- 博客(91)
- 收藏
- 关注
RSS订阅原创 企业如何构建反脆弱组织？先别急着追大模型，地基可能还没打牢
Navigate OS以管理者的"顶视"为基础，以智能工程、知识工程、数据工程为支柱，把数据治理从后台被动支撑提升为前台核心管理活动，帮企业从流程驱动走向智能驱动。当Navigate OS这样的底座把数据治理与知识治理的门槛拉到企业够得着的位置，反脆弱组织就不再是塔勒布书里的抽象概念，而是一套能逐步搭建、越用越强的生存系统。企业要做的，是在下一轮冲击到来之前，让自己先长出一套会进化的免疫系统。反脆弱组织，指的是那些面对波动、压力、混乱和不确定性时，不仅能扛住冲击，还能从中获益、成长，变得比原来更强的组织。
2026-10-19 14:36:09
34
原创 唤醒休眠数据 大数据为统计工作提质增效
统计工作严谨，指标口径、计量单位等需要统一规范，方便多源数据对接融合，适配 CPI 等统计业务需求。同时要完善技术体系与安全制度，做好信息甄别筛选，兼顾数据开发利用和个人信息保护，推动大数据与传统统计数据融合应用。当前大量政务数据分散在不同部门，形成一座座 “数据孤岛”，制约统计人员全面采集信息。唯有破除信息壁垒，推进跨层级、跨部门数据流通，才能释放数据潜力。海量数据持续高速增长，大数据浪潮扑面而来，能够补齐传统统计短板，完善国民经济核算，为政府决策提供支撑，但不少数据长期处于休眠状态，价值难以释放。
2026-10-19 14:35:25
33
原创 主数据“治了又乱”的死结，AI能解开吗？聊聊二次治理这条新路子
最要命的是校验机制。中翰软件的AI治理顾问会基于平台运行中积累的知识、在线知识库和对话记录，自动诊断主数据体系与现实管理之间的偏差，给出调整建议。二次治理的本质，是在不推翻既有投资的前提下，给这套体系补上“感知”和“判断”的能力。AI的价值恰恰在此：它让主数据治理从一套静态的规则系统，变成一种动态的、能够自我修正的管理机制。回过头看，主数据“治了又乱”的根源其实清晰：问题不在于某一条数据录错了，而在于第一次治理时选择的逻辑和平台架构，本身就缺乏持续治理的能力。说白了，治理逻辑是静态的、局部的、技术单维的。
2026-10-16 16:02:08
47
原创 面向业务人员的大数据普及课：让一线敢用、想用数据
整套讲义分为四大板块，共 200 多页，坚持少术语、重案例、图文化讲解。基础概念篇结合实例解读大数据 4V 特征、大数据与小数据的区别，介绍建模、深度学习与行业应用；数据能力篇是核心，展示企业自有数据资产，引导业务思考 O 域网络数据与传统 B 域数据融合的创新场景；备课授课的过程，也是讲师梳理认知、深化理解的过程，只有业务侧愿意用起来，数据平台投入才能真正产生价值。一套面向全员的普及培训，目标不是培养技术专家，而是启发业务人员主动思考：大数据能不能帮到自己的工作，主动对接数据团队探索应用。
2026-10-16 16:01:23
123
原创 破除数据烟囱，推进政务数据共享
不愿共享” 源于部门本位思想，部分部门将数据视作部门私有资源，担心权力流失，加之缺少硬性考核约束、存在工作惰性，常出现拖延、敷衍、选择性共享等现象。“不敢共享” 是出于保守避险心态，部门顾虑数据质量问题引发问责，片面放大保密要求，观望畏难、不愿突破。再者统一数据标准与操作流程，按规范做好数据归集、清洗比对，夯实人口、法人、地理信息等基础数据库，扫清技术障碍。最后配套绩效考核与问责机制，将数据共享纳入考评，设立专门管理机构强化统筹督办，以制度倒逼部门主动开放共享，释放政务大数据治理价值。
2026-10-15 13:58:49
145
原创 中小企业如何快速进入AI时代？
