数据编织与数据网格：两种去中心化数据架构的技术选型对比

Thu, 09 Jul 2026 21:20:00 +0800

数据中台之后，然后呢？

过去几年，数据中台是国内企业数据建设的绝对主角。从阿里提出中台战略开始，几乎所有大中型企业都在搞中台：建数据湖、搭数据仓库、做数据服务化。

但到了 2024 年，中台的热度明显下降了。原因很简单：很多中台项目失败了。

失败的原因各不相同，但有几个共性问题：

中台团队成了瓶颈，业务部门想要数据得排队等
数据质量不高，业务部门不信任
中台太重，维护成本高
数据所有权不清晰，谁的数据谁负责？

这些问题让行业开始反思：数据中台是不是唯一的路？还有没有别的选择？

这时候，两个概念开始进入视野：Data Mesh 和 Data Fabric。它们代表了两种截然不同的去中心化数据架构路线。

Data Mesh：把数据还给业务

核心理念

Data Mesh 的核心思想很简单：数据应该由产生它的业务团队来负责，而不是由中央数据团队来管。

这个想法来自于领域驱动设计（DDD）。在微服务架构中，每个服务都由对应的业务团队负责，服务之间的交互通过 API 来完成。Data Mesh 把这个思路应用到了数据领域。

四个核心原则

1. 领域驱动的数据所有权

每个业务领域（比如订单、用户、商品）都有自己的数据团队，负责生产、维护和发布该领域的数据产品。

这解决了中台的一个核心问题：数据团队不了解业务，业务团队不了解数据。在 Data Mesh 中，数据团队就是业务团队的一部分。

2. 数据即产品

数据不再是"原材料"，而是"产品"。每个数据产品都有：

明确的消费者（谁在用这个数据）
质量标准（SLA：可用性、准确性、时效性）
文档和接口（API、数据字典）
负责人（数据产品经理）

这让数据从"成本中心"变成了"价值中心"。

3. 自服务平台

虽然数据所有权分散了，但基础设施是共享的。Data Mesh 需要一个自服务平台，让各个业务团队可以：

快速创建数据产品
发布和发现数据
监控数据质量
管理数据访问

这个平台由专门的基础设施团队维护，但不参与具体的数据业务。

4. 联邦治理

数据治理不再是中央集权，而是联邦制。全局性的标准（比如数据安全、合规、元数据标准）由中央治理委员会制定，但具体的实施由各个业务团队负责。

这既保证了全局一致性，又给了业务团队足够的灵活性。

Data Mesh 的优势

响应快：业务团队直接负责数据，不需要等中台排期
质量高：最了解数据的人来维护数据
所有权清晰：谁的数据谁负责，责任明确
可扩展：新增业务领域只需要新增一个数据团队

Data Mesh 的挑战

组织变革大：需要调整组织结构，让业务团队承担数据责任
协调成本高：跨领域的数据需求需要多个团队协调
技术门槛高：需要业务团队具备数据工程能力
文化转变难：从"数据是 IT 的事"到"数据是业务的事"

Data Fabric：让数据自动流动

核心理念

Data Fabric 的思路和 Data Mesh 不同。它不改变组织结构，而是通过技术手段让数据自动流动。

Data Fabric 的核心假设是：企业的数据散落在各个系统、各个部门，手动整合成本太高。所以需要一个智能化的"数据编织层"，自动发现、连接、整合数据。

三个核心能力

1. 智能元数据管理

Data Fabric 会自动扫描企业内的所有数据源，建立统一的元数据目录。这个目录不仅包含数据的位置、格式、血缘，还会用 AI 分析数据的质量、敏感性、使用模式。

