精华内容
下载资源
问答
  • 业务元数据
    千次阅读
    2022-07-02 12:28:54

    第3章 义:3点产生必要

    1、数据资产可复用

    标签类目体系是中台概念的核心落地点。

    1.1 前台、中台、后台三者之间的关系

    企业的业务库、信息库、资源库等就是企业的后台,前台由业务、应用等组成。随着数字化转型的深入,消费者诉求的转变以及市场竞争的日趋激烈,前台业务形态逐渐向场景化、灵活化、精细化转变。前台和后台之间的某些属性是相矛盾的:

    • 前台要灵活,后台要稳定;
    • 前台要连接打通,后台资源有时天然打不通;
    • 前台越拆越小,要的是速度,因此是小前台;后台越建越大,要的是全面,因此叫大后台;

    前台和后天需要需要一个中台来承接、消弭它们之间的差异。

    1.2 数据中台的两大要义

    • 在底层数据打通后,把经常用到的数据资源提炼、沉淀下来放在中台。中台最核心的目的就是完成前台业务对后台资源的快速调用、快速试错。标签作为可复用的数据资产的最佳载体,是数据中台理念的落地核心。
    • 前台业务调用数据资源时中台能快速响应、无缝连接。

    2、面向业务可理解

    2.1 需要更具价值的数据资产

    • 企业需要找到一种更具价值(能让业务用起来,帮助业务人员解决问题)的数据资产建设办法,把数据资产封装成业务人员能理解的形态是后续资产价值比的必要前提。标签类目体系方法论通过“标签”这种载体将数据资源转化为业务人员能理解的资产形态。业务人员可通过标签的定义、逻辑、值字典、常见应用类型、使用效果等纬度来全面简单地理解数据资产。
    • 在工具平台打造得非常顺畅和智能后,业务人员可在一天内完成标签的申请到使用。在标签使用过程中,也可以根据实际情况修改、删除原有标签,同样在一天内生效。此时业务部门对数据的使用效率就会非常高,试错成本非常低,最终以较低的成本找到数据价值路径。这样业务部门就有意愿主动完成数据业务化的转型工作,同时以业务的高频使用来试验标签质量,带给数据部门最真实的反馈信息。

    2.2 好数据资产设计办法的特征

    • 好的数据资产设计办法是桥接数据和业务的中间逻辑层,让数据变得可阅读、易理解。
    • 好的数据资产设计办法是一种统一的对象数据描述办法,应该把个体刻画升级为群体刻画。
    • 好的数据资产设计办法具有第一性原则,通过学习方法论+演绎推导即可构建具体的企业资产,而非经过大量实践后在归纳总结。

    标签类目体系方法论可满足以上3个特征要求:

    • 标签作为面向业务的数据资产载体,一方面以标签的形式串联业务端的理解和操作。另一方面每一个标签都会与底层数据字段相映射,以实现底层数据的切割、相连、操作等。
    • 标签类目体系是一种以对象为基础的数据资产梳理方式,对某一类对象的标签类目体系的构建实际上是完成了对某一类对象的模式设计。
    • 标签类目体系有自己的第一性原理,根据第一性原理,得出具体的方法、标准、实施步骤和模板工具,而不是某一场景中数据信息的简单收集和罗列。

    2.3 数据资产必然走向业务导向

    • 要打造哪些数据资产,数据资产怎么用,需要发挥业务人员的群体智慧,根据大量的业务行为进行群体决策,这符合数据来判断的主旨。
    • 所谓业务想到,并不是说听业务专家的意见,而是要听业务流程、业务人员、业务数据所表达出来的意见。
    • 真正能够发挥数据价值的地方在业务前线。必须以数据的最终价值来驱动数据的全链路运营过程。真正持久的数据资产建设一定不是从治理出发,干的都是苦活累活但是效率却不显著,业务并不为劳苦买单,而要从价值推倒,让业务部门通过收获数据红利来反向醋精数据部门治理和优化数据,并按需主动提供新的数据源。