中翰提了个“数据+知识双治理”的说法，意思是数据是知识的来源，数据质量决定了知识质量。同一个客户，销售系统里叫“XX科技”，财务系统里叫“XX科技有限公司”，售后系统里又变成了“XX科jì”。同一个物料，老员工叫它“三号件”，新员工叫它“M6螺栓”，系统里存的是“GB/T5783 M6×20”。但要让AI真正懂你的业务，还差一步：把散落在各处的经验、规则、流程，变成AI能读懂的东西。这件事听起来玄乎，其实说白了就一句话：把你公司里那些“只有老员工才知道”的东西，写下来、存起来、让AI能查到。
2026-10-15 13:57:07
152
原创 AI时代，中小企业还要不要碰主数据管理？
2025年他们完成了产品的全面智能化升级，推出了基于自研Navigate OS底座的AI原生MDM平台，还上线了一个叫“HANBOTS小翰”的AI智能顾问。落地层面，中翰搞了一个“双轨带练”的方法论，线下顾问加线上AI顾问协同，把项目周期和成本压了50%以上。选一个AI能力真正长在平台里的产品，让系统带着你走，边用边学，可能是中小企业眼下最实际的一条路。主数据管理这件事，说白了就一个目标：让企业里最核心的那几类数据——物料、客户、供应商、人员——在不同系统里是同一个东西、同一个叫法。梳理存量，又需要标准。
2026-10-13 15:29:39
47
原创 人工智能：增强智能，而非替代人类
深度学习是机器学习的一种，模拟神经网络，用海量数据训练；我们可从数据+连接方向探索AI应用：大数据团队用知识图谱实现数据自服务，移动团队用深度学习实现UI智能化开发。但图像、语音识别的突破只是让机器更聪明，远未达到人类水平，作为智能助手更合适。例如我们梳理数据架构时，用字段特征向量与相关系数自动查找外键关系，替代人工遍历，通过数据训练找到合适模型与算法。实现意图智能：人知道结果，但不告诉计算机规则，通过数据训练让其自己找规则，计算机成为黑盒。创造意图智能：让计算机自己发现人未知的新知识，这是最向往的场景。
2026-10-13 14:32:18
101
原创 数据分析：业务理解比技巧更重要
营收：活跃交易用户数是核心，GMV、成交金额、销售收入层层递进。新人常问Python、SQL，却鲜少问业务，而后者才决定分析成败。用户获取：从曝光到下载，涉及渠道到达量、CTR、转化率及CPM、CPC、CPA等成本指标。忠诚指数、流失指数、价值指数（RMF模型或PCA）是精细化运营的基础，矩阵法可指导策略。分享率、活动曝光量、参与率需通过网页参数精细化分析，好活动应机制化。商品：购物篮分析含连带率、商品热度、关联度（支持度、置信度）。进销存涵盖采购、库存、销售，涉及SKU/SPU、售罄率、折扣率等。
2026-10-13 14:31:22
228
原创 只做末端清洗治标不治本，企业数据质量该如何落地？
中翰软件的数据治理方案，原生搭载这套源端 + 末端四重质量防护能力，平台打通前端业务系统、数据集成链路、数据质量工单流程，支持轻量化起步，也可以支撑集团级全域治理，帮助企业跳出 “反复清洗” 的怪圈，让数据质量治理从阶段性项目，变成常态化运行机制。而末端防线，承担存量治理和最终兜底的角色：数据归集之后，做全量质量体检、存量数据清洗、数据血缘分析，找到异常数据的上游来源，派发整改工单给源头业务部门，而不是由数据团队自己手动改数。整改完成之后，提炼出新的校验规则，补充到源端的校验库中，形成治理能力的持续沉淀。
2026-10-13 14:30:51
149
原创 大数据安全分析：瓶颈待破，未来趋向智能化与协作化
