- 博客(476)
- 收藏
- 关注
RSS订阅原创 数据安全不是效率的杀手
不用给开发开权限， 不用给分析师“半透明字段”， 不用担心二次扩散， 更不用担心导出 Excel。注意，可信数据空间是正在研发的核武器，解决的是跨组织的信任问题，在企业内部大多不需要。你让一个上线前一天的操作，负责补齐半年的安全债，结果当然是崩溃式卡死。那么安全就变成“系统默认能力”，不再变成“每天你要跪着走的流程”。真正拖垮效率的，从来不是“安全严格”，而是“安全被做成了流程”。下面是五个“破局策略”， 不是教条，不是讨好，不是抱怨，是升级。“真正的泄露，不是因为你给了权限，而是因为你不给权限。
2025-12-01 07:31:46
597
原创 漫画版：数据团队的年终总结
第5幅：战术一·“擦屁股”的升华（包装“苦活脏活”）第11幅：战术四·“扯皮终结者”（包装“数据治理”）第7幅：战术二·“特洛伊木马”（包装“技术升级”）第9幅：战术三·“功劳的悖论”（包装“价值归因”）第13幅：战术五·“贩卖恐惧”（争取明年资源）第一幕：工程师的“耿直”与老板的“懵懂”第12幅：战术四·“数据最高法院”第17幅：总结的总结（核心观点图）第6幅：战术一·“守护神”登场。第8幅：战术二·“让业务起飞”第10幅：战术三·“强行上船”第14幅：战术五·“定时炸弹”第16幅：“不说人话”的胜利。
2025-11-26 07:31:19
416
原创 靠“人海战术”堆不出高质量数据集！
因为大模型需要的不是“标准答案”，而是“世界的复杂性”。而在“数据工厂”模式下，标注员按件计费，他们的目标是“快”，不是“懂”。最终，这个数据集喂出来的模型，学会了“词义一致”，却没学会“场景理解”。模型在这堆“净土数据”（或称“无菌数据”）上训练得无比优雅，可一上线，就被真实世界的脏乱差打回原形。模型的能力，往往取决于它见过了多少“困难样本”（Edge Cases），而不是它重复了多少“简单样本”。面对模棱两可的内容，团队领导决定：所有拿不准的、有争议的内容，一律标为“不安全”。
2025-11-24 07:31:14
701
原创 数据团队的年终总结，不是工作汇报，而是“成果包装战”
为销售团队解决了晨会报表加载 3 分钟的问题，通过底层架构重构，将加载时间降至 5 秒，销售团队每天多出 20 分钟讨论策略。数据团队的年终总结，本质上是一次“成果包装战”—— 在有限的资源、弱势的位置下，把今年的努力最大化变成组织能理解的价值。你需要用一个“特洛伊木马”，一个业务方关心的具体场景，把你的技术工作“偷运”进去。做好这篇总结， 你就能让团队的努力不被埋没， 让明年的资源更好争， 让领导知道：。你不是“做数的人”， 你是“让公司少出事、业务跑更快、决策更靠谱”的那个人。这不是忽悠， 是翻译。
2025-11-17 07:31:08
300
原创 元数据管理，很难成功
会议室里，厂商在投屏上演示各种元数据管理平台，口若悬河地讲“自动血缘解析”“智能语义识别”“AI助力数据资产化”。不是因为它不重要——恰恰相反，它是整个数据治理的“任督二脉”，是数据资产化的“地基”。在管理层眼里，元数据是“数据地图”——能帮人找到数据、理解数据、信任数据。只有当这些责任被固化在运行逻辑里，“统一口径”“数据透明”才不再是口号。钱砸下去，工具上了，厂商走了，系统成了孤岛，没人维护，也没人用。“人肉索引”的效率，往往高于任何“元数据搜索引擎”。
2025-11-10 07:31:03
347
原创 可信数据空间通用架构图全解
这个过程叫"联邦学习"（Federated Learning），整个计算还可以在"可信执行环境"（TEE，一种加密芯片）里进行，就像给保险箱再套一层金库。就像你请两个大厨（医院）用他们的独家食材（数据）做菜（训练），但你不能进厨房、不能看食材，大厨只告诉你"需要加3克盐、5克糖"（模型参数）。两家医院不会真的上传患者数据，而是在数据空间里发布一个"数据产品目录"，就像在淘宝开店但只放商品介绍，货还在自己仓库里。药企在数据空间的"搜索引擎"里输入关键词"癌症+基因数据"，找到了两家医院的产品。