    2.4 数据操作系统下的数据资产流向

    以标签作为数据资产价值载体的标签类目体系方法论,其目的是激发业务诉求,寻找并发挥数据价值,是面向业务全程的。在数据操作系统模式下,业务人员向系统发出语音指令的动作是高频的,说明业务需求活跃;而数据开发工程师预设数据库和标签、创建映射的动作应该是相对低频的:在保障稳定的同时,让更多工作由系统自动化完成,可防止全流程卡在数据开发工程师一侧。

    3、数据价值可衡量

    3.1 什么是数据商品化

    • 数据资产化的核心前提是数据商品化,如何将数据切割清楚、组织封装、服务配套成独立的商品单元,并形成数据商品售卖、使用、售后等全链路的运营闭环,将是这几年大数据领域中的研究重点。
    • 一定不能直接将数据信息打包售卖,这种粗暴、低价值的售卖方式容易碰触信息安全的红线,不利于数据价值的衡量。
    • 标签对数据的业务导向封装正好匹配了数据商品化的思路:将数据拆解成最小粒度单元,既具备某一对象的共有属性,又有丰富的多样性。通过标签这种组织方式,可实现对数据资产的管理、使用、衡量的全链路闭环,因此标签完全符合数据商品化的载体要求。

    3.2 数据价值分配模式

    数据商品包含数据本身和数据服务,数据本身不能直接售卖,必须通过数据服务才能让最终用户接触到并使用,因此能定价交易的是将数据封装在数据服务中的组合商品形态。数据商品在参与价值分配时,不能直接对数据本身定价或分配价值,只能对带有具体数据的数据服务形态定价或分配价值。

    3.3 标签是数据商品最适合的颗粒度

    数据商品包含数据本身根据不同的颗粒度可分为对象层、表层、字段层、字段取值层。字段粒度是刻画某一对象群体通用特征的最小粒度。在标签类目体系方法论中,对象对应于根目录,多重表对应于多级目录,属性/字段对应于标签,属性/字段值对应于标签值。

    数据粒度示例标签方法论
    对象层用户根目录
    表层用户基本信息类目
    字段层职业标签
    字段取值层教师标签值

    3.4 数据商品化全流程运营

    以标签为核心的数据商品化全流程运营过程如下:

    (1)根据业务场景需求,按照标签类目体系方法论设计标签集。

    (2)标签创建后生成标签开发任务,分配给数据开发工程师或算法工程师。当具体字段开发完成后,将数据字段与标签进行关联映射。至此,标签设计完成,经过审核后可以在标签集市中上架,作为商品信息呈现。

    (3)业务人员可搜索、浏览、查看标签化的数据商品信息,包括标签名称和标签详情、功效、可应用场景、用户评价等。

    (4)通过服务化工具,可将选中的标签集合快速配置成数据服务或数据应用,供业务部门使用。

    (5)业务使用过程中所沉淀的日志、反馈、事故等信息都可以用来更好管理标签和服务,帮助优化数据商品的质量。

    (6)标签管理过程可更好优化现有标签设计。eg:对于质量不高且无人使用的标签,可吸取教训,避免以后再设计类似的标签;对于质量不高但需求高的标签,寻找更好的设计思路来提升标签质量;对于质量高且需求不高的标签,分析原因后修正标签设计思路;对于质量高且需求高的标签,可不断优化或设计出更多类似特征的标签。

    通过标签化的数据商品参与价值分配,可预见以下几个结果:

    (1)数据部门将会从成本中心变为利润中心。数据部门生产的数据商品会在业务中发挥价值,并通过商品化进行价值衡量与结算,而不产生价值的数据都UI被下架以减少成本支出,最终数据部门会收支平衡,乃至变成一个以数据作为核心生产要素的产能工厂,实现数据变现。

