精华内容
下载资源
问答
  • 多数纯粹的大数据创业公司服务主体是大型国企的外包形式,这类公司如果自己没有数据运营能力,盲目建设数据中台的话根本无法实现对业务赋能,出路在于整合足够多的行业案例形成自己独有的中台规范。有一定业务积累的...
    展开全文
  • 和前端关联起来讨论,探讨业务发展的不同时期,前端所能做的一些事情,既能解业务的困扰,也让前端同学们摆脱码工、切图仔的定位。 千言万语不如一张图,全文完。 大误,还是得详细说说。 一、初始阶段 在业务的初始...

    前言

    你是否头疼于,每天做不完的需求和改不完的bug?

    你是否发愁,每天撸业务代码,是否能获得技术成长?

    而追求成就感的你是否想过,你所编写的一行行代码,是在反复的变化中迅速成为遗留代码,还是助公司插上腾飞的翅膀,在你死我活的战场上脱颖而出?

    因此本文会将业务和前端关联起来讨论,探讨业务发展的不同时期,前端所能做的一些事情,既能解业务的困扰,也让前端同学们摆脱码工、切图仔的定位。

    千言万语不如一张图,全文完。

    大误,还是得详细说说。

    一、初始阶段

    在业务的初始阶段,在市场定位、用户诉求、产品逻辑已经明确的前提下,此时业务的核心诉求是 『尽快上线』,进行快速验证和产品迭代,当然,质量还得能过得去。

    所以此时技术同学的方案侧重点是:

    快、爽

    先说『快』,在这种情况下,什么vue/react都见鬼去,老夫只用jQuery一把梭!

    这是反面案例,这样就只能重构火葬场了,项目上线完就打包行李滚蛋……

    此时的快,指的是 尽可能复用集团/业内成熟的方案、架构,按捺住自己重新造轮子的躁动不安的心情。这又涉及到一个问题:如何选择一个靠谱的方案?这是一个可以另开文章的话题,但先在此简单说说根据我个人的经验,主要从稳定性、可扩展性、性能去考虑。稳定性 如何去评估?如果一个项目能做到这几项,我是比较放心的。

    • 项目star数多

    • 有单测,代码覆盖率90%~95%以上

    • 文档完备,有常见Q&A

    • issue有较快的处理流程和周期,3天内响应、1~4周内关闭。

    • 有稳定的版本控制,不进行不兼容的升级,非要不兼容升级的话,将迁移工具做到极致。

    可扩展性 如何评估?主要是指能否根据业务or已有技术方案,自定义部分内容。

    • 例如组件库,是否能自定义主题、组件的事件回调等,因为有的需求,组件除了完成默认的行为,还需要执行其他逻辑如埋点;

    • 例如单测工具,能否配置白名单,因为有一些代码是兼容特殊场景,编写用例模拟场景的成本实在比较高。这个主要是根据技术诉求和经验进行判断。

    性能问题,短期容易被人忽视,因为能跑就行,但一旦埋下隐患,日后有坑就极难解决。容易出现性能问题的地方有:代码构建、长列表/表格滚动、大数据图表、复杂动画、3D全景渲染等,如果所做的业务涉及到这几个方面,选择方案的时候就要特别注意性能。

    如果实在图省事儿,create-react-app、umi开箱即用来一套就完事儿了。

    『爽』 这个字我的理解是,一款新产品出现,一定需要在用户体验or交互上有绝对领先对手的地方。

    一个我始终记忆犹新的例子,就是乔布斯发布第一款iPhone时,演示滑动列表时全场的惊呼,一个乔布斯的哥们说:当你滑动页面的时候我就湿了。

    另一个前端领域的例子,就是Ant Design。AntD被广泛使用,很大一部分原因是其出色的视觉设计和动效。至今为止,AntD的官网介绍上仍然说这是一个设计体系。

    所以我觉得,一款新产品,除了提供刚需价值,最好在美观和易用上领先对手一大步,虽然主要还是看设计师和产品的功底,但前端同学的实现上至少不能拖后腿,不能加载太慢、滚动太卡。

    蓝海市场、刚需产品也许不那么看重这一点,但有的蓝海门槛较低,很快就会转变为红海。

    还值得一提的是,账户体系的建设,包括打通三方登录、免登等(客户端登录态透传到h5),网上不少资料,我实在没这方面经验,就不在此多嘴了。

    二、快速扩张

    OK,假设产品如期上线,数据蹭蹭上涨,看起来一切都很完美。

    然后问题就来了,业务开始扩张,公司新招了100个运营和10个PD,你会发现需求突然就翻了10倍。这个时候我们怎么办?

