- 博客(148)
- 资源 (2008)
- 收藏
- 关注
RSS订阅原创 大模型在智能客服领域的应用思考
随着大模型技术的飞速发展，其在商业化应用的落地实践上仍面临着挑战，不论是面向C端用户的付费服务模式，还是面向B端企业的业务赋能策略，目前都尚未形成成熟且清晰的商业模式。在我所专注的智能客服领域，作为人工智能落地应用的前沿阵地，我深刻感受到大模型的生成能力、泛化能力以及增强检索等核心技术的巨大潜力。基于此，我构想了一系列应用方向，并期望通过分享结合大模型工具的实验经验，与大家共同探讨这些可能性。
2024-05-10 19:09:32
1055
原创 从面试官视角出发，聊聊产品经理的面试攻略
这题基本是面试的开胃菜了，估计面试多的，自己答案都能倒背如流啦。其实自我介绍还是蛮重要的，对我来说主要有 3 个作用：面试准备、能力预估、思维评估。面试准备：面试官每天都要面 3 ~6 人，很难抽空去认真看简历，这题就是为了让他花几分钟，认真过下你的简历，顺便整理下思路，挖掘一些针对性的面试题；能力预估：这个环节重要在于，讲得好能很快体现你的抽象归纳、逻辑推理、沟通协调、讲故事等综合能力，让面试官对你快速形成第一印象；
2024-05-10 19:06:16
766
原创 我们应该如何做参与式观察
记得多年以前，有个朋友问我：对于做观察，有人通过教授绘画技巧来教人如何做观察。你们研究员又不会画画，你们如何让人相信你们更会观察呢？坦率说，当时我被问住了，因为我从来没有进行过这样的对比。我知道我会如何观察，但我并不确定一个会画画的人观察会跟我有何不同。于是我特地去翻看了一些教授如何画画的书。应该说，绘画中的很多观察技巧确实给我很多启发。不过研究中的观察（包括参与式观察）跟绘画的观察还是颇有不同。在我看来，做好参与式观察必须要做好以下几个步骤。
2024-05-10 19:03:26
1125
原创 常见物联网面试题详解
物联网即“万物相连的互联网”，是互联网基础上的延伸和扩展的网络，将各种信息传感设备与互联网相结合而形成的一个巨大网络，实现在任何时间、任何地点，人、机、物的互联互通。物联网是新一代信息技术的重要组成部分，IT行业又叫：泛互联，意指物物相连，万物万联。由此，“物联网就是物物相连的互联网”。这有两层意思：第一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；第二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信。
2024-05-10 19:01:56
1899
1
原创 从需求到实现的关键
内容：政策，需求，市场，技术，社会。帮助理解：使各方更好地理解PRD中所描述的需求和功能。建立共识：帮助各方对项目的重要性和目标达成一致，从而促进合作和共同努力。支持决策：为决策提供依据，帮助各方了解项目范围和限制，以便做出明智决策。示例：国家对畜牧业信息化、智能化和规模化生产能力的重视为科技企业提供了政策支持（政策背景），同时随着居民生活水平的提高，对畜牧业相关食品的需求也逐渐增加（需求背景）。作为畜牧业大国，我国在全球畜牧总量中居前列，这对我国的国民经济发展至关重要。
2024-05-10 19:00:54
731
原创 15个顶级思维模型
为何游戏如此受欢迎，就是游戏的设计满足心流理论，如果游戏的定义扩大，把学习、工作、运动、教育包含进来，去评估自己在做的事是否满足心流三点，这样自然会过得幸福快乐。在有限的时间，把有限的精力和财富，持续而反复地投入到某一领域，长期坚持下去，最终产生的积极影响，会如雪球越滚越大，它带来的回报一定超过你的想象。人的身体也符合自然的规律，也具有反脆弱性，人骨折了，生出来的骨头会更加强壮，中过毒的人也会具有抗毒的特性。值得庆幸的是，宇宙是平衡的，在熵增的大前提下，给了我们一条不同的路，反熵增，也即自组织、生命化。