    (2)数据部门中的标签运营部门会成为重中之重。标签运营部门的人员包括数据产品经理或标签设计师、标签管理员、标签运营专员等。标签运营部门会以业务为导向,以实现数据价值为目标,全链路开展标签价值的测算、计量和扩大化的工作。

    (3)通过价值才能真正解决数据打通、治理、使用等“老大难”问题。数据打通是数据资产化的前提,但因为存在部门墙、信息孤岛等问题,大家对原始数据过度保护了。DT时代,谁掌握了数据谁就有制胜权,没有使用上数据的公司、业务只能被动受限。在数据价值展现后,业务部门会主动与数据部门沟通数据源打通、数据质量提升优化、数据场景化使用等问题。

    (4)数据价值运营是一个持续运作、坚持不懈的过程。数据价值运营是一个艰辛、持续的运行态。数据问题不是解决一次就能“长治久安”的,数据事业是一条需要长期耕耘、时刻警惕的艰辛之路。

    更多相关内容
  • 秦璐7周数据分析师第0周 1、课程安排 2、数据分析的结构层次 ...获取数据、收集数据数据...老师提到的两个要点:懂业务数据分析道路会走得更远;以结果为导向。 单纯的敲代码,其实就是走向了纯IT的路线,.

    秦璐7周数据分析师第0周

    1、课程安排

    2、数据分析的结构层次

    获取数据、收集数据 → 数据提炼、可视化 → 数据决策、形成策略 → 形成产品、稳定运营 → 形成体系、战略

    3、企业中的数据业务结构

    4、路线选择:

    不同于以往IT的学习,以前是学技术就是学技术。但对于工作中来说,不光要会编程和各种工具,还要懂业务,原始数据是什么样的,最重要解决什么问题

    老师提到的两个要点:懂业务在数据分析道路会走得更远以结果为导向

    单纯的敲代码,其实就是走向了纯IT的路线,往后伴随着数据挖掘、机器学习和深度学习,一直在技术的路线上走下去。

    5、初学者思路(未从事过该职位)

     业务思维 > 数据能力 > 工具技巧

    Tips:

    学习方法:

    展开全文
  • toB和toC业务数据分析怎么做?

    千次阅读 2022-04-11 01:07:47
    很多同学很疑惑:为什么我做的数据分析和别人讲的差别那么大???有一个重要的原因,是数据分析的问题场景不一样。不同的问题场景,意味着数据指标,分析逻辑,输出内容都不一样,有些场景差异之大,以至于不熟悉的...

    c0e8d72835931a567e240afacfbea283.png

    很多同学很疑惑:为什么我做的数据分析和别人讲的差别那么大???有一个重要的原因,是数据分析的问题场景不一样。不同的问题场景,意味着数据指标,分析逻辑,输出内容都不一样,有些场景差异之大,以至于不熟悉的人完全上手不了。

    那到底有哪些场景呢?这里简单盘点一下。

    首先,toB和toC业务是完全不同两大场景。toC业务面对的是个人的衣食住行的需求,离我们的生活很近。经常我们把自己当做消费者思考一下,就能理解toC业务是做什么的。而toB业务则是服务企业生产经营,很多同学不能直观理解。

    更难的点是:toB类业务数据记录往往很少。toB类本质上就是“谈生意”。谈生意,就需要大量的线下沟通,越大的客户,要求越多,越不能指望客户在一个APP里戳两下就把几千万上亿的钱掏出腰包。而很多toB企业的数字化程度很低,沟通过程基本都靠销售自己完成,导致过程数据严重缺失。数据缺失,自然导致数据分析师很难分析出啥东西了。