2025-11-03 07:30:18
791
原创 为什么“可信数据空间”，还不可信？
更尴尬的是，由于缺少事前的授权审批机制和事中的智能合约约束，区块链只是变成了一本“如实记录犯罪过程的日记本”——它能证明违规发生了，但阻止不了违规的发生。就像TCP/IP协议定义了互联网的连通性，可信空间需要的是定义数据互信规则的“信任协议”，而非另一个“超级平台”。很多地方把“数据交易所”直接改名或升级为“可信数据空间”，项目PPT里依然充满“挂牌交易”、“成交额”、“撮合服务”等指标。“建设一个统一的大平台，把身份认证、隐私计算、区块链、审计、结算模块都堆上去，再买几十台服务器，这就是可信数据空间。
2025-10-27 07:30:52
727
原创 逃离了数据，我还能做什么
这时候你可以基于你对数据的理解，主动提出建议。简历上写着"精通SQL、Python、Tableau"，但你心里清楚，这些技能在其他岗位的JD（简历描述）里，只是那句"熟悉数据分析优先"的加分项，从来不是核心竞争力。可能是又一次被当成"取数工具人"的时候，可能是看到同龄的产品经理在复盘会上侃侃而谈的时候，也可能是在招聘网站上看到"35岁以下优先"这行字的时候。如果你依然享受解决复杂技术难题的成就感，只是厌倦了当"人肉查询机"，那么你的方向不应该是"逃离数据"，而是"向上突破"，进入技术壁垒更高的领域。
2025-10-20 07:31:52
1081
原创 业务部门的“不作为”杀死了数据治理？
当然，这对很多企业的数据治理团队是个挑战，因为组织割裂和文化惯性可能导致没有人会去业务蹲点，治理者到底是管理者还是服务者角色也是摇摆不定，更别提集中化和分布式组织的协同难题了。我们比较成功的一次数据治理，源于大数据变现时期跨部门核心数据的拉通，因为数据缺失多了，客户就投诉，产品部门直接把电话打爆。最成功的数据治理项目,都是从一个具体的业务痛点开始的，有明确的收益预期，有清晰的责任人，有可量化的考核指标。但有些数据团队，非要单独立项，单独申请预算，搞得好像数据治理是一个跟业务无关的事情。
2025-10-13 07:30:43
618
原创 大模型，正在淘汰那些本该被淘汰的数据分析师
真正的分析能力，是你能不能透过数据看到业务的真相，能不能用数据讲出一个让人信服（且让自己安全）的故事，以及——最重要的——你能不能在复杂的博弈环境中，推动事情往正确的方向走，并且让自己活下来。然后在复盘会上，当产品团队提出优化方案时，老赵再站出来，用数据去支持这个方案：“我们分析了，如果推出‘经典模式’，根据用户画像推算，大概可以挽回30%的流失用户。他会先私下里找到产品团队里信任的接口人，把数据和发现“分享”给他们，语气是探讨，不是质问：“我看到一些数据现象，和你们的预期一致吗？因为“销量”到底是什么？
2025-10-09 07:31:19
793
原创 外包团队撤场后，留下的“数据屎山”谁来铲？
由于输入和输出都是预先定义好的，他们轻松地引入了C公司，只替换了中间的“标签计算”模块，而上下游的系统完全不受影响。更重要的是，内部团队应聚焦于处理外包团队无法解决的那20%的“异常情况”和“疑难杂症”。这样做的好处是，任何一个模块的供应商不给力，我随时可以无痛替换，从而彻底打破“供应商锁定”。甲方通常不会为外包的“试错”买单，导致外包团队倾向于保守，不求有功但求无过，最终交付的只是一个“看起来还行”的平庸之作。我们实际上是在将企业的“数据大脑”外包，亲手埋下了“能力空心化”的种子。
2025-09-28 07:31:26
706
原创 报表取数，正在杀死整个数据团队