2023-08-14 00:20:46
719
原创 10个成语理解项目管理的价值观和方法论
项目管理中强调的风险管理也是同样的道理。风险管理的高手不是在风险发生时临危不乱，而是提前识别项目中的各种风险，分析这些风险发生的概率和造成的影响，并且做出应对计划，如此才能真正地从容优雅。，今天先开个头，从“拍马屁”（PMP）说起，后续将分享或记录一下这些年做项目遇到的坑（包括读者朋友找我诉的苦），也欢迎广大数据项目人读者朋友一块儿探讨如何攻克这类项目难题，，我觉得非常有意思，对于考试通过也非常有参考价值，今天先给大家分享一下，希望对大家有所启发，你也可以也就着这10个成语，结合实际项目经验进行思考。
2023-08-14 00:17:01
411
原创 0到1搭建企业级数据治理体系
数据治理是一个长期工作，需要相关从业者根据企业的数据现状和管理模式去构建和调整，建议边做实践边总结归纳，小步慢跑是一个很好的方式。数据治理是个长期过程，会跟随着企业数据的规模和数仓规划的变更同步调整，部分功能可能会在短期内卓有成效，完整体系搭建短期很难实现。你的数据有没有被合理利用？长效机制，规范数据管控流程，提升数据质量，促进数据标准一致，保障数据共享与使用安全，从而提高企业运营效率和管理水平。数据安全是企业数据建设必不可少的一环，我们的数据都存储在大大小小的磁盘中，对外提供不同程度的查询和计算服务。
2023-08-13 10:53:59
351
原创 【实战讲解】数据血缘落地实施
元数据作为血缘的基础，一是用于构建节点间的关联关系，二是用于填充节点的属性，三是血缘系统的应用需要基于元数据才能发挥出最大的价值。血缘系统可以扩展数据相关的实体节点，可以从不同的场景查看数据走向，例如表与指标，指标与报表的血缘关系。假设一个任务实际的输入和产出与血缘中该任务的上游和下游相符，既不缺失也不多余，则认为这个任务的血缘是准确的，血缘准确的任务占全量任务的比例即为血缘准确率。当血缘覆盖率低时，血缘系统的应用范围一定是不全面的，通过关注血缘覆盖率，我们可以知晓血缘的落地进度，推进数据血缘的有序落地。
2023-08-13 10:52:03
1742
原创 做正确的事 VS 正确的做事，哪个更重要？
但对于我们个人来说，老是纠结于是该做正确的事还是正确的事无异自寻烦恼，不同的阶段的侧重点也是不同的。当我们还是程序员的时候，我们应该以正确的做事为主，因为在我们没有能力影响做正确的事的时候，提高工作效率，坚定的执行好更容易得到领导的认可；所以从长远看，坚持重要而不紧迫的事情，才是正确的做事，因为这类事情符合目标，而且可以提前计划，有所准备。做正确的事情能让我们事半功倍，但我们如果不能正确的做事，最终的效果也会大打折扣，甚至导致事倍功半，所以正确的做事也是非常重要。优先选择简单的工作，然后才是复杂的工作；
2023-08-12 18:28:43
386
原创 做数据分析，要懂多少excel
Excel只是一个处理表格的基本工具，除了简单的制作表格以外，基于表格的数据计算、数据图表绘制、统计学/运筹学公式，Excel都有包含。这样的习惯，能在计算的时候清晰指标间逻辑关系，不但不容易出错，而且可以基于新衍生的分类标签/指标，做更多分析。而且，也没必要100%搞明白，作为一个数据新人启蒙的工具，想搞懂Excel，关键是搞懂四大基础操作。，让业务方看到输出物的样子，确认符合需求。很多时候，业务喜欢自己做计算，此时可以把业务想计算的分类维度、指标准备好，然后教业务方使用数据透视表，想计算啥，就计算啥。
2023-08-12 18:27:31
129
原创 作为数据产品经理的一天
