终于有人把数据治理讲明白了

数据治理（Data Governance）是企业对数据资产管理行使权力和控制的活动集合（包括计划、监督和执行)，它是管理企业数据资源的一种方式、方法，旨在确保数据的质量、安全、合规和有效性。数据治理是企业实现数据战略的基础，是一个管理体系，包括组织、制度、流程和工具。

数据治理是一套复杂的管理体系，它无法通过单一的工具或产品来实现。数据的生命周期包含了源头、处理和消费这三个阶段，数据的问题也可能会出现在这三个环节中。例如在数据源头环节，用户录入数据的规范性存在问题，导致了最终数据消费环节的数据质量低。这些表象问题的根源，可能来自于业务系统用户交互设计，乃至是底层数据库表结构设计上的缺陷。想要解决这些表象的问题，就需要解决深层次的信息化业务系统开发以及数据库表约束设计等问题。例如为了保证用户录入数据的准确性，有三种方式去设计业务系统：其一是设计前端的检验验证，避免用户做出相同的选择；其二是通过程序编写过滤判断的逻辑，筛除掉前端误入的数据，作为第二层验证；其三是通过建立约束条件，例如唯一性约束、检测约束等等来控制数据录入准确性。因此，企业的数据治理远非使用一款单一的工具或产品就可以实现的，它是需要回到源头，对企业的组织、流程制度、业务系统、底层架构等多个方面进行排查和重构的，它是一套复杂的管理体系。

数据治理的两种策略

考虑到数据治理工程的复杂性，我们提出了两种目的性不同的数据治理策略：拉式策略（Pull Strategy）和推式策略（Push Strategy）。

拉式策略，面向数据应用，是以提升数据应用过程中的数据准确性为目标的数据治理建设策略。它强调在数据应用的过程中定位和解决问题，以数据应用项目为建设周期。具体而言，拉式策略有三个特点：

1.自上而下：拉式策略通常以指标体系为起点，进行金字塔式自上而下的规划与建设，通过“数据流、业务流、信息流”的过程反向推动数据质量提升；

2.数据整合：它包括多系统的数据整合、拉通、清洗、处理，以及数据仓库建设和ETL 开发过程；

3.数据应用：拉式策略面向数据应用。根据实际业务情况，主要解决数据指标定义标准不清晰、指标计算口径不统一、指标计算口径版本变更、数据不准确、数据上报与数据审核等数据应用场景出现的问题。

推式策略，面向数据全生命周期的管理与控制，是一种体系化的数据治理建设策略。它强调体系化的计划、监督、预防与执行，包括多年计划的数据策略周期。具体而言，推式策略有三个特点：

1.体系化、系统化：推式策略不针对某个单一的、具体的数据应用场景，而是一个全面体系化的治理过程；

2.全生命周期：它贯穿数据全生命周期的管理，例如数据采集、数据质量、数据应用、数据安全、数据分享等多个环节；

3.立体策略：推式策略从数据治理策略（目标、范围、方法和组织 ）开始，通过专业的数据治理团队进行数据治理的规划、实施和监督，通过制定数据管理流程规范从源头业务系统的构建到数据的分发、流转，包括数据安全策略与控制，最终贯穿数据资产管理、分析和挖掘的全生命周期过程。

策略比较

拉式策略以数据应用需求为起点，推式策略以标准规划为起点，两种策略在多个方面有差异：

根据多数企业的实践经验，以数据应用需求为起点的拉式策略有着更短的实施周期和更低的投入成本，是一种更加灵活、更加敏捷的数据治理策略，我们将在下文中着重介绍这种数据治理策略。

以提升数据应用过程中数据准确性为目标的拉式数据治理建设策略主要包括3个流程：

（1）基于指标体系的数据问题洞察：基于数据指标体系，以“数据流、信息流、业务流”的基本逻辑框架，在限定的范围内及时洞察数据质量问题的根源，并逆向推动业务信息化和业务管理的改善和提升；