    其次,在toC业务里,线上业务和线下业务是两大有差异场景。

    线上业务:APP、H5、小程序

    线下业务:店铺、业务员、电话推销、短信

    在2022年,大家对线上业务反而更熟悉。每天点外卖,买东西、看视频都指望手机呢。对线下业务反而生疏了,除了偶尔逛逛街,大部分电话/短信推销都被人们自动无视了。

    线上业务与线下业务的最大区别在于数据量。线下业务数据量很少,很多时候,连基础的RFM分析都做不了(因为没有用户ID),相当多的线下业务,是基于订单、工单、采购单等单据进行分析的,这一点让习惯了线上数据的同学们非常难受。不过线下业务的分析,都有其成熟、固定的逻辑和套路,是可以通过学习掌握的。

    61a3eb4a97e12edcacc2e91014740bbd.png

    再次,在一个企业内,根据工作流程不同,分析的场景有明显差异,简单的可以分成:

    1、前台:直接面向用户的,产生收入,获取客户的(销售、推广、增长)

    2、中台:对前台起辅助作用,增加收入,减少损失的(品牌、营销、运营、风控)

    3、后台:支持前台、中台工作,交付产品/服务的(研发、生产、设计、供应、客服)

    前中后台差异是非常大的:

    前台的分析大多可以用:人、货、场的逻辑来描述。因为直接产生收入,所以相对容易通过拆解构成收入的指标,来区分出影响收入的因素,进而找出问题来源。

    4d45d1036b3719add65e54af056c409c.png

    中台的分析就复杂一些。因为是叠加在销售之上增加收入,减少损失。所以各种因素相互交织,较难分析清楚。

    比如:

    • 剔出“自然增长率”“季节变化”,才能看到真实效果

    • 间接手段(比如广告、社群、内容)产生效果的逻辑梳理

    • 间接手段(比如广告、社群、内容)产生效果的逻辑梳理

    这使得中台的数据分析,分析逻辑都很复杂,并且需要多角度,多批次的测试和对比,才能见效。

    4f7264ff124f1ea6d784aae532351e3f.png

    后台的分析则更纠结。

    一方面,后台的采购、供应、生产,受生产线、交通等客观条件限制,短时间内有能力上限;

    另一方面,后台的供应量又受到前端影响,需求预测不准,需求反复变动,都让后台乱成一锅粥,分析也不会准。

    所以,虽然后台也有类似EOQ模型、分配与网络模型这些科学算法,但是还是得结合前台的一起看,该拍脑袋还得拍。

    当然,如果和toC/toB、线上/线下结合,能产生的场景就更多了。比如都是在线上卖商品,平台电商(入驻天猫、抖音、拼多多等平台)自营电商(自建APP并推广)就是完全不同两个场景。数据来源,运营方式,分析思路都不同。

    所以,想做数据分析做得深入,具体问题,具体分析这八个字是非常重要的。具体到一个业务场景里,就容易讨论清楚。如果只浮于表面,光说:“数据分析就是做对比”,谁跟谁比,比啥指标,比出来差异又咋解释,一窍不通,自然不能分析出好结果。

    0b6969561729244c58702658b2dda12b.png

    可有的同学面临的问题很特殊,在工作中缺少人指导,有问题也没地方找人讨论,确实很难进步。此时,推荐你加入陈老师的知识星球,不但能看系统性视频教程,还能和陈老师及其他做数据的同学们一起讨论,进步更快哦。

    我的知识星球,已经有660+同学加入了,而且内容还在不断增加。除了每日话题讨论外,为了帮助同学们在4月份斩获好offer,还新上架了求职课程,给大家加油。

    知识星球四大看点

    1、和陈老师一对一讨论具体问题

    2、《求助宝典》课程+一对一简历面试辅导

    3、400+数据分析主题分享,150+干货资料

    4、《数据分析九大方法》《经营分析》视频课程系统学习

    扫码加入陈老师的知识星球

    随时咨询问题

    660+同行小伙伴在等你

       d1cde3937639cd453fe772cef4500e7f.png6cf1ee91bffd8f1db0c465cb625a7ed7.png21532730ad059af5be360f829c98af65.png