你可以秘密审计当前的工作负载，识别出那些价值最低、耗时最多的垃圾需求，采取“主动降级”策略，把承诺完成时间适当延长一些，这带有一定的风险，但为了打破死循环，你必须做出取舍。你可以采取更务实且温和的方式，比如可以利用需求管理系统，定期向各业务部门负责人发送一份“信息账单”：“上个月，贵部门共提出了50个数据需求，消耗了数据团队80个工时，折合人力成本约XX元。你可以在团队内部使用简化的“影响-投入”四象限矩阵进行分类，识别出“快赢项目”（优先做）、“战略项目”（专门排期）和“时间黑洞”（重点管理）。
2025-09-22 07:30:48
564
原创 漫画：数据仓库死了！
这家Spark起家的公司市值超过了1000亿美金，其在某种程度上代表了数仓的未来。我们要理解它，学习它，超越它！公众号推送规则变了，如果您想及时收到推送，麻烦右下角点个。GenAI：收购 MosaicML (2023)性能怪兽：Photon 引擎 (2021)Spark 革命与公司诞生 (2013)Delta Lake 诞生 (2019)缘起：伯克利Lab (2009)传统数仓死了，新的继承者当立。湖仓一体出世 (2020)进化完成：数据智能平台。竞争优势：中立与多云。以数据为中心的 AI。
2025-09-16 07:30:26
123
原创 很遗憾，大模型想直接搞定数据质量，根本不可能！
你是一个数据运维专家。请识别出其中所有定义模糊（例如，‘活跃’的定义）、存在歧义或缺少关键信息（例如统计周期、是否包含测试用户等）的地方，并以提问的方式，列出一个问题清单，方便我向业务方进行二次确认。在清洗数据时，模型可能会过度解读或错误关联，将正确的数据“清洗”成错误的数据（例如，错误地标准化一个罕见但正确的公司名称，或者在提取信息时张冠李戴）。这种“帮倒忙”的行为对数据质量是致命的。请按照['字段名', 'PII类型（如电话、邮箱、地址）', '敏感等级（高/中/低）', '判断依据']的格式列出。
2025-09-12 07:31:41
928
1
原创 AI智能体在2025年注定失败？
大家总觉得Agent最值钱的是那个聪明的“大脑”，但现实是，AI模型本身的工作量，可能只占全部开发的30%。答案是：那些还停留在PPT上，吹嘘“全自动、通用、一步到位”的神话，同时固守着脆弱的设计、忽视工程现实的Agent项目，注定失败。这意味着，“失败滚雪球”是一个不断变化的移动靶，而非静态的宿命。我们的目标，就是通过更先进的工程思想，让系统韧性的增长速度，跑赢任务复杂度的增长速度。让智能体尽量做一个专注的工具人，你给他一个明确的指令，他给你一个高质量的结果，然后立刻下班，绝不跟你多聊一句。
2025-09-09 07:30:52
378
原创 数据中台即将重生：智能数据中枢！
现在，他直接问Agent，Agent会自动进行多维度下钻分析，并回答："主要原因是'促销活动B'于上周日结束，导致流量下滑30%。: 基于此框架，Agent在内部形成了一个清晰的分析计划："OK，我要依次探查是'访客数'、'转化率'还是'客单价'出了问题，然后再对问题指标进行下钻。这是统一的数据基座，通过Iceberg/Hudi/Delta等开放表格式，实现对结构化和非结构化数据的统一管理，批流一体，存算分离。没有它，Agent面对海量数据就会产生"幻觉"，所有的智能都将是不可靠的空中楼阁。
2025-09-03 07:31:02
1043
原创 嘿，那个做数据的，你今天又背锅了吗？
谷歌更新了生图模型，不愧是NO.1，我重绘了这个数据治理漫画，大家鉴赏！公众号推送规则变了，如果您想及时收到推送，麻烦右下角点个。第四幕：简单的"小事"第七幕：业务理解的鸿沟。第八幕：预算的"艺术"第九幕：文化的"革命"第十幕：成功的"模式"尾声：致敬"无用"的人。
2025-09-01 07:31:18
150
原创 很遗憾，ChatSQL，不会成功！
