1. 数据模型能力
在业务层面，业务抽象能够解决80%的共性问题，开放的系统架构来解决20%的个性问题，但同时又要把平台上的业务逻辑分开，因为不同的业务逻辑之间可能有冲突。
这在数据中台就表现为数据的中心化，也就是数据的高内聚、低耦合，需要对共性问题抽象出业务的规则，建立数据模型。一个好的内聚模块能够解决一个事情，同时又要降低模块和模块之间的耦合度，让模块具有良好的可读性和可维护性。
这里的前提是要有真正懂业务能沉淀经验的人，以及要在企业层面开展数据治理，让数据能够准确、适度共享、安全地被使用。
2. AI算法模型能力
要实现数据业务化，前提是做到数据的资产化。要能够从数据原油里面，去提炼出可以使用的汽油。
比如说数据的标签化，背后就有投入产出比的考量：通过标签，广告主可以非常方便快捷地去建立自己的人群包，实现精准营销；同时投放的ROI也是可见的、透明的，广告主可以自己去评估数据资产的使用情况。
3. 行业的应用能力
行业的应用能力，也就是我们通常说的数据业务化能力。
和数据中心化类似，数据业务化也需要很强的行业经验来指导，建立合适的业务场景，在场景里面去使用数据，从而体现数据的价值，来大大扩展数据在行业中的应用能力。
最后总结一下，未来的数据中台最重要的不单是数据的存储和计算能力，而是要能从「存、通、用」的角度和业务结合，帮助企业从数据中获取价值，沉淀数据资产，最终用数据赚钱。
一切业务数据化，一切数据业务化。
对互联网来说，行业知识及其应用能力越来越重要；
互联网+，未来是+ 后面的行业时代，不懂行业知识的互联网人员将慢慢走向没落。