在纵深防护方面，传统思路亟需转变，应建立涵盖攻击路径、时间、管理与物理维度的“高维度纵深防护体系”。业内提出的“全范式安全分析体系”综合实验、模型、仿真与大数据四种范式，大数据分析在其中起提纲挈领作用。当前攻防对抗已演变为数据、知识与人的较量，数据驱动安全旨在弥补防守耗时，实现快速识别、响应与反制。安全分析的核心价值在于快速识别漏洞、威胁与攻击，评估风险并指导响应。情报化，情报驱动分析并输出情报；近日，业内专家围绕大数据安全分析接受采访，指出当前技术生态虽已成熟，但应用场景缺失与专业人才匮乏仍是主要瓶颈。
2026-10-10 14:34:05
145
原创 互联网金融洗牌加剧，大数据风控成平台突围关键
审批环节，系统先剔除严重不良记录、黑名单及不合规客户，再按客户分类、额度、新旧客户等自动分流。爬取互联网企业信息、法院执行信息，核实真实资质。贷后管理，需动态调整存量客户授信，监测早期逾期、信息关联及商户流水异常，实时预警外部负面信息。逾期客户管理则靠大数据优化催收策略，并修复失联客户信息。资金流动性管理，整合借款与投资两端数据，从资金、业务两维度实时监控，防范挤兑风险。经用户授权，抓取电商、搜索、社交、信用卡账单、学信网等数据，形成个人与商户授信评分。销售环节，核心是验证客户意愿与信息真实性。
2026-10-10 14:30:16
131
原创 AI原生的MDM平台到底有多强大？
平台底层基于自研 Navigate OS，支持对话式操作，业务人员上传业务单据、Excel 清单，AI 自动抽取主数据属性，自动校验标准、查重，一键发起主数据审批流程。系统自动对存量海量主数据做批量相似匹配，标记疑似重复记录，自动生成合并方案与影响分析，给出风险提示，由数据管理员复核。对于央国企、大型制造集团这类多组织、多工厂、多业务系统的复杂场景，AI 原生 MDM 最大的价值，是降低主数据治理长期运维成本，减少对专业数据治理专家的依赖，让主数据标准能够持续落地，而不是项目验收之后就逐渐闲置。
2026-10-10 14:29:37
221
原创 数据化运营体系如何搭建
用户画像是常用数据产品，分Persona（用户角色）和Profile（数据标签）两种，后者依赖大数据和机器学习，能显著提升运营效果。数据收集层是底层，核心是尽可能收集一切数据，原则是宜早不宜晚、宜全不宜少。外部数据，通过第三方或爬虫获取，质量难保证，更多作参考。结果不是终点，按PDCA循环，通过反馈优化改进，是终点又是起点，此过程就是迭代。数据化运营是以数据驱动决策的运营方式，它并非BAT专属，每家互联网公司都有适合的土壤。它不仅是运营人员的工作，也是产品、市场和研发的共同愿景，更需要自上而下推动。
2026-10-08 14:37:01
154
原创 中小企业如何应用大数据
2014年后转向分析数据与数据之间的关系，要求企业进行开放式创新，包括数据的开放、共享与交易。研究表明，大数据对企业决策最重要的影响，不是大数据本身，而是数据与数据之间的关系。大数据价值的实现，在于数据间的连接。第二，确认核心数据属性，建立海量数据与核心数据、内部与外部数据的关联标准。大数据起步要从小数据、核心数据开始，以业务为主导做好小数据，有助于内部精细化管理、市场观察和未来规划。对中小企业而言，购买大数据、雇佣专业团队成本偏高，建立大数据思维、理智对待热潮，才能将数据对决策的影响最优化。
2026-10-08 14:36:08
190
原创 AI原生的MDM平台到底有多强大？系统主动找人，而不是人找功能
用户登录后，系统会主动推送当前的数据质量状况、待处理任务、分发异常及建议方案。这套逻辑被中翰概括为"三合一顾问叠加"——咨询顾问的方案能力、实施顾问的操作能力、技术顾问的脚本能力，被内置到平台中。这种产品思路回应了数据治理领域一个长期难题：项目交付后，业务方缺乏自主运维能力，数据质量随时间滑坡。具备主动性的平台，相当于内置了一个持续在岗的"数据管家"。当主数据体量达到百万级，人工巡检和被动响应已经无法覆盖风险，系统主动发现、主动建议、主动闭环的能力，就成为管理效率的分水岭。国际数据治理协会（IDGA）
