第一，提出需求。需求(以下简称问题)可以由DPM主动收集，也可以由业务人员提出。如果企业规模比较大，这种反馈机制也可以做成弹出窗口或者组件嵌入数据中间站。
在建设数据中间站的过程中，我们通常会关注新业务的访问、数据产品的推出、历史数据的整合、数据价值的挖掘，但我们往往忽略了其隐藏的目标——成本控制。无论是建设还是维护数据中心，都需要大量的资金投入，成本不断增加，总是超过资金预算。如何保证目标的实现，有效控制成本？这已经成为数据中台管理者的难题。
在传统架构中，将数据应用到业务中，一般的做法是通过数据同步能力将计算结果同步到业务系统，由业务系统自行处理，这会带来一个数据管理问题，即无法获得应用场景中数据的具体价值和热度，整个数据血缘链接也是分离的。这样，作者认为是复制数据，而不是复用数据。如何快速阅读和复用数据是数据中间站可以解决的问题。
金融知识地图平台提供数据治理工具，整合银行内部结构化数据、非结构化数据、互联网采集数据、工商股权、投诉、招投标、舆情等外部数据，清理数据，达到数据标准，形成数据中心平台；平台的数据血缘管理可以支持客户从访问、清理和处理数据的所有过程中追溯数据，了解数据的来龙去脉。
智能中间站:以人为本的场景智能，多能力协作，按需调用的技术体系。为城市超脑提供类似人脑的核心数据支持服务。
有关数据中台的文章，网上也有很多，包括我自己也写过很多数据中台的文章。但这些文章大多是碎片化的，很难系统地回答上述问题。
企业期待数据中心提升跨部门的普遍业务价值能力，更好地管理数据应用，将数据洞察力转化为直接驱动业务行动的核心动能，跨业务场景推动数据实践。同时，企业也非常重视如何评价业务行动的效果，因为没有效果评价很难得到有效的反馈，从而很难迭代更新数据应用，不断为客户带来价值，如图5所示。
第一年，科技执行副总裁、财政部全国会计信息化标准化技术委员会咨询专家郝宇晓表示，数字化转型的核心是数据，金融数字化转型的道路必须以数据为中心，通过数据赋能来实现。而且元年科技的数据中台，是元年迎接这一挑战的利器。第一年，科技提供了一个强大的数据中心，可以依靠数据治理机制实现数据集成、数据存储、数据处理、数据建模和数据应用，以及基于AI的算法和模型。第一年的科技模型涵盖了管理会计、预算、成本、绩效和管理报告的各个领域，也深入到战略运营、投融资和风险管理的各个场景中，结合各个行业，充分发挥一般模型的建模能力、鲜明的行业特色和个性化场景，形成有针对性的解决方案。
前面说过，数据中台是一个持续使用企业数据的机制，要使用数据，四大核心能力都需要不断迭代和提升。从战略角度来看，集成、净化、服务可视化和价值实现的能力是数据中心的核心竞争力，是企业真正将数据转化为生产力、实现数字化转型和商业创新、永远保持竞争力的保证，如图6所示。
这也是互联网公司近年来强调数据中心的原因:与其说数据中心象征着一种技术创新，不如说是在调平内部山头，最大限度地开放各部门的数据资源。