    答案只有一个:提(jia)效(ren)。所以这个时期的核心是:

    快、稳

    提效最简单的办法是加人,但问题是,100个运营好找,100个能写出靠谱代码的前端不好找,有的时候改别人的代码,比重写一遍更麻烦。看过《人月神话》的同学都知道,加人带来的效率提升是有瓶颈的,人平均效率会随着人数增加而下降。

    此时就需要考虑通过技术手段提效,沉淀基础研发体系,包括:

    • 基础工具库+ 业务工具库,避免重复写一些简单但是容易出bug的业务逻辑。

    • UI规范 + 组件体系。UI规范很重要,如果设计师不能达成一致,那出来的视觉稿必然是千差万别的,你的公共组件也就难以沉淀了。

    • 研发工具升级。主要有 构建性能优化、数据mock工具、环境切换工具、线上问题排查工具等。

    除了技术手段,人员的技术成长也很重要,毕竟技术方案是由人来执行的,个人觉得常用的方式有:

    • CodeReview,帮助新人快速成长到一定水平,保证新人开发代码的可维护性。

    • 内部分享。分享好用工具以提升研发效率,分享底层原理避免踩更深的坑浪费大量时间,也可以分享一些编码、调试小技巧。

    当然,还有一个提效的神技,就是——砍需求。

    砍需求也是一门技术活儿,有的高级工程师用嘴就将需求解了。但不是每个团队都采用放权式管理(此处感谢我的历任老板们),给你足够的权力自己砍需求和排期;有的公司采用的是集权式管理,只有前端leader能够砍需求和进行任务分配,也使得不少同学这方面能力没成长起来。

    那么需求到底怎么砍?听我简单说一下,欢迎更好的套路。

    • 首先,端正心态。你砍需求不是为了自己偷懒要早下班,你砍需求是为了业务整体效率的提升。你要砍的是无效需求、重复需求,公司业务的核心需求不能砍。不然你把公司业务都砍死了,自己喝西北风去?公司如果运气好IPO了,你不也爽一波?

    • 其次,先问问需求解决的业务问题是什么?搞清楚这一点,就能判断:这个需求的优先级多高、是不是伪/重复需求、是否有其他方式替代解决。此处的伪需求,是指不能实际解决用户问题的需求。

    • 再其次,数据说话。相关的数据是怎么样的?如何推导出业务的问题所在?做完这个需求数据会变成什么样?

    • 最后,这个需求可能需要哪些上下游合作。涉及其他环节的需求,一定要将上下游拉到一起,考虑到所有可能的问题,统一一个方案,才能客观评估工作量。

    • 最后的最后,也是最重要的,将共性的需求沉淀,构建组件体系or业务模块体系。有这个沉淀,才能更进一步,对需求做收敛,例如总不能说,已经有一个slider模块了,你还要再做一个类似的吧,对业务的提升到底在哪?

    一般一个重要的、合理的需求都能比较好回答上面这些的问题。其中第三点,数据说话,也对公司的数据化能力提出了要求。

    • 最基本的pv/uv、uv点击率、停留时长,这是和前端页面相关的指标。

    • 模块热度、功能使用情况,这是用来和业务方撕逼的时候使用的。(上次做的功能你们又不用!)

    • 还有业务指标,例如电商的gmv、售罄率,但这些和前端没直接关系。

    • 高级一点可以玩GrowthHack,全链路监控细分用户群的使用情况,比较适合业务已经增长到一定体量,精细化运营的场景。

    • 大数据分析+洞察+数据可视化。会在第三部分讲述。

    另一个不能忽视的是,如何变得更『稳』,因为大家都很急,一急就容易出线上故障,然后时间都花在处理故障上了,然后时间就更急,一个快速腐化的死循环,然后你能怎么办呢?只能以猝死明志啊……常见的有以下几种方法:

    • 研发流程管控。不经测试不允许上线,这也是阿里的研发红线,看起来是效率降低的,但其实只是把处理线上问题的时间用来测试了而已。

    • 基础库、基础组件 上单元测试,代码覆盖率90%+

    • 监控。线上404、页面白屏、js/接口报错等。

    • 安全。最基本的xss、csrf做一下,再整体升一下https

    • 问题复盘、沉淀机制。避免再出同样的问题。

    以上这些问题解决了,前端同学也就算是又快又稳地帮业务度过了快速发展期,迎来业务的精耕细作期。

    三、精耕细作

    俗话说得好:攻城容易守成难,但现在攻城也不那么容易了。现在新兴的独角兽,背后都有AT的影子,例如ofo和摩拜,双方都极难一下子摁死对方。而是互拼内力,最后很可能落得两败俱伤。这个时候我们就需要稳中求快。

    前两个阶段的C端场景看起来和前端关系更加紧密,那么这个阶段和前端有什么关系呢?我觉得能做的事情有:

    中后台系统的构建。将运营们的工作线上化,同时减少部分手工操作,达到效率的提升。

    虽然说运营们通常excel用得虎虎生风,但有容易出错、贪腐较多的问题,想想ofo被曝贪腐严重的新闻。

    在不少缺前端的公司,这部分通常也由后端用jQuery一把梭。但后端撸出来系统,通常都欠缺交互意识(无导航、报错信息等设计)、撸不出稍微复杂的布局(见过被float和flex难住的)、缺少动效、SPA 等,做出来的系统真的差不少,都9012年了,还是让专人来干这活吧。记得加上水印,包括明水印和暗水印,便于公司时候追责,间接防止公司机密外泄。

    大数据可视化。不仅仅是消费者端页面的访问数据,还有更深层次的公司运营数据。例如ofo可以实时跟踪自行车的损坏率、监控车辆密集程度等,从而指挥调度车的调度,达到车辆投放和使用率的最佳匹配。虽然这事儿吧,核心还是数据同学产出数据的准确性,但前端同学的配合是不可或缺的。

    常见的可以用来做这事儿的有Echarts、HighCharts、G2等等,虽然我们基本不可能再重复自研一套,但取其精华,快速赋能业务,就是业务前端的价值所在。

    平台化。此处其实指的是大中台、小前台的概念。因为我们往往已经积累了一批中后台系统,但如何使同一个系统更快支撑新的业务、砍掉/合并重复功能的中后台系统,也是辅助业务的一种手段。

    ABTest。根据之前的经验,电商不同行业的不同人群,对于交互设计的偏好真的就不一样,有的喜欢大图,有的喜欢小图。因此通过ABTest方案,对人群进行千人千面的细分展现,对业务也是可以稍微有一定的提升。

    容器技术(hybrid & 内核)& 极致性能。其实也就这么提一下,因为对于大多数公司,真没有深入追求浏览器内核提升的价值和可能性。hybrid方案是有必要的,但应该在急剧扩张时期就做得差不多了。极致性能也属于比较炫技的东西了(已经做到1~2s页面可交互的前提下),短期内没有特别大的必要,但在追求极致性能的过程中,迫使相关同学深入了解容器技术、服务端、网关、cdn等底层,并推动相关方升级,经过长时间的积累,带来人力储备和技术储备的提升。

    四、新赛道、新增量时期

    基本上做完上面那些东西,公司的业务进入一个稳定的时期,就是到处看看有什么新的东西可以做了。(当然还是可能有各种各样蛋碎的改版)核心

    端的扩展

    包括各类小程序。名义上是便于管控第三方,提供更好的体验,其实就是人为割裂出一个端,同时用流量把这个端喂起来。不过没办法,谁让爸爸们有流量呢。但注意一点,扩展一个端是有维护成本的,且并不会直接带来流量收益,需要配套的运营计划。

    3D、全景、VR / AR 。有可能带来交互根本变化的东西,唯一的缺点是科技还不够先进,做全景素材成本很高,VR/AR的应用场景也不够多。

    Flutter。

    智能化

    业务的智能化。例如活动界面的千人千面,根据算法计算出最佳界面元素组合方式等。

    研发的智能化。例如FB的Aroma、之前业内的psd2html,但这个算法和普通的电商推荐算法相比,最大的区别在于容错率极低,你推荐错了一个商品大不了不买看下一个,但你自动生成错了一句代码,整个系统就跑不起来。

    实在不知道前端还有什么新的东西好关注的了,硬掰不出来,就这样吧,欢迎指点。

    五、最后

    读完本文,相信你已经找到了前面三个问题的答案,能够不再被一堆需求推着走,也能够不再只撸业务代码,孕育出属于你们团队的技术方案而获得技术上的提升,最重要的是找到自己的一身本领在这个商业世界中的价值,不忘极客梦,技术改变世界,rock the world。

    关于本文作者:@岳逢楽链接:https://zhuanlan.zhihu.com/p/62722892

     好文 推 荐 

    ☞ 前端工程师的产品思维

    ☞ 漫谈 Typescript 研发体系建设

    ☞ 大规模应用 TypeScript

    好文章,我 在看 

    展开全文
  • 在本次首席技术官大数据专享会上,友盟+首席产品官林鸣晖围绕业务数据化,数据资产化、资产应用化、应用价值化构建属于企业的可闭环、可沉淀、可持续的数据赋能体系进行分享,基于智能数据采集(U-SDC),用户数据...