（2）稳健的数据架构设计：通过数据仓库建模、合理的分层设计、ETL 过程开发等，保障数据模型及架构的稳健性和可扩展性，提高数据使用的准确性；

（3）数据应用审核管控机制：建立面向高层管理的数据指标管控及审核机制，确保数据应用过程中（上报、可视化分析）关键数据必须经过有效审核，提升数据使用质量及数据准确性。

数据问题洞察

数据问题的洞察过程可以分为5个步骤：第一步是企业内部的资料收集和需求调研；第二步是指标体系梳理；第三步是确认可视化原型设计方案；第四步是“数据流-信息流-业务流”的问题识别过程；第五步是暴露问题，形成数据质量提高待办。这些步骤中最为重要的是第二步指标体系的梳理和第四步“数据流-信息流-业务流”的问题识别过程。数据问题洞察，本质上就是基于数据指标体系，以“数据流、信息流、业务流”的基本逻辑框架，在限定的范围内及时洞察数据质量问题的根源，并逆向推动业务信息化和业务管理的改善和提升。

数据流层面：企业数据问题的洞察始于数据流层面的对指标体系的梳理。指标体系里包含指标和维度，指标即是目标，维度是数据的视角。在确定指标体系后，就需要标准化指标的定义与计算口径、计算逻辑，包括对不同计算口径的版本管理。在计算口径确认后，就需要顺着计算逻辑逐层向下追踪，查看数据能否被获取到。

信息流层面：如果在数据流层面出现了问题，比方说数据不能被获取到，那么问题很有可能出在信息流层面，例如信息系统建设存在问题导致数据没有被收集。在这种情况下，可以通过手动填报的方式补录数据，也可以在后续的阶段中完善信息系统的建设。这一过程体现了从数据流到信息流的分析，企业能够更深层次地洞察数据问题的本质，通过数据流暴露的问题来逆向推动未来信息流建设的完善，进而支撑更全面的指标体系。

业务流层面：数据流层面出现问题，排除信息流层面存在的信息系统建设问题，还有可能是业务流层面的管理问题导致的。例如同一个指标有不同的计算口径，这就不是信息系统的问题，而是管理自身的问题，是由于部门间的冲突而导致的。从数据流到业务流的分析，企业可以通过表层的数据问题洞察到自身业务流程上存在的弊端，从而逆向完善业务管理流程和管理边界。

在这样金字塔式的数据问题洞察方法下，通过阶段性、有限的指标体系框定了取数的来源范围，因此不会盲目地扩大数据治理的范围和目标。通过在限定的系统范围内洞察存在问题的数据，可以形成有针对性的数据治理策略，让问题聚焦。最后通过阶段性的识别问题、解决问题，可以由点到面、由浅及深，暴露的问题逐步解决，保障阶段性的建设成果。

企业表层数据问题的产生往往有深层次的业务系统设计、流程制度管理方面的原因，因此要想通过数据治理提升企业数据的质量，就不能仅仅依靠一个工具或产品解决表象的问题。我们提出了企业数据治理的拉式策略（Pull Strategy）和推式策略（Push Strategy）来满足不同的数据治理需求。考虑到当今企业面临的复杂环境，实施周期更短、治理成本更低的拉式治理策略更能及时满足企业数据消费的需求，是一种更灵活、更敏捷的数据治理方式。在该策略下，基于指标体系的“数据流-信息流-业务流”分析逻辑能够帮助企业发现、洞察、追踪数据问题产生的根源；稳健的数据架构设计能够帮助企业解决数据质量的问题；数据应用审核管控机制的建立能够帮助企业解决错误数据被使用的问题。经过系统化的数据治理，企业数据质量将更能满足消费的需求，基于数据的决策也将更加精准。

FineDataLink——小到数据库对接、API对接、行列转换、参数设置，大到任务调度、运维监控、实时数据同步、数据服务API分享，另外它可以满足数据实时同步的场景，应有尽有，功能很强大。如果您需要进行数据治理，帆软FDL会是您的最优解。

