平台有睿治数据治理平台

功能描述：睿治智能数据治理平台由亿信华辰自主研发，融合元数据管理、数据标准管理、数据质量管理、数据集成管理、主数据管理、数据交换管理、数据资产管理、数据安全管理、数据生命周期管理九大产品模块，各产品模块可独立或任意组合使用，打通数据治理各个环节，可快速满足政府、企业用户各类不同的数据治理场景。

国外的数据治理工具平台有：

Alation

平台：ASG Technologies

描述： Alation为广泛的数据智能解决方案提供了一个平台，包括数据搜索和发现，数据治理，数据管理，分析和数字转换。该产品具有行为分析引擎，内置的协作功能和开放的界面。Alation还可以分析数据并监视使用情况，以确保用户对数据准确性有准确的了解。该平台还可以洞察用户如何从原始数据创建和共享信息。

ASG技术

平台： ASG企业数据智能

描述： ASG Technologies提供了一个数据智能平台，可以发现来自220多个传统和大数据源的数据。该工具具有通过模式匹配，参考数据集成和丰富指标进行自动数据标记的功能。自动化业务流水线使用户可以更好地了解他们的数据，并且治理功能包括在数据湖和传统来源中跟踪数据的能力。ASG的EDI产品提供了令人印象深刻的功能组合，其中的参考客户称赞供应商对各种业务用例的支持。

Ⅶ 如何推进大数据平台建设

随着信息技术的飞速发展，各领域的数据量都在爆发式增长，尤其在云计算、物联网、移动互联网等技术得到广泛应用之后，数据的增长实现了从量变到质变的转型，大数据如浪潮般席卷而来，人类社会进入大数据时代。大数据不仅仅只是一次颠覆性的技术革命，更是一场思维方式、行为模式与治理理念的全方位变革，尤其在政府治理领域，大数据带来了巨大的变革潜力和创新空间。在“全面深化改革，推进国家治理体系和治理能力现代化”的时代背景下，应充分重视大数据在政府治理中的重要价值，牢牢抓住大数据为政府治理提供的创新机遇，切实提高各级政府部门的治理能力。
一、大数据为政府治理理念转型带来新机遇
治理理念的转型是提升政府治理能力的前提，理念的转型需要新文化、新思维的融入，大数据所蕴含的数据文化与数据思维恰好可以为治理理念转型提供突破口，基于大数据探索政府治理的多元、多层、多角度特征，最终实现以政府为主体的政府管制理念向以协同共治、公共服务为导向的政府治理理念的转型。在大数据时代，政府治理的依据不再是个人经验和长官意志，而是实实在在的数据，在过去深入群众、实地调研考察的基础上，系统采集的客观数据和实证分析的科学结果将成为最为重要的政府决策依据。“尊重事实、推崇理性、强调精确”的特征和“用数据说话、用数据决策、用数据管理、用数据创新”的理念将成为政府治理理念转型的核心要义。
二、大数据为政府治理模式创新带来新机遇
大数据通过把数学算法运用于海量数据，从数据中寻找相关关系，通过这种相关性预测事情发生的可能性，这是大数据方法论的核心思想。此外，依托于大数据技术和平台，通过外包、众包等灵活的组织方式，可以推动政府治理的组织架构从科层、分割、封闭向开放、协同、合作转型，因此把大数据的方法和手段引入到政府治理领域，是实现政府治理模式创新的有效路径。基于上述方法论，大数据为政府治理模式创新带来的新机遇主要包括：从粗放式管理到精细化治理、从单兵作战型管理到协作共享型治理、从被动响应型管理到主动预见型治理、从电子政务管理到政府2.0治理、从风险隐蔽型管理到风险防范型治理，最终实现全面数据驱动的治理模式创新。
三、大数据为政府决策科学化带来新机遇
随着公共事务的日益复杂，仅凭个人感知已经很难全面了解所有正在发生的事情并做出正确判断，政府部门想要提高决策的科学性，就需要把大数据思维与技术运用到政府治理与决策中，依靠大规模数据的收集来直观呈现经济社会运行规律，通过相应的数据挖掘来辅助政府部门进行科学决策。大数据为政府决策科学化带来的机遇主要体现在两个方面：首先，在决策的制定阶段，大数据背景下，政府决策不再是个别领导干部“拍脑袋”做出的，而是通过“用数据说话”，让听得见炮火的人（数据）做出决策，这样的政府决策是在对客观数据进行科学分析、充分了解客观现实的基础上做出的，这样大大提高了决策的精准性、适用性和科学化水平；其次，在决策实施效果的跟踪反馈阶段，通过物联网和社交网络的普及，大量的客观数据能够快速汇集给决策者，通过这些数据对决策的实施过程和效果进行实时监控，能够更全面地掌握决策的实施效果和下一步的改进方向。
四、大数据为政府服务效能提升带来新机遇
提升政府服务效能是政府治理能力提升的重要支撑，也是大数据背景下服务型政府建设的关键所在，在政府治理的范畴下，提升政府服务效能主要包括政府部门行政审批的效率提升和公共服务产品的质量提高两个方面。在提升行政审批效率方面，大数据可以打通各个政府部门的信息孤岛，打破各部门数据的条块分割，通过构建统一的政府行政审批云平台，让数据为老百姓“跑腿办事”，省去了“跑断腿、磨破嘴，办事跑十几个部门，盖几十个公章”的苦恼和无奈，这样既提高了行政审批效率，又节约了政府开支。在提高公共服务产品质量方面，大数据通过对公共服务产品数据和服务对象数据的挖掘、分析，提升公共服务产品供给的精准化、分层化、个性化；通过公共数据的开放和兼容，让公众参与到公共服务产品设计、提供和监督等各个环节，实现公共服务产品质量的提高。