    32eee6da2dfd05faa7f5ba3270defb7b.png

    2e91108d062386f82a05f0c1a074f1ea.png590b622d4bef57e86bcc61a95b5dffdf.png9160b9550c1fd02d6f45a16f86798562.png点击“阅读原文”了解更多

    展开全文
  • 1. 加深对业务逻辑漏洞的理解。 2. 掌握篡改交易数据这个业务逻辑漏洞的测试方法。

    1 业务数据安全

    1. 概述:商品数量篡改测试是通过在业务流程中抓包修改订购商品数量等字段,以判断服务器是否存在商品订购数量篡改漏洞。
    2. 手段:将请求中的商品数量修改成任意非预期数额、负数等进行提交,查看业务系统能否以修改后的数量完成业务流程。
    3. 目的:该项测试主要针对商品订购的过程中,服务器对异常交易数据处理缺乏风控机制而导致相关业务逻辑漏洞。

    2 实验介绍

    2.1 实验目的

    1. 加深对业务数据安全重要性的理解;
    2. 掌握测试业务数据是否存在篡改交易数据漏洞的方法。

    2.2 实验环境

    1. 实验靶场——虚拟机:本节实验靶场是在win2008系统上基于phpstudy搭建的一个简单网站,win2008及phpstudy的安装过程可以参考《win2008R2SP1+WAMP环境部署》,网站的搭建过程可以参考《综合实验:一个简单丑陋的论坛网站》。

    2. 下载damiCMS-V5.4版CMS电子商城代码。
      链接:https://pan.baidu.com/s/1b-Z6RaFBZ6CsSIErY46Pyg?pwd=q8qq
      提取码:q8qq

    3. 解压并复制文件夹到靶机中的根目录下。不同版本的phpstudy软件的安装时生成的目录可能存在差异,本文dami_5.4路径如下。
      在这里插入图片描述

    4. 真实机浏览器输入192.168.1.4/dami_5.4访问damiCMS,因为还没安装,需要先按以下步骤安装CMS。
      在这里插入图片描述

    5. 页面滑到最下方,勾选并点击继续。
      在这里插入图片描述

    6. 点继续。
      在这里插入图片描述

    7. 填写信息:
      (1)phpstudy中数据库的账号及密码,默认可以设置为root,数据库名填写dami。
      (2)管理员用户及密码均设置为admin。
      在这里插入图片描述

    8. 安装完成,点击访问网站首页。
      在这里插入图片描述

    9. 点击右上角注册,填写用户名、密码、邮箱,并点击确定注册。
      在这里插入图片描述

    10. 点击右上角进入登录页面,试试登录刚刚的账号。
      在这里插入图片描述

    3 实验过程

    1. 真实机浏览器访问刚刚的网站,登录刚刚的账号。
      在这里插入图片描述
    2. 点击“在线充值”→“我要提现”。可以看到目前账户余额是0。
      在这里插入图片描述
    3. 进入产品展示中选择一款产品。
      在这里插入图片描述
    4. 在页面中将数量改为-1,点击立即购买。
      在这里插入图片描述
    5. 随便填点内容,在付款方式选择为站内扣款,点击提交订单。
      在这里插入图片描述
    6. 在网站右上角再次进入个人中心,再次查看到账户金额,发现多了6000。也就是刚刚输入的那个-1数量反过来给账户加了金额,这就是业务漏洞。
      在这里插入图片描述

    4 总结

    1. 加深对业务逻辑漏洞的理解。
    2. 掌握篡改交易数据这个业务逻辑漏洞的测试方法。
    展开全文
  • 万字详解数据仓库、数据湖、数据中台和湖仓一体

    千次阅读 多人点赞 2022-02-22 09:18:01
    数字化转型浪潮卷起各种新老概念满天飞,数据湖、数据仓库、数据中台轮番在朋友圈刷屏,有人说“数据中台算个啥,数据湖才是趋势”,有人说“再见了数据湖、数据仓库,数据中台已成气候”…… 企业还没推开数字化...
  • 浅谈数据分析和数据建模