跟功能性产品经理有所不同的是数据产品经理日常会面对同一时间要处理大量的数据需求，但大部分公司对于数据的人力和资源都是极其紧张的，所以对需求做优先级评估是必备技能，同样也是几个维度来判断优先级：需求影响面、业务紧急程度、是否影响业务决策等，这些也是产品经理的基本功。到公司打开电脑处理下这周的需求，需求种类包括业务的数据需求或者平台类的数据需求，这也就反映了数据产品经理的工作方向其实也有细分，比如是面向业务还是面向平台，不同对象的数据需求内容不一样，对数据产品经理的能力要求也就不同。4.需求实现排期评估。
2023-08-11 08:59:38
112
原创 主数据怎么治理？
比如保险行业，从多年前保监会就要求标准化保质保量报送数据，所有数据报送要求都非常严格，未按标准报送的数据，需要公司盖章说明原因，效果确实有一些，但还是形成不了体系，无法全局标准，标准不能制度化，标准融不进流程，更别谈自动化和常态化了。但又与基础数据不同，主数据的取值不受限于预先定义的数据范围，而且主数据的记录的增加和减少一般不会影响流程和。主数据是指满足跨部门业务，跨流程，跨主题，跨系统，跨技术，协同需要的、反映核心业务实体状态属性的组织机构基础信息，主数据具有权威性，全局性，共享性，扩展性等特点。
2023-08-11 08:58:19
190
原创 中国月入过万的人多不多
国民生产总值，它是一个生产的概念，好像说明不了什么问题，并且总觉得自己被平均了，不止你，我也时常感觉自己被平均，那我们再来看看人均可支配收入。我有一个朋友的例子我就不举了，我相信大家身边的情况各不相同，应有尽有，并且很大程度上都存在幸存者偏差。的感觉是一样的，你所在圈子这个样本本身就很偏了，你感觉到的肯定就是有偏的。说这些，是想告诉你，你其实很优秀，不要太焦虑，取悦自己最重要，不是吗。个部分，先从公开数据中估算，然后看统计数据的情况，最后说说身边的人。万人，也就是说，如果你月收入过万，那你就属于。
2023-08-10 14:38:28
2002
原创 指标体系搭建的一些思考和问题
最后就是，在方法论和商业画布的基础上，要对应到部门，比如认知阶段，很多都是市场部、品牌部、渠道部负责，那么这样指标有问题，你就知道找谁背锅了，这里面要注意一点，现在很多部门的指标比较单一，比如渠道部只负责拉点击，不负责注册，那么你就要通过指标的表现和系统性，考虑跨部门背指标，这一点比较难，但你还要点出来，或者用权重的方式去解决，这一点还是让领导去拍，一般指标体系老板都要参与，不为啥，他们就想找个方式量化一切。最核心的一点，指标体系的搭建其实很简单，主要是如何从你的报告体系中反应出来，比如日报反应什么？
2023-08-10 14:35:10
256
原创 元数据血缘分析在保险业务中的应用
C、小陈是开发中心的一名数据开发工程师，突然收到了一个表结构变更需求，赶紧通过各个系统负责人、数据中心负责人、报表组负责人......（只要有可能会用到的下游系统及应用，不怕错杀一千就怕放过一个），然后就是各个系统或应用的负责人开始一个个的检查，在规定的时间修改、测试、上线。我们回到开篇的场景，有了数据血缘，小李就可以快速地了解到消耗性能大的PKG 使用了哪些系统的数据、中间的处理逻辑、目标表是哪些，这些表又被哪些系统应用使用到了，可以快速的定位到这些PKG 会唱响到什么业务，从而避免出现类似的生产事故。
2023-08-09 12:01:44
263
原创 一站式Flink&Spark平台解决方案——StreamX
是一个完全由国人发起的开源项目。也欢迎大家联系我们，加入到开源项目中来，为中国开源崛起献上一份自己的力量，未来共同向着成为。比较多，两者是有一定区别的，侧重点不同。未来也会写文做一下两者的对比。生态的不断完善，越来越多的企业选择这两款组件，或者其中之一作为离线。流上的开发部署能力与运行监控能力，努力把。等整合的计划，也会继续增强。打造成一个功能完善的流数据。项目配置和依赖版本化管理。平台在启动时不在强制依赖。新增打包机模块，任务打包。也成功的入选了开源中国的。近期也发布了最新的版本。年度最有价值开源项目。