当深入剖析那些被ChatSQL“拒绝服务”的真实需求时，我们看到的不是简单的技术障碍，而是一道道人类智慧与组织“惯性”共同构建的壁垒。我们当前的目标，或许不是一个冰冷的、100%自动化的数据工厂，而是一个由AI赋能、但仍由人类智慧主导的、更高效、更精准的特定场景的数据分析作坊。我们可以改变自己，但改变不了体系，体系的改变需要时间，而这不是我们一只团队，一个企业，甚至一个行业所能改变的。我们一直以为我们需要构建一个先进的AI应用，但现在真正需要面对的，是企业长期以来积累的、根深蒂固的“
2025-08-25 07:45:42
486
原创 你在第几阶段？企业数据治理体系的五级进化论
公司在做数智化转型，提到数据治理的时候，强调了降本增效，我当时也挺困惑，现在豁然开朗，做啥事，都讲究个性价比，数据治理前期投资是让你启动，但一旦到了一定规模，还是要回归市场本质，一切向利润看齐。：在数据仓库、大数据平台的那个时代，我们其实也一直以"服务者"的姿态在做数据支撑，但那个时候提供的服务是被动的，局部的，零碎的，现在的服务则是主动的，全局的，融合的。成立了"市政府"（数据治理委员会），开始统一规划，修筑主干道（拉通数据），建立供水系统（数据仓库/平台），并制定交通法规（数据标准）。
2025-08-20 08:04:11
913
原创 别再堆砌数安工具了！它们救不了你的数据（附实践架构蓝图）
它能精准地告诉你，哪个存有L4级敏感数据的云数据库正在“公网裸奔”，让安全从“盲人摸象”变为“精准制导”。身份是新的安全边界。跨平台的DLP（数据防泄漏），集成CASB（云访问安全代理）/SASE（安全访问服务边缘），防止数据从云、网络、终端泄露。通过预设的“剧本”，自动执行事件调查和响应（例如，发现高危访问，自动禁用账号并通知管理员），极大提升响应速度（MTTR）。解释：数据安全的“全景地图”和“体检中心”。不仅要“防得住”（零信任），还要“用得好”（隐私工程），更要“建得快”（DataSecOps）。
2025-08-18 08:25:42
1071
原创 很遗憾，数据中台的数据资产，无法入表！
数据中台将其核心的"信贷风控特征数据"定价为10元/次调用，而将普通的"客户基础信息数据"定价为0.1元/次。"你们声称平台每年能节约上亿的成本，但这份收益里，有多少是因为更换了更便宜的供应商（采购部功劳），多少是因为优化了生产线工艺（生产部功劳），又有多少是单纯因为市场需求变化？这些数据产品，由于其权责清晰、成本收入明确，反而更容易以"存货"或"合同履约成本"的名义入表。年末，信贷数据产品部门在计算其对外销售的"风控评分API"产品的"存货"成本时，将这笔高昂的"内部数据服务费"计入了成本。
2025-08-13 08:26:03
915
原创 20年实战，我只用这一张「用数据说话」框架图
有没有可能，大家只是因为被强制要求才上来“打卡”，而真正需要的数据，因为缺乏业务元数据和质量标签，依然找不到，也看不懂？例如，在一张复杂的数据架构图下面，直接写上：“结论：三大核心系统间存在47个重复的数据接口，每年造成约80万的额外维护成本。发现因为供应商信息不统一，同一物料，我们向其实为同一家供应商的不同分公司，支付了不同的价格。一个错误的源头数据，是如何像病毒一样，污染了下游的十几个系统，最终导致了一次严重的生产事故。我们定义的KPI，衡量的是无意义的“行为”，还是有价值的“结果”？
2025-08-11 07:30:31
697
原创 ChatGPT 5发布，它怎么理解数据治理？
写成规则、落实流程、固化到系统，并被持续审计——这就叫数据治理。组织与责任（Owner/Steward）｜规则与标准｜流程与监控｜工具与台账（元数据、质量、权限、血缘）。它让数据在既定成本与风险约束下，可用、可控、可信，并且结果可复现、过程可审计。不是一次性清洗、不是上个工具、也不是把锅丢给IT；数据治理＝把数据从“副产品”变成“可经营资产”的制度化协作。成本： 取数交付周期、重复建设占比、治理单笔成本。效用： 数据可发现时间、可用覆盖率、复用率；风险： 质量缺陷率、口径冲突率、违规访问率；
