既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
- Variety:数据类型分为结构化数据、半结构化数据(例如电子邮件、办公处理文档)、非结构化数据(文本、音频、视频等等)
- Velocity:大数据具有时效性,要求在正常业务处理时必须及时的处理大数据才能最大化的挖掘和利用大数据的潜在商业价值
- Volume:即海量数据,当前对大数据的定义会有些不一样,但有一个基本的共识就是:数据量将急剧增长
- Value:即数据价值,大数据处理的目的是从海量的低价值密度的数据中挖掘出具有高价值的数据,尤其是商业价值,即如何有效利用好这些数据
一些思考
从大数据的4V特征来看,我们如何保证大数据及大数据处理过程的质量将会面临如下一些挑战,尤其对当下的软件测试工程师:
- 面对更为庞大和复杂的场景下,思维转变的挑战
- 大数据处理相关技术,成为了目前软件测试工程师的拦门虎
- 随着与人工智能、区块链等进一步场景落地结合,所带来的思维和技术的挑战将会是前所未有的
- 传统经典的测试方法在应对更为复杂的应用场景时,显得攻势不足,我们需要站在经典的测试方法上去创新、构建新的测试方法
结合工作的思考
结合这些年所从事的行业和岗位,关于大数据测试方面有些简单的思考:
- 大数据基础理论和技术是需要长期坚持学习和提升的
- 结合所在行业和工作,从解决一点、一件事情做起,逐步的引入一些理念,有利于培养整个团队的意识
- 深入分析所在行业的用户数据特征、商业模式和行业发展趋势等有利于构建本行业的大数据的质量模型和测试技术体系
总结
大数据测试在国内的落地依旧有很长的路要走,我们要面临的挑战不能以多来形容,应该说是从无到有的艰难
从2014年开始考虑构建车险行业的数据质量测试模型,碰到了无数的坑,依旧有很多无法落地的事项,所面临的的问题不仅仅是技术问题。同样的团队、流程、机制、企业文化、人等等都会成为助力也会成为阻力
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新