2023-08-09 11:58:55
1016
原创 一文看懂：用户分析体系该如何搭建
宏观层面，针对用户群体总量进行预测，比如预测整体上用户会流失多大比例，用户增长到什么规模，活跃用户预计是什么水平。通过埋点数据，可以获得用户点击、浏览、观看等数据，这些数据，零散地看可能意义不大，但是汇总起来，能形成很有意义的分析。用户来源分析，就是从获取用户角度，把用户来源渠道、转化路径，结合用户消费分层与用户特征进行分析。几乎所有部门，都会用到用户分析的结论，所以用户分析，在整个分析体系中，是最基础的环节。除了单独的用户行为分析，用户行为数据，可以作为建模的输入素材，训练更多的模型。
2023-08-08 00:57:02
304
原创 未来，运营的重要性大于产品？
现在，不管是移动端产品经理，还是电商、金融、医疗产品，都已经有比较成熟的产品，公司战略确定后，产品经理可以快速的设计产品解决方案，一些创业公司小项目，甚至都不用产品经理。我每次面试产品经理的时候，都会问一个问题，产品经理的核心价值是什么，在我看来，产品经理的核心价值，一定是创造有利可图的用户价值。当产品形态稳定的时候，产品经理要提升用户价值或商业价值，就变得比较困难，最多是提升一些用户体验，要扩大产品的价值，还得靠运营。需求方靠谱，支持工作就有价值，需求方不靠谱，支持工作毫无价值。
2023-08-08 00:50:19
1205
原创 苏宁数据治理实战方法论和三字经
公司的支持至关重要，有助于建设统一的数据文化，推进成立数据治理委员会，明确各组织的职责，制定治理制度、标准和流程等，以专职的治理团队负责治理工具建设和整体运营推进。大多数公司在大数据发展初期都是野蛮生长的，它们更关注的是拥有更多的数据，更快速的完成数据业务开发，即使集群资源不够了，增加机器远比开展治理来得更快。大数据集群资源治理是一项庞大且复杂的工程，苏宁结合自己的治理经历，从计算治理、存储治理、性能和稳定性治理三个方面，分享一下典型的治理场景和解决方案。但同时数据的压缩和解压，需要消耗计算资源。
2023-08-07 10:38:08
239
原创 顺丰科技数据治理实践
2020、2021 及 2022 年上半年，在加强领域能力建设的同时，我们更多的把数据治理的工作和业务更紧密的结合在一起，我们发现，在数据治理体系建设的过程中，如果没有业务的参与，该工作就变成了一个纯科技的工作，难以得到有效的落地。在顺丰主要关注元数据、主数据、交易数据、指标数据的安全、质量和标准的管理。，顺丰数据治理体系的相应的规范政策都是在数据治理体系总纲的指导下，来进行编写的，包括主数据的管理规范，数据安全的管理制度，数据质量的管理要求，数据标准的管理办法，及指标口径的管理规范。
2023-08-07 10:36:40
1145
原创 数据资产目录建设之数据分类全解
按照线分类法，按照业务属性（或特征），将基础电信企业数据分为若干数据大类，然后按照大类内部的数据隶属逻辑关系，将每个大类的数据分为若干层级，每个层级分为若干子类，同一分支的同层级子类之间构成并列关系，不同层级子类之间构成隶属关系。管理主体就是“WHO”，管理范围就是“WHERE”，这两个对象一确定，就说清楚了是“谁”具体负责“哪里”的事情，职责范围就清晰了，业务条线自然而然就划分出来了。但是我们分类的时候一般就分个3、4级就行了，在《指引》里，建议用MS-MS划分一次就行，剩下的层级放在数据归类阶段进行。
2023-08-06 00:57:37
675
原创 数字化转型的本质、路径、阶段和挑战一篇讲明白