2025-08-08 12:03:24
119
原创 数据不一致是组织病，不是技术Bug
我的文章显然解决不了上面的问题，我只是在假设，管理者，如果真的想解决数据不一致问题，下面的内容，可以给你提供一些弹药和指引，但要不要做，愿不愿做，敢不敢做，那是你的问题。只有当企业真正理解并接受这一点，才能从永无休止的"救火"中解脱出来，构建起真正的数据治理体系，也只有在这个体系下，管理者才不会随波逐流，站在全局的角度下做出理性的选择。大家都在做利益权衡，直到某天突然爆了个雷，被迫彻底根治，因为这个时候不做的代价，不仅仅是那点数据不一致造成的业务损失，还包括不作为的其他成本。
2025-08-04 07:31:50
810
原创 ChatGPT竟然抄了我的思路，刚推出了Study Mode，激动啊！
其底层技术由一套定制的系统提示词驱动，这些指令基于对学习科学的长期研究，旨在促进用户更加深度地学习，包括鼓励主动参与、管理认知负荷、主动发展元认知和自我反思、培养好奇心，以及提供可行的支持性反馈。而是应该一步步引导用户思考，每次只问一个问题，帮助用户自己理解和解决问题，并在继续下一步之前，给用户回应每一步的机会。3. 一起练习：让用户总结内容，适时提问，引导用户“复述给你听”，或者通过角色扮演（例如，用另一种语言练习对话）来练习。比如，不是直接给答案，而是通过苏格拉底式的提问引导用户思考。
2025-08-02 11:29:35
325
原创 别再死磕大模型了！我们把ChatSQL准确率从5%拉到60%的深度复盘
从优化需求提交界面，到增加需求管理员的"标准化"环节，再到引入ChatSQL Agent实现自动处理，并在最后增设人工抽检与确认环节，形成了一个"人机协同"的全新闭环。我们只能退而求其次，要求需求管理员在审核环节对不规范的需求进行"翻译"和"补全"，但这无疑增加了他们的工作负担，也改变了他们固有的工作模式。当时，即便是最前沿的开源大模型，其SQL生成能力也远未成熟。在模型能力达到新的瓶颈前，我们通过业务分类的方式，将需求和对应的数据资产进行"分区"，以降低单次查询的复杂度。
2025-07-28 07:30:31
583
原创 少谈数据治理，多做点数据管理和数据执行，这才是王道！
比如针对领域数据开放不畅问题，领域管理部门完全可以不管，短期也没啥大影响，但今天慢8小时，明天慢16小时，积累多了，这个公司的数据管理水平就比对手落后一截，老板还在那纳闷呢，为啥别人总比我们快半拍，诸不知是领域数据管理部门不履职造成的。你看华为配置有50人呢，因此，后续还要增加...."现实世界里，没有那么多的地方需要高大上的企业数据治理，因为公司的组织架构设置大多时候就是权责匹配的，只有在流程的边界地带存在权力的真空，因此，老是要搞跨部门数据治理的企业，肯定是不正常的。
2025-07-21 07:31:23
519
原创 做了100件事，老板只回一句：和业务有啥关系？
我一般会这么回答："因为X域和Y域数据标准不一，导致XX数据不一致，导致业务部门做分析的时候，经常无法从两域匹配到完整的数据，因此，我们通过数据标准化和实体对齐，现在数据一致性达到了99%....."因此，你不能只是回答"进度70%"，还要说"主要完成了XX,YY工作，还余留2个风险AA/BB，需要老板资源支持，如果顺利，预计项目将在XX之前完成。你详细的介绍了企业数据资产的梳理方法论，讲述了你们是怎么实现了部门墙的打破，怎么实现了主数据的统一，并且列出了引以为傲的数据治理的系列成果，包括：。
2025-07-07 07:30:51
940
原创 我，年薪50万数据建模师，每天都在应验这23个诅咒