    千次阅读 2019-11-26 15:43:02
    过去企业都是通过线下渠道接触客户,客户数据不全,只能利用财务数据进行业务运营分析,缺少围绕客户的个人数据数据分析应用的领域集中在企业内部经营和财务分析。 数字时代到来之后,企业经营的各个阶段都可以被...
  • 数据字典及其使用

    千次阅读 2020-02-27 09:08:01
    将如下这些具有相同类型的配置项,配置到系统的数据字典表中,方便系统维护,由超级管理统一在后台进行数据字典维护,如果用户需求要增加变更配置项,只需要修改数据字典表记录即可,不需要修改代码。 1.2数据...
  • 漫谈数据仓库中的元数据管理

    千次阅读 2022-06-01 00:54:08
    来源:网络编辑:数据社全文共5253个字,建议10分钟阅读简介:相信很多朋友都是第一次听说元数据管理系统这个名词,当然,从事非数据仓库工作的人,很少会接触到这个系统,即使是正在从事这方面工作的朋友,可能仍然...
  • 数据仓库介绍

    千次阅读 2022-05-10 14:42:20
    为需要业务智能的企业,提供指导业务流程改进、监视时间、成本、质量以及控制。 数据仓库的特点 1.数据仓库的数据是面向主题的 与传统数据库面向应用进行数据组织的特点相对应,数据仓库中的数据是面向主题进行...
  • 足球运动数据分析实战(python)

    万次阅读 多人点赞 2019-12-18 00:34:21
    在此万受瞩目的运动下,打算针对足球运动个人的信息,技能水平等各项指标进行相关的分析与统计。例如,我们可能会关注如下的内容: 足球运动是否受出生日期的影响? 左撇子适合踢足球吗? 足球运动的号码是否...
  • 企业数据架构: 目的:描述数据应该如何组织和管理 元素:数据模型、数据定义、数据映射规范、数据流、结构化数据应用编程接口 依赖项:管理业务架构创建和需要的数据 角色:数据架构师、建模师、数据管理 企业...
  • 金融数据安全分类分级解决方案

    千次阅读 2022-04-02 18:17:58
    数据安全法》的第二十一条“国家建立数据分类分级保护制度,根据数据在经济社会发展中的重要程度,以及一旦遭到篡改、破坏、泄露或者非法获取、非法利用,对国家安全、公共利益或者个人、组织合法权益造成的危害...
  • 数据源的作用主要是与业务数据库取得连接,从而获取业务数据进行分析。数据源的数据库包含关系数据库,本地数据库(Java数据源,Excel数据源,主要用于自定义数据结构及上传本地数据文件),多维数据库,高速...
  • 大数据--数据仓库

    千次阅读 2022-04-24 15:39:49
    数据仓库概念数据仓库特点数据仓库分层数据仓库建模模型选择数仓建模流程数仓建模过程模型设计的思路模型落地实现事实表设计事实表设计原则事实表设计方法三种事实表多维体系结构维度设计六范式与反范式元数据数据...
  • 数据运营平台-数据采集

    千次阅读 2020-11-20 18:29:38
    业务数据采集与转换 第三方系统API对接 用户数据关联 人工数据采集 数据输出 行为数据采集 1.埋点采集 ①跨平台打通 确定性方法识别 利用用户帐号体系中,可以是系统生成的 UserID,可以是手机号,也可以是...
  • 数据体现数据的各类关系和属性,可从技术、业务、管理3个维度对元数据进行划分,从而帮助用户对整个系统内数据资产的质量和分布形成清晰直观的认知,并有助于持续地进行数据质量的提升以及问题的跟踪回溯。...
  • 经过几年的发展人工智能很多领域已经落地初见成效,数据标注也逐渐要进入一个“洗牌期”。但很少有人关注从业者的发展,不管是在百度还是知乎去查找都很难找到一个很好的职业前景的说明,得到的标签基本都是“简单”...
  • 数据治理概述