传统企业在推进数字化转型的过程中，需要正视当前企业的现状，包括企业内部的观念、业务团队的创新度、IT技术团队的技术水平、企业内部的组织架构、竞争对手的行动方案等，因此企业是否能够定义企业数字化转型要解决的问题显得尤为重要，合适的节奏、敏捷快速的执行可以确保转型进程正常推进。当企业理解了数字化转型的本质，明确了数字化转型的目标，制定了企业战略层面的顶层设计之后，基于阿里巴巴智能商业理论的“数字化成熟度”评估可以帮助企业判断自身的能力强项和短板，从而在技术实践层面做出最优的选择。
2023-08-06 00:55:09
607
原创 数据资产管理和数据治理是什么关系？
于是你们家去参加展会，联系到更多的上下游企业，把生意往前延伸一些，把铁卖给加工厂、生产用品厂，联合大家一起把矿石变成更值钱的商品，这就是。反正事儿是这么些事儿，至于他们怎么定位，具体做那些事儿，产品能解决那些问题，往上面讲的数据治理、数据资产管理、数据资产经营上面套就行了。数据资产经营是在数据资产管理体系的基础上，筹划数据资产在企业或组织间进行共享、交交易、合作等，让数据资产良性流动的过程。数据资产管理就是在数据治理的基础上，对数据资产的行程、确权、价值评估等相关活动进行管理的过程；但是矿很便宜，都是论。
2023-08-05 00:35:14
265
原创 数据中台建设过程中“通用化+标准化+敏捷性”
关于标准化，数据中台具有沉淀数据的价值使命，数据通用性、可用性主要依赖于“数据的标准化”，如对“地址“的现行大多企业标准化做到了“省市区镇”的结构化、参数化，但实际省市区镇的由于国家城镇改革，区划参数在不断变化中，每一次行政区划变动涉及企业历史地址数据更新，若能够标准化到“经纬度”，那么大幅减少历史数据的更新工作量（仅需通过地址经纬度翻译出最新省市区镇即可）。从业务视角，数据中台是指通过完成企业内外部多源异构的数据采集、治理、建模、分析、应用，打通数据孤岛实现数据集中管理应用,成为企业数据资产管理中枢。
2023-08-05 00:34:34
317
原创 数据中台底层逻辑
面对数十万张表，我们的运营和分析师找数据、准确地理解数据非常困难，想找到一个想要的数据，确认这个数据和自己的需求匹配，他们往往需要花费三天以上的时间，对新人来说，这个时间会更长。不同的模型带来不同的口径的数据，每个工程师都需要从头到尾了解研发流程的每个细节，对同样的“坑”每个人都会重新踩一遍。除了对于游戏本身的洞察，其组织上的特点是，不是自上而下的组织设计，而是由非常多的小团队（3-7人）共同构成，每个团队充分自治，而公司会提供强大的游戏基础能力（中台）。平衡业务支持的程度，优先支持的通用性。
2023-08-04 00:46:44
129
原创 数据治理总结
如果要让数据正向流转起来，核心本质就是要首先保障数据质量，先让用户对数据产生信任和依赖，进而再去挖掘供给，不断丰富供给才是有意义的，那数据质量的好坏，对谁有核心利益的相关信性，我认为是对数据生产团队，因此，这就是我结论三里说的，如果数据出现质量问题，首要负责团队是平台团队，但最后真正为数据质量负责的，却应该是数据生产团队，这也就是部分公司做数据治理，方向跑偏了的原因，为了解决质量问题，成立中台团队，开发很多治理工具，但只要数据内容不在中台手里，中台其实很难对质量治理的落地最终负责。
2023-08-04 00:44:58
796
原创 数据治理项目失败，90%都是被这样搞垮的！
项目型的数据治理，是不全面的，无延续性，能够解决一时的数据问题，但很难获得持续的数据价值，效果也注定是差强人意。啥，领导看不见价值？有效的数据治理项目需要高级领导层承担责任，牵头的高级管理者不仅需要对数据治理有一定的认知，还需要具备相当的权威和影响力，能够做到跨部门的协调，并在项目中能够给予数据部门充分的授权和大力的支持。4、谁有数据的拥有权，谁有数据的使用权，谁有数据的管理权等职责没有清晰的定义，号称人人都对数据质量负责，但实际上数据管理十分混乱、大量重复，真正出现问题后相互推诿，没有人愿意负责。
2023-08-01 09:52:30
184
原创 数据治理实践：元数据管理架构的演变