2026-10-08 14:35:33
152
原创 大数据如何重塑企业风险管控
服务于风险管控的大数据来源广泛，包括企业财务及报表数据、供应链数据、工商数据、公检法及海关数据、征信数据、舆情或负面事件数据、环保数据、电商交易数据等。这些数据从不同侧面反映企业经营状态与能力，通过采集、转换、存储、统计及风险模型加工，可实现风险揭示与预警。二是基于规则、业务、信息整合及统计学原理的风险识别模型，以应对风险信号来源多样、质量参差的状况；信息系统业务循环以数据为基础，通过分析发现缺陷、疑点和问题，参照政策法规与公司制度识别风险，形成风险数据库，制定控制措施，并通过内部审计与评价实现闭环管理。
2026-09-29 16:47:35
181
原创 调研为何难以被大数据取代：四大优势与协作场景
交易数据、网站互动和社交信息构成大数据的主要来源，但许多顾客不满时选择默默离开，不购买、不登录、不发帖，导致数据解读陷入“失踪飞机”误区。传统调研可通过行为日志、跟访、图片测试、场景模拟、座谈会中激发矛盾等方式，洞察人性真实一面，且多有心理学实验基础支撑。而调研能从枯燥数据中抽出典型鲜活的案例，如将目标用户描述为“行政部的小张”，让人一眼看到问题所在，强化对数据的理解。在无网络覆盖的四五六七八线城市、县级渠道、社区门店等场景，大数据难以触及，调研可通过人工执行、交叉核查等方式获取信息。
2026-09-29 16:34:50
156
原创 数据+知识“双治理”，中翰软件想帮普通企业搭一座通往AI的桥
数据侧，他们把企业数据分成三种形态：结构化数据（表格、指标、系统）、非结构化数据（文档、图文、音视频）和时序数据（设备、日志、流数据）。知识侧，他们提出知识治理的常态化机制——沉淀、共享、更新，把知识资产沉淀为Wiki条目、图谱、规则、小模型、领域模型等多种形态。更值得关注的是，中翰提出了“智能反哺”的自循环理念：智能在运行中发现问题，反过来优化数据治理，形成“发现→决策→改造”的闭环。当然，这条路并不轻松。底座是一个“双治理命题”：数据是知识的重要来源，数据治理保障数据质量，数据质量又保障知识质量。
2026-09-29 16:34:22
179
原创 大数据规划的四个核心要素
确定优先级后，需通过数据产品帮助提升业务绩效。例如，数据产品可告知营销人员某渠道40%用户为作弊“假量”，或提示哪些产品可交叉销售，无需解释计算过程。常见场景包括业务运营监控、用户洞察与体验优化、精细化运营与营销、市场传播、经营分析等。明确前三点后，便知需要哪些数据、哪些已有、哪些需合作或购买。合理整合内外部数据，形成系统化管理，才能形成数据资产。高管需牵头规划，整合不同部门数据，推动建设高质量的数据治理标准。成功的大数据规划聚焦于四个核心要素：应用场景、数据产品、分析模型和数据资产。
2026-09-28 15:03:55
160
原创 Druid数据分离机制与应用
数据分离会降低Historical节点并行度，也可能破坏热数据常驻内存的原则，从而影响查询效率。加载部分数据：报表类业务通常只关注近期数据，可配置Rule仅保留最近数据，其余从Historical中删除（Deep Storage中数据保留，删除Rule后可重新加载）。Druid提供Tier机制与数据加载Rule机制，可实现灵活的数据分布。冷热数据分离：将热数据放在配置较好的机器，冷数据放在较差机器。备份数据分离：为保证高可用，将数据分布到不同Tier的机器上，配置多副本Rule，避免单机架故障导致不可用。
2026-09-28 14:59:16
124
原创 AI读不懂业务，再多的数据也难起作用