    简介: 对于所有企业来说,数据决定了基于算力、算法等能做出哪些场景和应用。在本次首席技术官大数据专享会上,友盟+首席产品官林鸣晖围绕业务数据化,数据资产化、资产应用化、应用价值化构建属于企业的可闭环、可沉淀、可持续的数据赋能体系进行分享,基于智能数据采集(U-SDC),用户数据平台(U-CDP),数据开放平台(U-DOP)探讨如何建立企业的数据银行。

    一、构建可闭环、可沉淀、可持续的企业级数据赋能体系的背景

    1.数据“四化”

    如何让属于企业自己的不同触点的数据快速形成一个闭环,沉淀串联这些零散的数据能够快速应用去赋能业务?这涉及到四个关键词,一是业务数据化,企业所有触点是否为真,是否被打通。第二是数据资产化,能否可以像管理资产一样很好地管理数据。第三是资产应用化,企业的资产能否有效应用?如何借助数据资产赋能业务,最后是应用价值化。所有的应用最终一定是为增长、为获客而服务,必须要有价值。在这背后最重要的是场景必须可闭环,数据必须可沉淀,最终数据中台、数据能源才是可持续的。

    2.构建可闭环、可沉淀的数据赋能体系的意义与价值

    下图展示了一套可闭环、可沉淀、可持续的企业级数据赋能体系是如何构建的。下图友盟+会推出一个面向企业的数据银行。数据银行和业务是一种什么样的协作关系?开发者数据银行会基于云基础设施,如MaxComput等,不断帮助企业采集各种场景、触点的数据,做相应的数据治理、提纯、模型加工、形成各种应用服务,基于UMID打通能力,多账号归一,多端归一,支持不同的终端数据打通(移动客户端、服务端、客户端不同的平台), 帮助开发者完成全场景、全触点的数据资产沉淀及应用的管理。

    image

    关于跨端用户运营会涉及两个问题,首先,公司每一次在媒体外投的数据是否已经回流?回流后是否能够对数据进行第二次应用?第二,通过你的营销是否将用户沉淀至用户池,跨端的用户是否有效运营起来了?其实除了营销,企业会有很多用户触点,如头条号、微博、抖音号等,用户资产的数据必须打通后才能发挥真正的价值,如果你在做你的搜索推荐,那么除了先进的模型算法之外,你的公司是否有数据底座,是否在收集回流归一各个触点的用户行为数据,并喂养给你的搜索引擎让它越来越智能;比如:此前投过广告的数据下次进行搜索时,你就应该推荐客户之前看过相关广告的内容。

    二、开发者数据银行

    每一家公司都需要构建属于自己的数据银行。比如在阿里巴巴的生态体系内,阿里在双11当天有上百万商家卖货,很多品牌商家都在阿里构建数据银行。同样,友盟+在数据智能服务领域已深耕九年,凭借服务百万家互联网企业的经验,面向开发者推出开发者数据银行,与MaxCompute形成一套核心解决方案服务用户。数据银行需要解决几个问题:第一,数据银行解决数据资产的管理和应用的问题,可以用采、建、管、用四个字来表达。首先是业务数据化和数据资产化,如何采集数据,并快速将端的数据形成数据资产。其次是资产应用,形成多种消息的推送,营销的拉新,包括App的推送,各种运营推荐,都是在数据银行上能够提供的服务。

    数据银行包括三类产品,从三个角度帮助用户解决问题。如下图所示,第一个产品是智能数据采集(U-SDC),第二个用户数据平台(U-CDP),帮助企业沉淀数据资产,高效服务业务部门、运营团队、市场等团队。第三个是数据开放平台(U-DOP),将采集到的数据通过友盟云之上与业务数据进行融合、分析,更全面的洞察用户,更场景化的应用数据。

    image

    1、智能数据采集(U-SDC)

    无论AI或者智能引擎产品,本质是数据生产和采集。采集是数据质量的根本,数据采集的效率质量和效益都至关重要。数据采集工作需要关注是否全面掌控了公司的数据埋点?是否清楚某个场景应如何埋点?埋点后会产生什么样的数据?所埋的点是否正确有效?埋点是个长期运行的动作,需要不断验证埋点是否健康,最后一点回归到根本性的问题,如果埋点是错的,那么叠加的AI智能等所有内容也都会是错的。

    image

    管理埋点:埋点在大数据领域属于脏活累活,很多人不愿意做。常见的情况往往到了产品上线,需要使用数据的时候开始催促埋点。所以一家公司的埋点是否有人搞清楚?是否清楚这么多的埋点中哪些埋点正确,哪些异常?很多企业是不清楚的,这是一个残酷的现实。这是一个非常实际的问题,如果公司长期不清楚自己的埋点问题,便是在错误的数据上长期持续经营业务,越走越错。

    image

    埋点智能方案推荐:某家视频行业领域的公司的有两个团队,分别负责直播不同频道的业务,两个团队都会定义一些公司的埋点规范。但是数据规范性在两个团队不一致,如视频播放开始,A团队定义埋点全局参数叫Play,代表播放开始事件,B团队将其定义为Start。两个团队并不知道两个数据定义都不一致。案例中的问题看似不严重,但后续会发现公司数据不可持续,此时不论利用什么工具都不能解决问题。对于公司数据的管理一定要基于对业务场景的深刻理解,对业务场景进行标准、规范的定义。友盟+通过更多标准化的场景,包括为不同行业提供标准的埋点方案推荐来解决用户问题。友盟+聚合了非常多比较优秀的企业的实践,告诉用户如何埋点,埋点后能够解决哪些场景问题,同时会提供各种各样埋点智能推荐,针对技术团队沉淀公司基于场景的埋点解决方案的知识图谱。