它通常是一个经典的单体前端（可能是一个 Flask 应用程序），连接到主要存储进行查询（通常是 MySQL/Postgres），一个用于提供搜索查询的搜索索引（通常是 Elasticsearch），并且对于这种架构的第 1.5 代，也许一旦达到关系数据库的“递归查询”限制，就使用了处理谱系（通常是 Neo4j）图形查询的图形索引。作为对人工智能团队的数据支撑，我们听到的最多的质疑是 “正确的数据集”，他们需要正确的数据用于他们的分析。然而，在现代企业中，我们拥有一系列令人眼花缭乱的不同类型的数据资产。
2023-08-01 09:51:17
681
原创 数据治理8种方法
然后在实施项目中，先穿透一个场景，再慢慢从纵深和横向两个层面不断扩大战果，建元数据、主数据、指标体系、数据质量管理体系等等，不断夯实数据基建，为前端数据应用提供高质量数据供给。做个咨询，对数据现状进行盘点，全面掌握企业未来的战略和目前的现状，然后根据数据管理体系，做出差距分析，拟定具体执行的工作任务，根据时间进度安排，拆解并规划项目。在企业，谁挣钱，谁的话语权就大。我过去就是按照标书里的要求，建库建表，开发ETL，把数据收上来，然后整个规则引擎，按照配置结果，自动计算数据质量，定期出数据质量报告。
2023-07-31 12:11:57
613
原创 数据治理的21个有效策略
数据治理能否成功很大程度取决于领导的级别，CFO，CMO，CIO都在维护各自专业领域的利益，但鲜有CDO，因此，不要看公司怎么说，得看它怎么做，凡是要干大事的，组织和领导的调整都是第一步。大多领导并不清楚数据治理的内涵，因此普及工作任重而道远，如果你的企业有一位，那是中大奖了，如果别的企业数据治理做的很好，也别急着学什么成功经验，先看下各家领导的级别和水平，也就是背景调查。数据治理的起点大多来自于企业发生的跟数据质量相关的重大事件，要顺势而为，时机没到基本没戏，做了大多也是做戏，不要神化别人的先知先觉。
2023-07-31 12:10:41
166
原创 数据治理|数据安全工具建设分享
基于权限模型设计的权限产品DEMO，核心思路来源于ABAC模型的改良，我命名为TRFAC模型，即基于“对象-资源-条件-行为”的权限控制，描述了“XX对象（人/应用/组织/角色等）对 XX资源（页面/菜单/按钮/数据等）在 XX条件/因素（城市=北京等）下拥有 XX行为类型（增删改查等）的权限”。测试系统，创建测试账号，用于系统测试。身份认证包含账号和认证两个部分，其中账号就是管控对象的身份，比如每个人都有电话、邮箱等，可以作为在登录微信或者QQ时候的账号，账号是保障数据安全的最基本前提。
2023-07-30 10:38:02
273
原创 数据治理|数据资产中心
通过以上内容介绍，目前国内作者能接触到的主流数据资产管理平台的主要功能就都基本介绍完毕了，展望未来，我认为，资产中心基于它数据内容采集和管理的特点，其实是可以深入到数据应用和服务领域，通过先进的搜索和AI算法，快速提供轻量化的数据可视化、数据分析和归因预测等服务，在满足业务找人找数的需求上，直接反馈数据结论，简化后续业务找到数据后再去分析数据的流程，提高数据分析效率。如图表20，数据资产中心提供了管理者视角的资产录入和维护界面，支持以资产中心为统一维护平台进行资产维护，保障资产元信息的及时更新。
2023-07-30 10:35:51
899
原创 数据质量实践
刚去几天，当时考拉的业务投诉数仓、说流量数据不正确，排查了半天，发现是流量数据丢失，原因是几台机器数据没有收集，最终定为P2事故。如果不长期优化，就会恶性循环，在破线的边缘徘徊。在用户标签这块我们会有实时+离线的dm层明细数据、汇总数据，为了保障标签不带来资损，这块我们也进行了全方位的质量监控(这块类似于dwd 和dws 的数据监控)。有时候数仓团队会出dm模型用来进行发放福利，这个如果稍有差错，就可能带来大的资损事故(钱的多少决定了事故的等级)，在这块我们会进行基础的监控和发放钱的监控。