诅咒十三「AutoML真神」诅咒二十一「KPI魔咒」诅咒五「数据地狱·上」诅咒六「数据地狱·中」诅咒七「数据地狱·下」诅咒十「先射箭再画靶」诅咒十七「重复造轮子」诅咒十九「相关即因果」诅咒二十「规则>AI」诅咒二十二「模型公墓」诅咒三「面试造火箭」诅咒八「孤岛共和国」诅咒十一「全能战士」诅咒十五「不可解释」诅咒十八「技术选型」诅咒二十三「在路上」
2025-07-02 07:30:28
217
原创 老板又让我写方案，我脑子一片空白
下面，我来介绍一个PPT汇报的通用模版，它适用于任何领域，它是汇报的"道"，掌握了这个道，你至少知道了应该从哪里开始思考，不要有所缺漏，你可以基于"道"，沉淀你所属领域的特定方法。有些方案的策略则要极尽你所能，非常复杂，比如要你制定一个企业级的数据治理方案，你得靠分层匹配法或者你所知道的那些方法论，即从组织，制度，机制，流程，系统等方面入手。有些方案的策略是很容易给的，上级下达了一个明确的要求，你对症下药就可以了，即从目标反推，比如让你解决性能不足的问题，你作为架构师马上会想到架构上的各种优化策略。
2025-06-30 07:30:46
646
原创 用了AI两年，我的大脑开始生锈，到底错在哪里？
当我们意识到这种结构性差距的存在，一个关键的概念浮出水面——我们需要重新思考在AI时代，什么是真正的"认知公平"，如何才能确保每个人都有机会成为AI的主人而非奴隶？当"快餐式使用"成为主流，那些有能力进行"深度使用"的人反而获得了更大的相对优势。他复盘了自己如何从"通宵啃论文"的专家，变成一个依赖AI生成代码和报告的"提问机器"，并担忧自己正陷入"认知外包"的陷阱，深度思考的能力正在钝化。⏰ 当AI系统的设计目标是"最大化用户使用时长"而非"最大化用户成长"，你的努力是否在与系统对抗？
2025-06-23 07:31:33
1152
1
原创 AI大模型技术架构图全解
最后，要承认，不同领域、不同专业背景的人在画AI架构图时，会侧重某个特定方面，比如搞工程的，会特别重视模型增强层和AI编排层，我这张架构图，在他们眼里，肯定是不够专业。现在AI大模型火热，每个人都想对大模型技术有所了解，至少想了解个大概，这个时候，读懂架构图就很关键。原始模型像素颜，增强后才能上妆见人，这一层是让AI从"能用"到"好用"的魔法层。因此，我在下面还特意附上了其它的大模型架构，供大家参考，也请分享给有需要的人。不同场景需要不同模型，这一层是模型超市，是企业的"AI资产库"。
2025-06-18 07:30:34
2636
1
原创 我画了25个数据治理者的自画像，荒诞啊！
数据治理者是跨学科者，身体由技术员（键盘）、法律人（法锤）、业务人（公文包）、分析师（放大镜）四部分拼接而成。数据世界像一头巨大的数据“豹子”，难以掌控，数据治理者从一个小洞里试图理解全局数据地图。数据治理者穿白大褂，面对各种"数据病患"（缺失值、重复值、异常值）进行紧急手术。数据治理者身后是奔腾而混乱的数据“羊群”，他们挥舞数据“法杖”试图驱赶入栏。数据治理者像武林盟主，召集各门派（业务、分析、IT）合修元数据秘籍。数据治理者在建设一个“数据民主广场”，每人都有数据权益证。
2025-06-16 07:31:09
522
原创 别再逼数据治理创造价值了，它做不到！
现在很多企业IT部门牵头搞数据汇聚和开放，业务部门要是没真正参与进来，没有责权利的明确，没有分层分级，没有详细的解释口径，没有透明的处理过程，没有有效的权限控制，你让大家怎么信这个数据的可用性、权威性、安全性？多年前的一个下午，你站在会议室里，面对着老板质疑的眼睛，你的那份关于数据治理如何构建组织、建立流程、汇聚数据，建立目录，然后开放的PPT，讲到一半就感觉讲不下去了。：数据整合后，你能看到更完整的画面，不同来源的数据能互相印证，矛盾少了，一致性高了，你对数据整体描述能力的信任就上来了。