在产品定位上，该平台选择了“轻量化、解耦式、标准化”路线，预留标准化接口，可无缝对接市面主流AI中台、知识中台、数据中台等，不做中台的“替代品”。平台定位为“让业务人员自己就能把业务理清楚”的一站式智能盘点与知识构建平台，融合AI智能解析能力与FDE式业务梳理方法论，实现指标梳理、资源盘点以及业务语义本体构建三位一体的快速盘点能力。中翰软件是数据质量和知识专家，这家成立于2006年的老牌数据治理厂商近日推出中翰业务智能盘点平台v2.0，试图从业务语义梳理入手，打通数据与AI之间的断层。
2026-09-28 14:58:36
170
原创 MDM的定位与六项技术挑战
但从企业发展看，战略层面的MDM方案应单独提出，面向全企业范围，并获高层支持。该MDM系统应作为主数据的有效资源，为其他IT系统提供主数据，而非仅在已有IT应用上调整，也不应为解决局部问题而建成分散的主数据管理应用。MDM不应是自底向上的战术项目，企业需要一套战略性的MDM计划，建立全企业范围的主数据管理，真正解决主数据问题。包括标识和定义所有主数据属性，评估并更正问题，尤其当各部门对数据定义和使用不一致时，需进行一致性处理。若某SOR不能迁移，需保证有简单方式将外部主数据迁入MDM，确保SOR最新。
2026-09-22 14:31:08
109
原创 数据存储的五个现实问题
不同数据集访问频率不同，绝大部分数据并非一定要存放在最快、最昂贵的高端存储中。将最终用户的数据使用需求与每个数据集关联，把性能要求较低的数据迁移到较低端存储，可显著降低成本、提升系统整体质量。但目前分层存储技术尚不完善，数据只能在不同层次存储间缓慢迁移，存在迁移速度跟不上数据增长的风险，也可能面临冷数据需拉回高性能存储的情况。随着企业发展，需掌握所有数据使用情况，为不同层次数据存储提供不间断服务支持，保证系统有效管理，做好随时扩展的准备。因此，应跟踪这些数据，监控存储费用，限制热点数据对高性能存储的使用。
2026-09-22 14:30:26
73
原创 数据存储的五个现实问题
不同数据集访问频率不同，绝大部分数据并非一定要存放在最快、最昂贵的高端存储中。将最终用户的数据使用需求与每个数据集关联，把性能要求较低的数据迁移到较低端存储，可显著降低成本、提升系统整体质量。但目前分层存储技术尚不完善，数据只能在不同层次存储间缓慢迁移，存在迁移速度跟不上数据增长的风险，也可能面临冷数据需拉回高性能存储的情况。随着企业发展，需掌握所有数据使用情况，为不同层次数据存储提供不间断服务支持，保证系统有效管理，做好随时扩展的准备。因此，应跟踪这些数据，监控存储费用，限制热点数据对高性能存储的使用。
2026-09-22 14:29:42
216
原创 从数据管理到语义治理，业务智能盘点平台v2.0试图补齐中台短板
解决“算得动”的问题：平台将盘点成果沉淀为本体模型，明确定义核心业务实体、属性及实体间语义关系，构建全组织统一的“业务词典”。Gartner 2024年数据显示，72%的AI项目止步于试点Demo，根源在于“数据很多，但机器读不懂业务”——业务语义缺失、系统孤岛林立、专家经验隐性化，成为AI落地生产环境的最大瓶颈。该平台定位为“让业务人员自己就能把业务理清楚”的一站式智能盘点与知识构建平台，融合AI智能解析能力与FDE式业务梳理方法论，实现指标梳理、资源盘点以及业务语义本体构建三位一体的快速盘点能力。
2026-09-22 14:29:06
108
原创 数据体系建设与数据标准化