数据治理（Data Governance）是企业对数据资产管理行使权力和控制的活动集合（包括计划、监督和执行)，它是管理企业数据资源的一种方式、方法，旨在确保数据的质量、安全、合规和有效性。数据治理是企业实现数据战略的基础，是一个管理体系，包括组织、制度、流程和工具。

数据治理是一套复杂的管理体系，它无法通过单一的工具或产品来实现。数据的生命周期包含了源头、处理和消费这三个阶段，数据的问题也可能会出现在这三个环节中。例如在数据源头环节，用户录入数据的规范性存在问题，导致了最终数据消费环节的数据质量低。这些表象问题的根源，可能来自于业务系统用户交互设计，乃至是底层数据库表结构设计上的缺陷。想要解决这些表象的问题，就需要解决深层次的信息化业务系统开发以及数据库表约束设计等问题。例如为了保证用户录入数据的准确性，有三种方式去设计业务系统：其一是设计前端的检验验证，避免用户做出相同的选择；其二是通过程序编写过滤判断的逻辑，筛除掉前端误入的数据，作为第二层验证；其三是通过建立约束条件，例如唯一性约束、检测约束等等来控制数据录入准确性。因此，企业的数据治理远非使用一款单一的工具或产品就可以实现的，它是需要回到源头，对企业的组织、流程制度、业务系统、底层架构等多个方面进行排查和重构的，它是一套复杂的管理体系。

数据治理的两种策略

考虑到数据治理工程的复杂性，我们提出了两种目的性不同的数据治理策略：拉式策略（Pull Strategy）和推式策略（Push Strategy）。

拉式策略，面向数据应用，是以提升数据应用过程中的数据准确性为目标的数据治理建设策略。它强调在数据应用的过程中定位和解决问题，以数据应用项目为建设周期。具体而言，拉式策略有三个特点：

1.自上而下：拉式策略通常以指标体系为起点，进行金字塔式自上而下的规划与建设，通过“数据流、业务流、信息流”的过程反向推动数据质量提升；

2.数据整合：它包括多系统的数据整合、拉通、清洗、处理，以及数据仓库建设和ETL 开发过程；

3.数据应用：拉式策略面向数据应用。根据实际业务情况，主要解决数据指标定义标准不清晰、指标计算口径不统一、指标计算口径版本变更、数据不准确、数据上报与数据审核等数据应用场景出现的问题。

推式策略，面向数据全生命周期的管理与控制，是一种体系化的数据治理建设策略。它强调体系化的计划、监督、预防与执行，包括多年计划的数据策略周期。具体而言，推式策略有三个特点：

1.体系化、系统化：推式策略不针对某个单一的、具体的数据应用场景，而是一个全面体系化的治理过程；

2.全生命周期：它贯穿数据全生命周期的管理，例如数据采集、数据质量、数据应用、数据安全、数据分享等多个环节；

3.立体策略：推式策略从数据治理策略（目标、范围、方法和组织 ）开始，通过专业的数据治理团队进行数据治理的规划、实施和监督，通过制定数据管理流程规范从源头业务系统的构建到数据的分发、流转，包括数据安全策略与控制，最终贯穿数据资产管理、分析和挖掘的全生命周期过程。

策略比较

拉式策略以数据应用需求为起点，推式策略以标准规划为起点，两种策略在多个方面有差异：

根据多数企业的实践经验，以数据应用需求为起点的拉式策略有着更短的实施周期和更低的投入成本，是一种更加灵活、更加敏捷的数据治理策略，我们将在下文中着重介绍这种数据治理策略。

以提升数据应用过程中数据准确性为目标的拉式数据治理建设策略主要包括3个流程：

（1）基于指标体系的数据问题洞察：基于数据指标体系，以“数据流、信息流、业务流”的基本逻辑框架，在限定的范围内及时洞察数据质量问题的根源，并逆向推动业务信息化和业务管理的改善和提升；