    image

    智能埋点与智能验证:开发做埋点是通过SDK代码,上报数据,后台打印日志。但并不意味数据上报则完成了埋点。如开发者直接将一个启动的日志埋在登录页面,突然有一天发现登陆数高于页面访问数近一倍。原因是该点同时被埋到了退出页面的加载进程中。即开发者错将一个点埋到两个位置。友盟+希望能够提供各种智能验证工具,比如当埋点上报时,会为开发者提供一个服务,如果埋点命名为“启动”,会有一系列的智能检测该埋点上报时所在的页面截图是否为正确的业务场景位置。智能埋点及其验证测试是非常重要的,友盟+会通过视觉切图计算验证埋点的正确性,为技术团队大幅减轻工作成本和压力。

    image

    埋点健康度一键体检:当埋点全部完成,公司要做埋点健康度的验证,检查埋点是否符合规范,是否有异常点。埋点健康度是公司数据采集准确性的底座保证。数据团队和做客户端的开发团队经常会因为埋点问题产生矛盾。数据团队觉得数据有问题时一般归责为埋点问题,开发团队也会认为是数据团队配合问题。埋点的KPI就是先让埋点可视化,看到是由谁埋了哪个点,运行情况是否出现问题,是否按照规范埋点。如果埋点的规范度没有达到一定程度,团队是否应该承担责任?因此需要从管理角度、从组织层面以及产品能力层面解决公司埋点和采集的核心问题。

    数据银行采集平台(U-SDC)会重点解决以上几个核心问题,使用户埋点可见、可控、可管,为用户埋点推荐合适的优秀方案,使用户埋点能够智能调试和验证,大幅降低埋点采集的成本,从而最终达成数据质量的根本性提升,使最终保存的数据资产有价值有质量。

    image

    2. 用户数据平台(U-CDP)

    数据采集之后,最重要的是解决用户资产问题。首先,用户资产管理一定要解决的问题是可信和归一。数据做了很多触点,每个请求在访问APP,其中很多是作弊的或受欺诈的流量,如何保证设备是可信的?基于UMID打通能力,多账号归一,多端归一,支持不同的终端数据打通(移动客户端、服务端、客户端不同的平台)的流转换关系洞察,归一完成后形成自动的标签生产库,使得私域的标签生产保持高效,并且能够赋能到业务团队,快速做标签、洞察、圈人,并且最终形成对客户的运营动作。

    image

    是否清楚自己的用户资产:用户数据平台(U-CDP)支持多源数据如何在很短时间一键接入平台,如移动客户端、服务端、客户端等源头。U-CDP保证可信识别和多端归一,通过全域数据识别,帮助用户做数据归一和提纯,过滤垃圾,反作弊。识别打通后最终形成用户资产可视化,清楚公司触点来源,了解多少私域用户被沉淀下来。清楚上述问题再分析需要建哪些触点,需要增强哪些触点。最终沉淀下来的才真正是自己的私域数据资产。沉淀私域用户资产的一个前提是可运营,若不可运营、不可见,那么数据是无用的。

    image

    用户的标签管理库,配置即生产:业务团队总是对技术团队不满意,当运营团队要做一个活动,需要按照业务场景准备物料,准备活动的页面,还要再按照规则圈到一群想要触达的内存,然后对其进行运营。上述需求需要先和产品经理提需求,产品经理再去和算法、技术团队沟通然后写PRD,再等待几天将活动开发上线。往往流程特别长,完全无法满足运营团队快速迭代、快速试错、快速运营客户的诉求。而运营团队的需求并没有那么复杂,如运营团队只是想给最近30天访问过APP、看过小程序,同时这两天被广告命中的那部分人一个红包,但是很多企业面临技术排期。

    运营团队感到不满,技术团队也缺少成就感,因为每天的工作基本是跑SQL等繁琐零碎的事情。企业需要思考的问题是如何高效解决上述生产场景。友盟+希望数据银行提供预置私域标签的生产,不需要技团队做过多事,只需要将埋点做好。所有产品要去支持运营,能够在平台上面快速配置,快速生产,赋能业务团队,预置私域标签,配置即生产。此外,友盟+数据银行会提供一个不同的能力,既全域标签。私域标签只对客户进行圈选和洞察,友盟+会额外加持全域标签,告知不同用户的兴趣方向,从更多的维度去洞察和圈选用户。友盟+未来计划与其它企业联合建立一个标签实验室,贡献双方不同的数据,通过融合计算得出更好的标签效果以服务不同企业。