应用是多变的，数据则是稳定的。缺乏标准化、分散建立的数据结构，将导致大量复杂、混乱、不可控制的数据接口。数据体系建设的根本任务，是在整个单位范围内建立统一、稳定和规范的数据模型。信息化建设的根本问题，不是通信网络或计算机选型，而是如何将分散、孤立的各类信息变成网络化信息资源，整合“孤岛式”信息系统，实现信息快捷流通与共享。建设高质量数据体系，是开发企业信息资源、建立IT资源平台的基本工作。数据体系建设需综合运用关键成功因素法、企业系统规划法等，自上而下分析数据类别，自下而上提取基础数据，建立数据模型。
2026-09-20 14:04:36
147
原创 元数据的含义与作用
它能提供基于用户的信息，如记录数据项业务描述信息的元数据可帮助用户使用数据；也能支持系统对数据的管理和维护，如关于数据项存储方法的元数据可支持系统以最有效的方式访问数据。元数据的基本特点主要有：一经建立便可共享，其结构和完整性依赖于信息资源的价值和使用环境，开发与利用环境往往是变化的分布式环境，任何一种格式都不可能完全满足不同团体的不同需要；元数据是描述数据属性的信息，用于支持指示存储位置、历史数据、资源查找、文件记录等功能。它是关于数据的组织、数据域及其关系的信息，简言之，就是关于数据的数据。
2026-09-20 14:03:56
171
原创 让业务人员自己理清业务，一家数据治理厂商的产品逻辑
盘点成果沉淀为本体模型，明确定义核心业务实体、属性及实体间语义关系，构建全组织统一的“业务词典”。Gartner 2024年的数据显示，72%的AI项目止步于试点Demo，根源在于“数据很多，但机器读不懂业务”。在产品定位上，该平台选择了“轻量化、解耦式、标准化”路线，预留标准化接口，可无缝对接市面主流AI中台、知识中台、数据中台等，不做中台的“替代品”。中翰软件是数据质量和知识专家，这家深耕数据治理二十多年的厂商近日推出中翰业务智能盘点平台v2.0，其核心主张是“让业务人员自己就能把业务理清楚”。
2026-09-20 14:03:21
158
原创 数据管理与数据治理的关系
治理与管理有所区别。治理领域包括元数据、业务词汇表、生命周期管理、数据质量和参考数据管理。数据治理与数据管理非常接近，数据质量常被视为治理的产物。理解二者的最佳方式是：数据治理负责正式化数据管理中的流程，提供工具和方法，确保企业实际治理数据；数据与信息也有区别：所有信息都是数据，但并非所有数据都是信息。信息是易于应用于业务流程并产生特定价值的数据，通常需经过治理流程，从无用数据中分离，并增加可信度。规范化数据建模有助于将治理扩展到各业务部门，令数据标准更有价值，并能直接关联数据血缘、数据质量等治理领域。
2026-09-17 16:07:01
113
原创 数据集中管控的含义与内容
两部分结合形成敏感信息集中管控系统，通过影子系统统一管理数据，通过网络安全存储系统实现实时加密传输与存储，形成涉密电子信息集中管控的整体解决方案，实现“网络化办公，数据集中存储，终端不留密”。数据集中管控的目标包括：满足规范要求；优秀的数据集中管控系统还应具备高安全操作系统、强大的终端安全管理能力、轻量级隔离环境、无需大规模服务器端环境、充分利用现有客户端计算能力等技术优势。传统信息安全主要关注边界安全、传输安全和终端安全，如防火墙、VPN、杀毒软件等，其核心目的都是保护数据在各状态中的安全。
2026-09-17 16:05:08
77
原创 AI落地深水区，为什么“业务词典”比数据中台更紧迫
盘点成果沉淀为本体模型，明确定义核心业务实体、属性及实体间语义关系，构建全组织统一的“业务词典”，解决“算得动”。在产品定位上，该平台选择“轻量化、解耦式、标准化”路线，预留标准化接口，可无缝对接市面主流AI中台、知识中台、数据中台等。其定位为“让业务人员自己就能把业务理清楚”的一站式智能盘点与知识构建平台，融合AI智能解析能力与FDE式业务梳理方法论，实现指标梳理、资源盘点以及业务语义本体构建三位一体的快速盘点能力。但一个尴尬的现实是：数据质量报告满分，业务端却依然“查不准、看不懂、用不上”。