Ⅷ 从大数据平台到数据治理，智慧医院大数据何去何从

背景：上周看了阿里章剑锋写的一篇大数据文章，加上对健康医疗大数据相关政策的分析，想就医院大数据的建设说几点看法，毕竟国家健康大数据战略下智慧医院大数据是必然先驱，有大数据抱负的医院信息科大部分还在摸着石头找过河的路，而其他行业的经验还是很有借鉴意义的。

2019年6月，中国卫生信息与健康医疗大数据学会会长金小桃（中国卫生信息学会会长）在6月20日的2019(14th)中国卫生信息技术/健康医疗大数据应用交流大会上发布《新一代医院数据中心建设指南》（尽管找遍网络都没找到这个指南，可能还在整理中...）

而基本同一时间，国家卫健委统计信息中心初版了《医院数据治理框架、技术与实现》，对“医院大数据”明确为“医院数据”，这也是我一直在解释的名词，正符合大数据的正确引导和深度理解。

2019年的厦门CHIME，中国医院协会信息专业委员会发布了《医疗机构医疗大数据平台建设指南（征求意见稿）》。在结合2015年以来的每年一批的健康医疗大数据国家战略政策指导，大数据国家战略的决心和国家支持引导的力度可见一斑，而医院侧信息化的现阶段热点就是医院信息平台，信息平台的热方向就是医院大数据和人工智能，当然这脱离不了首先建设完备的医院信息化系统。我们再来看一个政策：

2018年4月，国家卫生健康委员会规划与信息司发布了《全国医院信息化建设标准与规范（试行）》。它是在2016年《医院信息平台应用功能指引》和2017年《医院信息建设应用技术指引（试行）》基础上，形成的较为完整的医院信息系统体系框架。在《医院信息平台应用功能指引》明确医院信息化功能和在《医院信息化建设应用技术指引》上明确了医院信息化技术。看医院信息化完整地图，云计算、大数据、物联网以及传统信息化支撑的是金字塔顶端的人工智能，最近几年AI大数据经常被一起称呼，不可能脱离信息化基础和大数据基础去建设AI的空中楼阁。所以大数据和AI找同一厂家（或者同一生态圈）建设会是最好的选择，毕竟做AI的一定先做数据，但是做数据的却不一定做得好AI，看市场上那么多数据搬运工公司就清楚了，这也是造成医院大数据前期建设重数量轻质量的主要原因。