    image

    预置分析模型,自定义报告结构:运营团队只需要预置分析模型,做交、并、差的各种组合,做各种洞察,洞察完成后保存自己的人群包,即可快速复用到每一个业务的运营和活动之中。自定义私域人群细分体系埋点完成后,在友盟云上采用MaxCompute数据仓库的方案,自动汇聚成一个人在多个端每一天的行为,自动形成用户的档案序列,自动配置完成。只要埋点是正确的,运营团队马上可以完成私域人群细分。友盟+希望把上述的轻量方案应用到解决实际生产中的各种各样支撑的问题。

    image

    多种组合模式,找到想找的人:如某装修建材公司,有一个Web网站,起初是通过Web网站以及QQ与客户联络。后面该公司又发展了APP和小程序的团队。客户可能同时出现在三处,问题时数据不互通,并且组织是分开运营的。其实本质问题是能否在APP端快速发现小程序的客户,再去客户端做投放,运营和回流。友盟+结合多种模式,无需等排期,帮助运营能找到合适的人。

    image

    多种通道触达、互动效果追踪:U-CDP支持多种通道,无论是短信、EDM、还是APP的消息等都可以对接,所有的运营效果都可以实时可见。友盟+CDP本质上是和技术团队一起赋能业务团队,解决业务团队的效率问题,并增强业务团队运营能力,并沉淀下来用户数据资产。

    image

    3.数据开放平台(U-DOP)

    友盟+采集数据后将采集的数据与客户的数据进行融合,通过与MaxCompute进行云端的无缝对接,支持更大力度的开放返还。

    image

    一键数据包订阅返还:如下图所示,友盟云采集帮助客户快速采集移动客户端、服务端、客户端不同的平台等数据。如果客户自行加工单一的上述事情,处理时间会非常就且最终质量难以保证。基于UMID打通能力,多账号归一,多端归一,支持不同的终端数据打通,友盟+帮助客户做好加工,生成不同的数据包,只要客户使用SDK,数据包自动生成,自动将数据传送到MaxCompute中。然后可以借助DataWorks、DataV、QuickBI与客户的数据做数据融合,极大地降低成本。客户使用的不再是原始数据,而是经过友盟+加工处理过的数据。之后,用户就可以专注于业务产品的开发,业务场景的赋能,把精力放到业务创新而非原始的加工工作上。

    image

    友盟+和MaxCompute云上数据仓库无缝对接,不仅可以提升处理性能,还可以增强使用的简易和便利性。友盟+会为用户预置好所有模型包、模型表,并且打通数据,数据即开即用。

    image

    QuickBI智能数据分析展现:下图是一位客户做的友盟+和QuickBI智能数据分析展现。数据融合、返还后,结合MaxCompute+QuickBI,做业务人员自助分析,拖降式自助分析和在线表格的分析,与原来其它的割裂数据放到一起做大量工作,由此分析师团队的效率获得了极大的提升。

    image

    总结:无论企业有多么强大的容器、数据库和算法,或者要做多么智能的场景应用,一定要先回到四个关键词:第一是业务数据化,管理好采集和数据质量。第二是数据资产化,让管理层清楚的看到用户资产的具体情况,涉及多少个端,多少个触点,每天产生的数据,沉淀下多少用户。第三是资产应用化,沉淀下来的数据能够快速变成哪些应用去服务业务团队,使业务团队认为技术、数据是在促进帮助业务团队做创新,而不是业务团队等待资源去赋能。其中最根本的一套理念是必须让所有的触点和业务行为的环节能够产生场景和数据的闭环,让场景和闭环能够沉淀数据资产,只有这样才能使一个企业的数据中台可持续,数据赋能可持续,数据能源才会越用越厚,越用越好。

    本文为阿里云原创内容,未经允许不得转载。

    云栖号 - 上云就看云栖号

    展开全文
  • 数据赋能人工智能

    千次阅读 2019-04-01 16:28:15
    3月21日,Testin云测VP贾宇航应AICUG的邀请与Oracle负责Oracle自治健康和机器学习(AI和机器学习)的副总裁Sandesh Rao在美国旧金山共同分享了人工智能行业发展的前景与趋势。 左一 Oracle VP Sandesh Rao 左二 ...

    3月21日,Testin云测VP贾宇航应AICUG的邀请与Oracle负责Oracle自治健康和机器学习(AI和机器学习)的副总裁Sandesh Rao在美国旧金山共同分享了人工智能行业发展的前景与趋势。

    数据赋能人工智能

    左一 Oracle VP Sandesh Rao 左二 Testin云测VP贾宇航

    数据,算法,算力是人工智能的重要组成元素。当下算力突飞猛进,算法研究的进步振聋发聩,相比之下数据却成了制约人工智能发展的短板。在这样的背景下,Testin云测作为移动互联测试业务的行业翘楚毅然投身于AI数据服务行业。

    贾宇航提到人工智能的应用项目对于数据的需求必然会经历三个阶段:

    第一阶段:开源/付费数据集

    一个人工智能项目在立项的初期,往往会去寻找开源数据集进行训练以验证精度是否达到预期。这些免费的、公开的数据集在大学、公共机构都可以获得,而那些需要定向场景的数据则可依靠LDC、数据堂这样以数据集为核心业务的公司进行数据采购,就能顺利完成项目的POC阶段。

    第二阶段:大量数据和定制化数据

    基于数据集本身具有的产品属性,尤其是项目POC阶段的开源数据集,只要是应用于类似的场景的项目都可以使用,以这种“通用”数据训练出的模型精度完全不足以让企业处于行业领先。此时企业需要更多新数据,以提高模型的准确率和鲁棒性。但对于企业本身,项目的常见场景非常容易捕捉,而那些Corner case(边角案例,指小概率场景)不容易被覆盖。如何覆盖到尽可能多的Corner case场景,将是摆在产品经理和数据科学家面前的严峻考验。

    数据赋能人工智能

    眼球跟踪采集

    第三阶段:需要更多维度数据融合

    倘若企业已经顺利度过第二阶段,则需要进一步提高产品的精度和准确性,例如传感器硬件的升级。以自动驾驶为例,为了突破硬件极限, Waymo这样的公司选择了自己设计生产激光雷达,整个智能驾驶行业传感器硬件的迭代也从未停止。

    (1)摄像头+雷达

    (2)摄像头+雷达+激光雷达

    (3)摄达+激光雷达+GNSS+高精地图+V2X……

    由此我们可以看到,除了第二阶段提到的数据是否贴近现实应用场景之外,数据的维度也在不断的增加,数据质量和精确程度的要求也在不断的翻新。还是以智能驾驶为例, 2015年以前数据标注作业多以2D拉框为主,此时国内的标注公司遍地开花层出不穷。但到了2017年,语义分割需求不断增长,此时大部分的标注公司并不具备语义分割作业能力,而时间到了2018年,3D点云标注、3D点云与2D图像联合标注等要求更高、难度更大的标注作业成为了智能驾驶标注作业的主流。

    数据赋能人工智能

    3D点云标注

    针对第二、三阶段所遇到的问题,Testin云测有独到的解决方案。

    Testin云测认为:开源的、通用的数据集不能满足产品本身的需求,只有定制化数据采集模式才能解决AI企业最核心的数据需求。Testin云测在广州、浙江和北京设立的数据采集基地可基于客户的现实应用场景进行场景的定制化搭建。基地配套的软/硬件设备,丰富的活体样本可满足高难度采集作业。已有的众包测试业务也延伸为数据采集平台,完成地理位置要求强,样本丰富性要求高的任务。最终确保数据可以满足项目本身,赋予算法模型灵魂,使算法模型可以应用于现实场景。

    面对多维度数据融合的问题,Testin云测坚持自建标注基地,统一管理,规范生产。标注员均经过统一、系统的培训。自研的有数数据标注平台,可满足各类数据标注及多数据标注类型联合标注作业。在数据准确率方面 ,Testin云测配备专岗专职的审核团队,并坚持审核员不参与标注的“标审分离”制度,对数据有效把关,保证数据的高质量输出。

    AI数据

    Testin云测数据标注体系基于自主研发的数据标注平台,满足各类型数据一站式处理,并对数据进行预标注,为企业获取更快、更准确的标注数据,加速应用场景落地。

    了解详情:http://u6.gg/sm3ha

    展开全文
  • 简介:友盟+首席产品官林鸣晖围绕业务数据化,数据资产化、资产应用化、应用价值化构建属于企业的可闭环、可沉淀、可持续的数据赋能体系进行分享,基于智能数据采集(U-SDC),用户数据平台(U-CDP),数据开放平台...
  • 你是否头疼于,每天做不完的需求和改不完的bug? 你是否发愁,每天撸业务代码,是否...因此本文会将业务和前端关联起来讨论,探讨业务发展的不同时期,前端所能做的一些事情,既能解业务的困扰,也让前端同学们摆脱...
  • 银行业2030:智慧运营赋能银行业务“内涵式” 发展.pdf
  • 通信-IDC中心保障数据业务高速发展,5G网络赋能传统行业效应凸显:要素市场改革再提基础信息建设,通信网络提升社会数据资源价值.pdf
  • 数据中台,什么是数据中台?