2023-07-29 10:36:09
234
原创 数据治理 | 质检监控中心
除了质量之外，一些核心报表资产，由于面向用户的级别较高，业务关注度较广，对产出的及时性要求较高，而如果这类报表上游较复杂，往往会出现上游一个任务节点重启超时，甚至重启失败，造成整个下游任务挂起，最终报表产出严重超时，在业务侧引发事故，此时，我们就需要第一时间感知到各个任务节点的产出结果、作业执行情况等数据，有问题第一时间报警处理，SLA便能解决这类问题。质量监控：面向具体数据资产，通过配置定时调度监控任务，分级报警处置，主要功能包括监控规则配置，分级预警配置，报警任务处置等。
2023-07-29 10:33:33
361
原创 数据指标 VS 标签体系，到底有啥区别？终于讲清楚了。
大量的一线工作人员会有需求，比如客服、销售、售后、文案编辑，能通过标签，快速查到对应的商品、客户、活动等信息，提高工作效率。实际上，标签和指标一样，是数据分析的左膀右臂，两者同样重要。标签，则是基于原始数据加工的，带了业务含义的概括性描述。因为标签是人工生产的，加入人的主观判断的。这是标签的高级应用了。相当多的企业，没有系统做过标签梳理，有大量的散乱的基础特征标签。所以，标签体系的建设是非常重要的，不但能丰富数据分析的素材，更能直接推动分析成果落地。这样把使用标签场景，数据上差异表述清楚的，才是好的目标。
2023-07-28 10:45:03
159
原创 数据湖如何为企业带来9%的高增长？可否取代数据仓库？
客户认为云作为数据湖的优势的主要原因是更好的安全性、更快的部署、更好的可用性、更频繁的特性/功能更新、更具弹性、更广的地理覆盖范围以及与实际利用率相关的成本。数据湖允许您运行分析，而无需将数据移至单独的分析系统。数据仓库，也称为企业数据仓库，是一种数据存储系统，它将来自不同来源的结构化数据聚合起来，用于业务智能领域的比较和分析，数据仓库是包含多种数据的存储库，并且是高度建模的。由于数据湖主要存储原始和未处理的数据，所存储的数据可以用于任何目的，这使其成为人工智能(Al)、机器学习和数据科学的理想选择。
2023-07-28 10:43:46
983
原创 数据管理成熟度等级计算
每个能力域的得分均取其下的3个或4个能力项得分的平均数。指的是能力域下的某个能力项得分（如，数据战略能力域下的数据战略规划能力项得分），得分范围从0到5，能力项得分保留两位小数，每个能力域下均有3个或4个能力项。指的是能力项下的某个能力等级得分（如，数据战略规划能力项下的初始级得分），得分范围从0到1，能力等级得分保留两位小数，每个能力项下均有5个能力等级。指的是DCMM的八大能力域中的某个能力域得分（如，数据战略能力域得分），得分范围从0到5，能力域得分保留两位小数，DCMM共有8个能力域。
2023-07-27 10:58:07
209
原创 数据处理的100个Python小技巧
目前Python可以说是非常流行，在目前的编程语言中，Python的抽象程度是最高的，是最接近自然语言的，很容易上手。map()函数将给定函数应用于可迭代对象(列表、元组等)，然后返回结果(map对象)。map()函数将给定函数应用于可迭代对象(列表、元组等)，然后返回结果(map对象)。在定义属性或方法时，在属性名或者方法名前增加两个下划线，定义的就是私有属性或方法。假设你在函数中获得输出，原本应该是一个列表，但实际上却是一个字符串。这并不意味着，你可以无限使用，为了代码的易读性，还是需要合理使用。
2023-07-27 10:57:16
204
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人