数据中台架构：企业数据化最佳实践

1 信息认知和当前的信息化革命
1.1 信息工具的发展推动人类历史进步
1.1.1 信息的世界
1.1.2 信息工具
1.2 信息工具的进步与历史发展
1.3 当前的信息化革命
· · · · · · (更多)

1 信息认知和当前的信息化革命
1.1 信息工具的发展推动人类历史进步
1.1.1 信息的世界
1.1.2 信息工具
1.2 信息工具的进步与历史发展
1.3 当前的信息化革命
1.3.1 新的工具
1.3.2 新的特征
1.3.3 数据化——对数据的再应用
2 企业数据化
2.1 企业数据化认知
2.1.1 企业数据化的定义
2.1.2 数据分类
2.2 企业数据化与企业信息化及企业的关系
2.2.1 企业的本质
2.2.2 企业信息化
2.2.3 企业数据化
2.2.4 企业业务、企业信息化、企业数据化的关系
2.3 企业数据化建设的内容
2.3.1 企业数据化建设的一个核心目的
2.3.2 企业数据化建设的三个层次
2.3.3 企业数据化建设的五个部分
2.3.4 企业数据化建设的七种价值
2.4 企业数据化的现状与问题
2.4.1 数据意识
2.4.2 数据资源
2.4.3 数据资产
2.4.4 数据应用
2.4.5 数据质量
2.4.6 数据运营
2.4.7 数据技术与产品
2.4.8 企业数据化建设路径探索
3 数据中台概述
3.1 数据中台是什么
3.1.1 数据中台应该告诉企业全面数据化是什么样子的
3.1.2 数据中台应该汇聚全域数据
3.1.3 数据中台应该能够检验数据治理的成果
3.1.4 数据中台应该全面支持数据应用落地
3.1.5 数据中台可以包含企业数据化组织规划内容
3.2 数据中台的价值与建设的必要性
3.2.1 数据中台是数据化建设的基础
3.2.2 数据中台是企业数据化建设的引擎
3.2.3 数据中台将各个部分的数据工作有机串联
3.3 数据中台建设五步法
3.3.1 数据中台建设五步法概述
3.3.2 第一步：数据资源的盘点与规划
3.3.3 第二步：数据应用规划与设计
3.3.4 第三步：数据资产建设
3.3.5 第四步：数据应用的详细设计与实现
3.3.6 第五步：数据化组织规划
4 数据资源盘点与规划
4.1 数据资源盘点
4.1.1 数据资源的分类
4.1.2 数据资源盘点流程
4.1.3 数据资源盘点的成果
4.2 数据资源规划
4.2.1 实体行为数据资源
4.2.2 外部数据服务规划
5 数据资产建设
5.1 数据资产建设概述
5.1.1 前期准备
5.1.2 数据资产建设方法论
5.1.3 数据资产建设的步骤
5.2 产品选型与技术方案设计
5.2.1 数据仓库选型
5.2.2 融合现有数据化建设成果
5.3 数据模型设计规范
5.3.1 基本设计思路
5.3.2 主题域设计
5.3.3 数据模型开发规范
5.3.4 数据表的命名规范
5.3.5 数据表的设计策略
5.4 数据开发规范及数据开发
5.4.1 数据开发规范
5.4.2 数据采集
5.4.3 数据开发
6 数据应用规划与建设
6.1 数据应用规划
6.1.1 企业业务架构梳理
6.1.2 数据应用场景规划
6.1.3 业务指标和实体标签体系的构建与管理
6.1.4 数据应用落地路径规划
6.2 数据应用建设
7 数据应用之最佳实践
7.1 房地产行业的数据应用方案
7.1.1 房地产行业的典型业务场景介绍
7.1.2 房地产行业的典型数据应用
7.2 鞋服行业的数据应用方案
7.2.1 鞋服行业的典型业务场景介绍
7.2.2 鞋服品牌商普遍的数据资源困局
7.2.3 围绕“店货匹配”构建数据应用蓝图
7.3 乳制品行业的数据应用方案
7.3.1 乳制品行业的典型业务场景介绍
7.3.2 以“消费者深度运营”为目标建设乳制品行业数据应用
7.4 新零售营销的数据应用方案
7.4.1 新零售泛行业理解
7.4.2 新零售的典型数据应用
7.5 人力资源领域的数据应用方案
7.5.1 人力资源领域类业务场景
7.5.2 高潜力人员评估
7.5.3 人员离职预测
8 数据化组织规划
8.1 数据化组织规划的必要性
8.2 数据化组织的定位与职责
8.3 数据化组织的工作内容与边界
8.4 数据化组织的岗位设置
8.5 数据化组织的人数配置、预算资金与考核建议
9 数据中台与数据质量
9.1 数据质量的常见问题
9.2 数据模型规范提升数据质量
9.2.1 数据的定义
9.2.2 数据的分类
9.2.3 数据的颗粒度
9.2.4 数据的编码
9.3 数据管理提升数据质量
9.3.1 数据管理组织
9.3.2 数据管理流程
9.4 数据共享提升数据质量
9.4.1 业务数据如何传递
9.4.2 基础数据如何保持一致性
9.4.3 如何通过技术手段监督多版本数据的一致性
9.5 清洗历史数据提升数据质量
9.5.1 数据清洗的目的和策略
9.5.2 数据清洗的范围和组织
9.5.3 数据清洗工具
9.6 主数据管理提升基础数据质量
9.6.1 人员主数据管理
9.6.2 账户主数据管理
9.6.3 组织主数据管理
9.6.4 客商主数据管理
9.6.5 顾客主数据管理
9.6.6 产品主数据管理
9.6.7 项目主数据管理
9.6.8 资产主数据管理
9.6.9 物料主数据管理
10 数据中台建设
10.1 数据中台建设的特点
10.2 数据中台建设的策略选择
10.3 数据中台建设的整体流程
10.4 数据中台的建设风险及应对方法
10.4.1 数据中台的定位问题
10.4.2 数据中台的管理博弈
10.4.3 数据中台的业务价值方向选择
11 数据中台的软件支撑
11.1 平台的整体架构
11.2 计算引擎
11.2.1 大数据离线计算引擎
11.2.2 大数据实时计算引擎
11.3 离线/流计算开发套件
11.3.1 数据同步模块
11.3.2 数据开发平台
11.3.3 运维中心
11.3.4 发布管理
11.4 实时计算开发套件
11.4.1 FlinkStreamSQL
11.4.2 数据开发
11.4.3 数据运维
11.4.4 实时采集
11.5 数据资产管理套件
11.5.1 数据地图
11.5.2 数据模型规范管理
11.6 数据质量管理套件
11.7 数据科学平台
11.7.1 算法数据资源管理
11.7.2 可视化实验开发
11.7.3 算法模型离线训练
11.7.4 模型在线部署和调用
11.8 分析引擎
11.9 数据API引擎
11.9.1 数据API引擎的常用数据源
11.9.2 API发布
11.9.3 API管理与授权
11.9.4 API申请与调用
11.9.5 API测试
11.9.6 API安全
11.10 标签引擎
11.10.1 实体管理
11.10.2 标签中心
11.10.3 群组分析
11.10.4 标签数据服务
11.11 数据应用规划工具
11.11.1 业务架构梳理工具
11.11.2 数据应用规划工具
11.11.3 指标与标签体系管理工具
11.11.4 数据资源盘点工具
11.11.5 数据应用规划看板
· · · · · · (收起)