比如系统可以自动发现：

哪些表包含个人信息（PII）
哪些数据有质量问题
哪些数据经常被使用
哪些数据之间有依赖关系

2. 自动化数据集成

基于元数据，Data Fabric 可以自动生成数据集成任务。比如：

自动识别相似的数据源，建议合并
自动生成 ETL 管道，把数据从源同步到目标
自动处理数据转换，比如格式转换、编码转换

这大幅降低了数据集成的成本。

3. 统一数据访问层

Data Fabric 提供一个统一的访问层，用户不需要知道数据在哪里、是什么格式，只需要通过 API 或 SQL 查询数据。

比如用户想查"过去 30 天的订单总额"，不需要知道这个数据在哪个数据库、哪张表，只需要调用统一的 API，Data Fabric 会自动路由到正确的数据源。

Data Fabric 的优势

组织变革小：不需要调整组织结构，技术驱动
集成成本低：自动化处理大部分数据集成工作
用户体验好：统一访问层，不需要了解底层细节
见效快：可以快速上线，逐步完善

Data Fabric 的挑战

技术复杂度高：需要强大的元数据管理、自动化集成能力
数据所有权不清晰：虽然技术上整合了，但管理上还是分散的
性能瓶颈：统一访问层可能成为性能瓶颈
治理难度大：数据散落在各处，统一治理困难

两种架构的全面对比

现在来做一个系统的对比，看看 Data Mesh 和 Data Fabric 在各个维度上的差异：

维度	Data Mesh	Data Fabric
核心理念	组织驱动，数据所有权分散	技术驱动，数据自动流动
数据所有权	业务团队拥有	保持现状，技术上整合
组织结构	需要调整，建立数据产品团队	不需要调整
技术栈	数据产品平台、数据市场	元数据管理、自动化集成、统一访问层
治理模式	联邦治理，全局标准+本地实施	中央治理，统一管控
实施难度	高（组织+技术）	中（主要是技术）
见效速度	慢（需要组织变革）	快（技术驱动）
适用场景	大型组织、多业务线	中型组织、数据分散
典型厂商	Snowflake、Databricks	Informatica、Denodo、IBM
成本结构	人力成本高（数据团队）	技术成本高（平台）

关键差异

1. 驱动力不同

Data Mesh 是组织驱动，认为数据问题的根源是组织结构问题，所以要改组织。Data Fabric 是技术驱动，认为数据问题的根源是技术问题，所以要改技术。

2. 所有权不同

Data Mesh 强调数据所有权分散，每个业务团队拥有自己的数据。Data Fabric 不改变所有权，只是在技术上整合数据。

3. 实施路径不同

Data Mesh 需要从上到下推动，涉及组织变革、文化转变，周期长。Data Fabric 可以从下往上推进，先建平台，逐步完善，周期短。

选型决策框架

那么，企业应该选 Data Mesh 还是 Data Fabric？这取决于几个关键因素：

适合 Data Mesh 的情况

1. 组织规模大

企业有多个独立的业务线，每个业务线都有自己的数据团队。比如集团型企业、多元化企业。

2. 数据需求复杂

不同业务线的数据需求差异大，中央数据团队无法满足。比如金融集团，零售银行、投资银行、保险的数据需求完全不同。

3. 组织变革意愿强

企业愿意调整组织结构，让业务团队承担数据责任。这需要高层的强力支持。

4. 长期投入

Data Mesh 是一个长期的过程，需要 2-3 年才能见效。企业需要有耐心。

适合 Data Fabric 的情况

1. 组织规模中等

企业有几十个数据源，但没有几十个独立的业务线。比如中型制造企业、零售企业。

2. 数据分散但需求统一

数据散落在各个系统，但用户的需求相对统一。比如需要整合 ERP、CRM、WMS 的数据做分析。

3. 组织变革困难

企业不愿意或无法调整组织结构，希望通过技术手段解决问题。

4. 快速见效

Data Fabric 可以在 6-12 个月内见效，适合需要快速解决问题的企业。

决策树

你的企业有 10+ 个独立的业务线吗？
├─ 是 → 愿意调整组织结构吗？
│       ├─ 是 → 选择 Data Mesh
│       └─ 否 → 选择 Data Fabric
└─ 否 → 数据源超过 50 个吗？
        ├─ 是 → 选择 Data Fabric
        └─ 否 → 两种都可以，看具体需求

实际案例：某制造企业的架构演进

让我们看一个真实的案例。某大型制造企业，年产值 500 亿，有 5 个事业部（汽车零部件、工程机械、农业机械、新能源、金融服务），每个事业部都有自己的 IT 系统。