    千次阅读 2021-08-31 10:50:34
    数据数据元、数据源、源数据,这几意思毫不相干却都带着一个“yuan”词语,让多初学者抓狂。 数据元,标准定义:[GB/T 18391.1-2002,定义3.14] ,用一组属性描述定义、标识、表示和允许值的数据单元,数据元...
  • 自服务数据共享与服务架构详解

    千次阅读 2018-01-18 09:27:54
    本文转自微信号EAWorld。...本文转自微信号EAWorld。本文转自微信号EAWorld。...本文转自微信号EAWorld。随着企业信息化、数字化的发展,对于数据管理...自服务数据共享与服务架构是为了更好的解决数据管理者对数据管理中...
  • 智慧城市大数据分析系统解决方案

    千次阅读 2022-03-31 17:48:22
    中国“城镇化”的背景下,为了积极响应政府提出的城市化发展策略,把“智慧城市”作为业务发展重点,确立了“共建 汇聚 共享”为发展模式的智慧城市发展战略。
  • 拥有本篇文章,意味着你拥有一本完善的书籍,本篇文章整理了数据仓库领域,几乎所有的知识点。
  • 数据分析师的个人感悟

    千次阅读 2022-04-16 03:26:41
    数据分析师是由业务和技术的结合而衍生出来的一种岗位,随着社会、企业的信息化、数字化的发展,企业对于既了解业务,又懂技术的综合性人才的需求还是比较大的,越来越多的人向这个方向发展。但从招聘者对于应聘者在...
  • 数据分析的重要性

    千次阅读 2022-03-15 15:19:13
    无论你处于什么岗位,具备数据分析思维后,可以利用数据挖掘业务价值,也可以更宏观的审视公司业务创造更高的个人价值。 二.哪些岗位会用到数据分析这项技能 目前国内的很多公司中,数据分析岗位的职责划分其实还...
  • 数据可以帮助数据仓库管理和开发人员快速找到他们所关心的数据,用于指导其进行数据管理和开发工作,提高工作效率。 (2)元数据的用途: 通过元数据可以看到某个数据计算作业的重要程度如何,是否还有下游在...
  • 数据治理到数据中台

    千次阅读 多人点赞 2020-07-15 19:19:44
    在我的职业生涯中,做过的数据相关的项目不少,从最早期的数据大集中,到后来的主数据管理(MDM)、数据治理及由此延伸出的数据中台建设项目,涉及的细分领域也越来越多,对大数据浪潮下企业数据应用的深度及广度的...
  • 目前主流的机器学习方式是以有监督的深度学习方式为主,此种机器学习方式下对于标注数据有着强依赖性需求,未经过标注处理的原始数据多以非结构化数据为主,这些数据是不能被机器识别与学习的。只有经过标注处理后的...
  • 第一次,MIT的研究业务系统和分析系统分开,将业务处理和分析处理分成不同的层次,并采用单独的数据存储和完全不同的设计准则。同时,MIT的研究成果与80年代提出的信息中心(InformationCenter)相吻合:即把...
  • 这三个特点衍生出了物流企业四大问题,分别是数据匮乏,过程管控无力;利润口径不一,经营决策分歧;成本分摊不明确,客户质量模糊;管理目标不清晰,工作难聚焦。 这四大问题导致了企业难管理、难壮大,成为企业...
  • 数据仓库原理

    千次阅读 2022-03-29 16:30:43
    数据仓库原理 ODS>DWD>DWS>ADS
  • 目录 1 什么是三层 2 为什么使用三层 3 与两层的区别 1 什么是三层 ...将存储在数据库中的数据提交给业务层,同时将业务层处理的数据保存到数据库。(当然这些操作都是基于UI层的。用户的需求反映

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 226,683
精华内容 90,673
关键字:

业务元数据