再来看大数据的宏观发展环境，从2009年闪亮登场到2015年泡沫顶峰，已经迈过了甘特曲线的2个关键节点，现在正处于稳步发展。

大数据技术的2个维度是我觉得章剑锋最深刻的大数据概念解析，垂直的技术栈维度和水平的数据流维度，也就是垂直的平台+应用，水平的数据处理。何为大数据？这一轮数据到大数据的概念，水平维度的数据处理理论正式出现已经30年了并没有大变化（这个维度数据大数据都应该称为数据处理），而聚变的是技术栈维度：hadoop、spark、storm、flink等等，但是闪亮的hadoop不也在没落么，因为技术为业务而生，符合业务需求的才是最合理的技术。而医院大数据建设出的第二个比较大的问题就是追求新技术典型如hadoop，就医院数据体量和应用需求，hadoop真不是最佳实践，而繁杂的运维和庞大高昂的资源硬件成本可能是压垮信心的根本原因。

再来看医院大数据上云，尽管很多人觉得国内是数据隐私和数据安全比较宽松的环境，但是医院数据侧一直都比较谨慎。虽然最近国内出了政策，允许医院将患者数据对患者开发，但是把医院数据放在厂家提供的云上，对于大型三甲医院目前依然不现实。医院除了诊疗水平，最重要的资产就是医院数据，医院数据又比较敏感，医院本身是要遵从严格监管的，所以按照当前形势，更适合医院的还是数据在医院（很多医院通过免费大数据战略合作协议让医院数据上医某云）。

还是回到大数据平台，伴随着大数据概念火热，hadoop缺在逐步没落，就大数据技术栈本身，不存在hadoop架构和oracle架构的选择（在这个点上大量概念混淆，oracle和hive HDFS只是存储方案的差异，hadoop是大数据完整技术栈），只存在数据存储架构的选择，根据数据量、数据使用方式、数据分析方式决策更合理的架构，选了hadoop就不能用oracle吗？这是医院大数据平台建设里经常混淆的点。根据应用场景选择存储方案，根据数据分析需求选择技术栈，如果不清楚需求，何不来个混合架构搞个万金油？其实医院大数据，oracle是可以用的，国产化另论。如果定了oracle是不是就不能用hadoop了呢？

这里又引申到另一个问题，Hadoop、Spark、Flink等大数据技术的发展，医院大数据建设技术要求必提，但是真正建了之后会发现好像哪里不对劲，难道大数据就是这么高大上到信息科要大量学习新技能吗？能用的技术才是好技术，自己都用不了的一定有问题。其实医院信息科真正需要的不应该是Hadoop、Spark、Flink等大数据技术的堆砌，应该是信息科都可以简单上手操作做数据治理，以这些技术为基础的能解决业务问题的产品。也即真正的易操作、专业化、流程化、全链路的数据平台（绝对不是hadoop），这个平台准备后续专门介绍。

智慧医院从大数据平台的建设到数据治理平台建设，大部分是从技术栈的hadoop转向数据专业治理本身，也就是从垂直的技术栈维度转换为横向的数据流维度，还是要平台，而此平台已经不再hadoop。数据治理到底如何做呢？参见前一篇文章《如何做数据治理》，数据治理最早成熟应用是在零售业、银行业，以及运营商，现在每个AI互联网公司都会有数据部门，医院数据治理可能还是先解决自身的业务问题本身，能不能发展到数据中台，还要看医院战略，而不是各种广告中的概念。

还有一点需要补充的，中美贸易摩擦，美对中进行了严格的出口管制，无论从硬件还是软件，能支持国产化会是一个更好的选择。

最后，数据治理本身是一个重运维重交付重实施的事情，当前市场大量充斥草台班子的数据搬运，没有深度长期的价值挖掘，再好的搬运工做的也是劳民伤财的事，参考谷歌和梅奥的十年战略合作协议，这才是医院大数据真正有远见的规划。

简单总结下，智慧医院大数据发展趋势：

1. 政策会频繁颁布，医院大数据（数据）建设一定是必然，目前已经开始稳步发展；

2. 大数据平台概念会褪去，医院真正需要的一定是全产业链整合的数据管理平台；

3. 智慧医院会更加重视数据流即数据治理本身，现阶段还需要一套简单上手的平台辅助；

4. 智慧医院大数据中心依旧以私有云机房为最佳方案；

5. 智慧医院大数据中心需要兼容国产化需求；

6. 找一家AI大数据公司作为长期战略合作伙伴将更加现实，毕竟只讲大数据的大部分都是数据搬运工；