背景

2020 年，集团决定建设数据中台，目标是整合各事业部的数据，支持集团层面的分析和决策。

中台阶段（2020-2022）

集团成立了数据中台团队，50 人规模。主要工作：

建设数据湖，汇聚各事业部数据
开发数据服务，支持集团分析需求

问题逐渐暴露：

中台团队不了解各事业部的业务，数据质量不高
事业部想要数据得排队等，响应慢
数据所有权不清晰，出了问题互相推诿
中台维护成本高，50 人团队还是不够

评估阶段（2023）

集团请外部咨询公司评估，结论是：中台模式不适合当前的组织结构。

原因：

5 个事业部业务差异大，中央团队无法深入了解
各事业部有自己的数据团队，有能力承担数据责任
集团规模大，中台成了瓶颈

选型阶段（2023）

咨询公司建议采用 Data Mesh 模式。理由：

组织规模大，有 5 个独立事业部
各事业部有自己的数据团队
集团高层支持组织变革

实施阶段（2024-）

1. 组织调整

每个事业部成立数据产品团队（3-5 人）
集团数据中台转型为数据平台团队（20 人），负责基础设施
成立联邦治理委员会，制定全局标准

2. 技术平台建设

建设数据产品平台，支持各事业部创建和发布数据产品
建设数据市场，支持数据发现和消费
建设数据质量监控，支持 SLA 管理

3. 试点推进

选择汽车零部件事业部作为试点，因为：

业务相对简单
数据团队能力强
领导支持

试点结果：

3 个月内发布了 10 个数据产品
数据响应时间从 2 周降到 2 天
数据质量评分从 65% 提升到 85%

当前状态（2024 年底）

5 个事业部都已建立数据产品团队
共发布 50+ 个数据产品
集团数据平台团队负责基础设施和治理
数据响应时间平均 3 天（原来 2 周）
数据质量评分平均 80%（原来 65%）

经验总结

成功的因素：

高层强力支持，推动组织变革
选择试点事业部，快速验证
技术平台和组织建设并行
联邦治理，平衡全局和本地需求

遇到的挑战：

组织变革阻力大，需要持续沟通
跨事业部数据需求协调复杂
数据产品团队能力建设需要时间

后中台时代的趋势判断

Data Mesh 和 Data Fabric 代表了两种不同的技术路线，但它们不是对立的。实际上，很多企业会混合使用：

大型集团：整体采用 Data Mesh，但某些共享数据用 Data Fabric 整合
中型企业：整体采用 Data Fabric，但某些核心业务用 Data Mesh

趋势一：混合架构成为主流

纯粹的 Data Mesh 或纯粹的 Data Fabric 都很难落地。未来的趋势是混合架构：

核心业务数据用 Data Mesh，业务团队负责
共享数据用 Data Fabric，技术团队整合

趋势二：AI 驱动的数据管理

无论是 Data Mesh 还是 Data Fabric，都会越来越多地使用 AI：

自动发现数据质量问题
自动生成数据集成任务
自动推荐数据产品

趋势三：数据产品化加速

Data Mesh 的"数据即产品"理念会被更多企业接受。即使不采用完整的 Data Mesh，也会借鉴这个理念：

数据有明确的消费者
数据有质量标准
数据有负责人

数据中台不是终点，而是起点。Data Mesh 和 Data Fabric 代表了后中台时代的两条技术路线，选择哪条取决于企业的组织结构、业务特点和技术能力。

没有最好的架构，只有最适合的架构。关键是理解自己的需求，选择正确的路线，然后坚定地执行。

数据建设的道路很长，中台只是其中一站。下一站去哪里，取决于你怎么走。

Data Fabric on 文艺技术笔记

数据编织与数据网格：两种去中心化数据架构的技术选型对比

数据中台之后，然后呢？

Data Mesh：把数据还给业务

核心理念

四个核心原则

Data Mesh 的优势

Data Mesh 的挑战

Data Fabric：让数据自动流动

核心理念

三个核心能力

Data Fabric 的优势

Data Fabric 的挑战

两种架构的全面对比

关键差异

选型决策框架

适合 Data Mesh 的情况

适合 Data Fabric 的情况

决策树

实际案例：某制造企业的架构演进

背景

中台阶段（2020-2022）

评估阶段（2023）

选型阶段（2023）

实施阶段（2024-）

当前状态（2024 年底）

经验总结

后中台时代的趋势判断

趋势一：混合架构成为主流

趋势二：AI 驱动的数据管理

趋势三：数据产品化加速