2025-06-09 07:31:10
934
原创 从数仓到GPT时代，我用30张图总结了20年数据架构演进史
从1990年代的Oracle单体数据库，21世纪初的数据仓库，到2024年爆火的向量数据库；今天，当你掌握了这30种架构模式，你就拥有了30种解决问题的思路。典型代表：Teradata、Oracle Exadata、IBM Netezza。典型代表：Apache Doris、StarRocks、Druid。这30张图，不仅是技术的演进史，更是一代又一代工程师智慧的结晶。典型代表：Oracle、SQL Server、MySQL单实例。我曾经问过一位在大厂工作了15年的架构师：'什么是好的架构？
2025-06-03 07:31:39
877
原创 我，年薪50万的数据治理专家，成了全公司最“没用“的人？
公众号推送规则变了，如果您想及时收到推送，麻烦右下角点个。第10幅：年度汇报·第三年。第9幅：年度汇报·第一年。第18幅：董事会报告出错。第20幅：自己的"成功"第3幅：第一次部门会议。第四幕：简单的"小事"第12幅：系统切换之夜。第七幕：业务理解的鸿沟。第13幅：财务数据治理。第八幕：预算的"艺术"第15幅：预算会议对比。第九幕：文化的"革命"第十幕：成功的"模式"第19幅：别人家的成功。第22幅：AI时代来临。尾声：致敬"无用"的人。第24幅：地下室的灯光。第5幅：数据泄露危机。第7幅：统一客户定义。
2025-05-28 07:30:26
192
原创 我，年薪50万的数据治理专家，成了全公司最“没用“的人？
公众号推送规则变了，如果您想及时收到推送，麻烦右下角点个。第10幅：年度汇报·第三年。第9幅：年度汇报·第一年。第18幅：董事会报告出错。第20幅：自己的"成功"第3幅：第一次部门会议。第四幕：简单的"小事"第12幅：系统切换之夜。第七幕：业务理解的鸿沟。第13幅：财务数据治理。第八幕：预算的"艺术"第15幅：预算会议对比。第九幕：文化的"革命"第十幕：成功的"模式"第19幅：别人家的成功。第22幅：AI时代来临。尾声：致敬"无用"的人。第24幅：地下室的灯光。第5幅：数据泄露危机。第7幅：统一客户定义。
2025-05-28 07:30:26
340
原创 我，年薪50万的数据治理专家，成了全公司最“没用“的人？
公众号推送规则变了，如果您想及时收到推送，麻烦右下角点个。第10幅：年度汇报·第三年。第9幅：年度汇报·第一年。第18幅：董事会报告出错。第20幅：自己的"成功"第3幅：第一次部门会议。第四幕：简单的"小事"第12幅：系统切换之夜。第七幕：业务理解的鸿沟。第13幅：财务数据治理。第八幕：预算的"艺术"第15幅：预算会议对比。第九幕：文化的"革命"第十幕：成功的"模式"第19幅：别人家的成功。第22幅：AI时代来临。尾声：致敬"无用"的人。第24幅：地下室的灯光。第5幅：数据泄露危机。第7幅：统一客户定义。
2025-05-28 07:30:26
290
原创 我，年薪50万的数据治理专家，成了全公司最“没用“的人？
公众号推送规则变了，如果您想及时收到推送，麻烦右下角点个。第10幅：年度汇报·第三年。第9幅：年度汇报·第一年。第18幅：董事会报告出错。第20幅：自己的"成功"第3幅：第一次部门会议。第四幕：简单的"小事"第12幅：系统切换之夜。第七幕：业务理解的鸿沟。第13幅：财务数据治理。第八幕：预算的"艺术"第15幅：预算会议对比。第九幕：文化的"革命"第十幕：成功的"模式"第19幅：别人家的成功。第22幅：AI时代来临。尾声：致敬"无用"的人。第24幅：地下室的灯光。第5幅：数据泄露危机。第7幅：统一客户定义。
2025-05-28 07:30:26
273
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人