    千次阅读 多人点赞 2019-12-05 11:53:07
    数据中台被誉为大数据的下一站,由阿里兴起,核心思想是数据共享,并在 2018 年因为“腾讯数据中台论”再度成为了人们谈论的焦点。在 3 月 15 日 ThoughtWorks 技术雷达峰会上,关于数据中台的话题也获得了众多参会...
  • 最近在读阿里数据中台的书,因为要在组内做分享,就...文章开篇是一段作者建设数据中台过程的心路历程,下来就是老套路,介绍了国内外大数据发展的历程与大数据的价值探索,这里做简单的介绍。 两个重要的节点需要...
  • ““2021年终大型金猿主题策划活动”已正式开启,欢迎报名参与:榜单奖项+产业图谱+行业报告+线下论坛|或点击文末“阅读原文”链接后提交活动意向报名表,并进一步与数据猿工作人员沟通后,可获...
  • 随着大数据及工业信息化的快速发展,多样性的数据源体量在日趋递进式增长,形成多源异构的数据烟囱,从而衍生出企业对各类数据如何协同管理的难题,也导致大量的数据失去了自身的无限价值。如何进行系统化的数据治理...
  • 今天简单解读一下最近大火的数据赋能! 毫无疑问,数据赋能是数字化转型的成果体现之一,然而实现数据赋能必须首先回答几个问题: 数据为什么可以赋能? 数据向谁赋能? 数据怎样赋能? 怎样实现数据赋能? 1 数据为...
  • 阿里巴巴数据技术编年 简史 2003年淘宝诞生于杭州一间民居。次年,Google发表了三篇大数据论文将计算技术引入大数据时代。 2004年Doug Cutting和Mike Cafarella根据Google的论文实现了Hadoop的HDFS和MR计算框架。 ...
  • 研发如何赋能业务 在写这篇文章的时候,非常纠结,到底是写技术、业务呢,还是写创新、战略呢,还是为亿车商写个宣传呢,因为跨度大,为了聚焦,飞哥还是撩撩技术。 飞哥平时说的比较多的一个词是解决方案,何为...
  • 计算机行业快报:华为发布五大AI发展战略,赋能业务场景,解密达芬奇关键技术,引领AI生态走向成熟.pdf
  • RPA赋能数据化运营

    2020-06-26 22:48:24
    本文章主要分享数据化运营以及RPA+AI为数据化运营赋能,会从以下几个要点进行相应分享: 数据化运营 数据运营的产品体系 RPA+AI助力数据化运营提升 运营人员的基本技能 RPA+AI助力运营人员...
  • 如何从数据中挖掘价值,以洞察市场发展方向,助力业务不断增长? 本文将分享几种常见的网络数据抓取方法,并展示多个真实的数据应用实例,希望对大家有所帮助。 1. 内容聚合 对于大多数媒体网站而言,实时获取...
  • 尽管国内数据中心发展有一定的基础,但数据中心整体布局仍然存在东部资源紧张、西部资源空闲等问题,如何在现有数据中心布局的基础上进一步优化结构、提升效益、精准投入,以应对未来新兴业务发展需求是大数据中心...
  • 12月12日,第三届智能协同云技术与产业发展高峰论坛在北京召开。论坛以“智能协同 赋能发展”为主题,发布以“五层两域”为总架构的智能协同云平台2.0产品及一站式应用场景解决方案,展示智能...
  • 云湖湖导读:随着企业业务的不断发展,企业大数据资产在企业辅助决策、用户画像、推荐系统等诸多业务流程中扮演着越来越重要的作用,如何保证企业大数据在满足各业务部门数据访问需求的同时又能精细化保障数据访问...
  • 在已经步入快速发展期的汽车行业,上汽乘用车的业务规模快速扩张。2016年,上汽乘用车年度销量突破32万辆,较上年增长89%。2017年,这一增长态势继续延伸。据公开数据显示,2017年前10个月,上汽乘用车交出了销量超...
  • 本篇文章中,作者就为我们介绍了AI赋能医药工业发展的案例。 刚刚过去的这个周末,我受到邀请进行了一次演讲,演讲题目是《AI赋能医药工业发展案例》。 这次演讲中,我将我们之前所做过的2个案例给大家做了详细...
  • 中台透彻讲解

    万次阅读 多人点赞 2019-06-27 21:59:01
    通过开放赋能不同商家、不同业务,帮助商家实现业务创新。 就此阿里中台战略在企业服务生态建设方面拉开了序幕。 说完这么多中台的事情,可能你还是不知道什么是中台!再举一下董阳对阿里巴巴数据中台的理解。 ...
  • 早些年,企业更多关心的是数据如何处理,随着企业的发展,数据库中积累了大量的数据,企业开始将重心放在了如何应用积累的大量的历史数据上,以便为企业业务管理以及政务上带来价值。永洪正是基于此理念,推出...
  • 近日,亿通行签约神策数据的神策分析和神策智能运营两条产品线,双方将充分整合资源,共同致力于大数据赋能“智能交通”,让出行更便捷更实惠。 为响应国家十三五规划中关于“智能交通”的提议及“互联网+”发展...
  • 随着互联网公司的迅猛发展和证券监管要求的持续攀高,佣金下滑和新客户的减少成为各大券商面临的现实问题,只有加速转型才能抢占市场先机,转型可分为三个层面:业务转型、技术转型、组织转型。从业务...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 24,459
精华内容 9,783
关键字:

数据赋能业务发展