自从大数据概念开始兴起后,好像人们都不怎么谈指标了,而津津乐道于标签。数字经济时代,谈论指标真的落伍了吗?其实未必!指标也好,标签也罢,只要用好都能发挥其价值。怎样才能用好它们呢,我觉得要

数字化转型主要包括业务数字化、数据资产化、资产业务化、业务智能化几个阶段。在不同的阶段,分别需要哪些数据产品呢?

数据治理是企业数据建设必不可少的一个环节。好的数据治理体系可以盘活整条数据链路，最大化保障企业数据的采集、存储、计算和使用过程的可控和可追溯。

在软件工程中良好的设计具有不可比拟的意义，它胜于需求、编码、维护等环节，秉承设计优先的原则会让软件开发变得简单高效，可以尽量避免掉因设计失误而导致的缺陷，一个健壮的程序必然有良好的

有结构地分类组织和存储是我们面临的一个挑战。数据模型强调从业务、数据存取和使用角度合理存储数据。数据模型方法，以便在性能、成本、效率之间取得最佳平衡

2021年12月31号，全国信息安全标准化技术委员会秘书处发布了《网络安全标准实践指南——网络数据分类分级指引》，给出了数据分类分级的原则、框架和方法。

好的数据治理体系可以盘活整条数据链路，最大化保障企业数据的采集、存储、计算和使用过程的可控和可追溯。

MLOps寻求提高自动化程度并改善生产模型的质量，同时还要关注业务和法规要求。虽然MLOps是从一组最佳实践开始的，但它正逐渐演变成一种独立的ML生命周期管理方法。

随着数据量、速度和种类的增加，选择合适的数据平台来管理数据从未像现在这样重要。它应该是迄今为止满足我们需求的古老数据仓库，还是应该是承诺支持任何类型工作负载的任何类型数据的数据湖？

作为一名数据的规划者，我们肯定希望自己的数据能够有秩序地流转，数据的整个生命周期能够清晰明确被设计者和使用者感知到。直观来讲就是如图这般层次清晰、依赖关系直观。

在过去的十年间，混合云、人工智能、物联网(IoT)和边缘计算造成大数据呈指数级增长，提高了企业数据管理的复杂程度。

不管在哪一重，在日常工作场景，或面试的时候，分析某指标上升/下跌的原因，其实核心考察2个要素：业务理解和逻辑。