（2）稳健的数据架构设计：通过数据仓库建模、合理的分层设计、ETL 过程开发等，保障数据模型及架构的稳健性和可扩展性，提高数据使用的准确性；

（3）数据应用审核管控机制：建立面向高层管理的数据指标管控及审核机制，确保数据应用过程中（上报、可视化分析）关键数据必须经过有效审核，提升数据使用质量及数据准确性。

数据问题洞察

数据问题的洞察过程可以分为5个步骤：第一步是企业内部的资料收集和需求调研；第二步是指标体系梳理；第三步是确认可视化原型设计方案；第四步是“数据流-信息流-业务流”的问题识别过程；第五步是暴露问题，形成数据质量提高待办。这些步骤中最为重要的是第二步指标体系的梳理和第四步“数据流-信息流-业务流”的问题识别过程。数据问题洞察，本质上就是基于数据指标体系，以“数据流、信息流、业务流”的基本逻辑框架，在限定的范围内及时洞察数据质量问题的根源，并逆向推动业务信息化和业务管理的改善和提升。

数据流层面：企业数据问题的洞察始于数据流层面的对指标体系的梳理。指标体系里包含指标和维度，指标即是目标，维度是数据的视角。在确定指标体系后，就需要标准化指标的定义与计算口径、计算逻辑，包括对不同计算口径的版本管理。在计算口径确认后，就需要顺着计算逻辑逐层向下追踪，查看数据能否被获取到。

信息流层面：如果在数据流层面出现了问题，比方说数据不能被获取到，那么问题很有可能出在信息流层面，例如信息系统建设存在问题导致数据没有被收集。在这种情况下，可以通过手动填报的方式补录数据，也可以在后续的阶段中完善信息系统的建设。这一过程体现了从数据流到信息流的分析，企业能够更深层次地洞察数据问题的本质，通过数据流暴露的问题来逆向推动未来信息流建设的完善，进而支撑更全面的指标体系。

业务流层面：数据流层面出现问题，排除信息流层面存在的信息系统建设问题，还有可能是业务流层面的管理问题导致的。例如同一个指标有不同的计算口径，这就不是信息系统的问题，而是管理自身的问题，是由于部门间的冲突而导致的。从数据流到业务流的分析，企业可以通过表层的数据问题洞察到自身业务流程上存在的弊端，从而逆向完善业务管理流程和管理边界。

在这样金字塔式的数据问题洞察方法下，通过阶段性、有限的指标体系框定了取数的来源范围，因此不会盲目地扩大数据治理的范围和目标。通过在限定的系统范围内洞察存在问题的数据，可以形成有针对性的数据治理策略，让问题聚焦。最后通过阶段性的识别问题、解决问题，可以由点到面、由浅及深，暴露的问题逐步解决，保障阶段性的建设成果。

企业表层数据问题的产生往往有深层次的业务系统设计、流程制度管理方面的原因，因此要想通过数据治理提升企业数据的质量，就不能仅仅依靠一个工具或产品解决表象的问题。我们提出了企业数据治理的拉式策略（Pull Strategy）和推式策略（Push Strategy）来满足不同的数据治理需求。考虑到当今企业面临的复杂环境，实施周期更短、治理成本更低的拉式治理策略更能及时满足企业数据消费的需求，是一种更灵活、更敏捷的数据治理方式。在该策略下，基于指标体系的“数据流-信息流-业务流”分析逻辑能够帮助企业发现、洞察、追踪数据问题产生的根源；稳健的数据架构设计能够帮助企业解决数据质量的问题；数据应用审核管控机制的建立能够帮助企业解决错误数据被使用的问题。经过系统化的数据治理，企业数据质量将更能满足消费的需求，基于数据的决策也将更加精准。

FineDataLink——小到数据库对接、API对接、行列转换、参数设置，大到任务调度、运维监控、实时数据同步、数据服务API分享，另外它可以满足数据实时同步的场景，应有尽有，功能很强大。如果您需要进行数据治理，帆软FDL会是您的最优解。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】