2026-09-17 16:04:09
158
原创 商业智能与商业分析的能力及原则
在推理层面，可确定问题根源，明确原因和影响，并得出相关结论；在问题解决层面，针对问题特点提供解决根本问题的方法和措施；在抽象层面，通过明细数据和场景生成一般性概念、模式和结论；在理解层面，感知、辨别和确认问题，特别是对现状和问题条件的感知，以及从表面确定本质问题；在学习层面，完成对技能和知识的认知过程，这是一个无限循环的过程。其目的性体现在收集信息、进行分析活动时，具有明确目标，例如财务、市场、销售等分析评估，以及员工绩效、风险等管理分析。其洞察力体现在发现问题根本原因及相应结论时，能够提供有见地的说明。
2026-09-15 14:34:52
165
原创 多维数据模型的定义、实例与优缺点
但多维模型中事实表构建后，无法将一条订单记录再拆分，也就无法建立产品维，只能另建以产品为主题的事实表。但在多维模型上，只需将时间维聚合到2010年7月、地域维聚合到浙江省即可实现，这正是OLAP的概念。多维数据模型是为满足用户从多角度、多层次查询和分析数据的需求，基于事实和维建立的数据库模型，基本应用是实现OLAP（联机分析处理）。其作用不仅在于数据展示、查询和获取，更在于通过数据仓库按不同需求建立各类多维模型，组成数据集市开放给不同用户群体使用，相当于按需求定制的数据商品供不同数据消费者选用。
2026-09-15 14:34:21
217
原创 数据质量与知识体系的双线建设
如今，数据质量与知识专家的角色逐渐融合。企业需要意识到，数据质量的解决与知识体系能力的建设是并行的。数据质量和知识专家-中翰软件在这一过程中，提供了从数据质量到知识智能的桥梁式架构。企业数据管理的发展，往往沿着两条线索推进：一是数据质量的持续改善，二是知识体系的系统构建。过去，专注数据质量的厂商多从主数据管理入手，但面向质量的主数据管理平台与传统方案存在差异，其目标更聚焦于质量问题的根源性解决。末端数据治理平台（数据中台）的推出，则是为了让数据应用服务的显性效果反过来驱动质量提升的动力。
2026-09-15 14:33:46
95
原创 从因果到相关：大数据思维的10个“反常识”瞬间
大数据不仅改变了技术，更颠覆了我们的思考方式。笔者将其核心思维归纳为10个转变，每一个都在挑战传统认知。
2026-09-14 10:04:26
125
原创 把数据当成“国家”来治理：三权分立，才是企业最该学的管理课
有趣的是，和政体一样，企业内部的数据管理也可以分为三种状态：无政府（各自为政）、独裁（集权管控），以及最值得借鉴的——“三权分立”。数据治理不是一次性的项目，而是一组持续活动：定战略、做规划、立标准、守法规、搞开发、管质量、保安全。数据治理，不是IT部门的“家务活”，而是企业内部的“数据政体”——它像国家治理一样，需要权力分工、制度建设和持续运转。把数据当作国家来治理，把规则当作法律来执行，把执行当作日常来坚持——这才是在大数据时代，企业真正该有的“硬核内功”。立法：制定战略、模型、标准和制度；
2026-09-14 10:02:05
86
原创 数据爆炸时代，军事思维为何要先“格式化”自己？
过去，受限于技术，人们只能靠抽样推断全局，这本质上是无奈之举。如今，遍布战场的信息触角与超级计算能力结合，使“感知全局”成为可能。传统思维执迷于精确，因为数据太少，容不得偏差。但今天，绝大多数数据是非结构化的，若坚守旧标准，95%的信息将被浪费。但真正值得关注的，不是技术参数，而是它对思维方式的颠覆。人类天生爱问“为什么”，但在海量数据面前，“是什么”往往更具实战价值。在他看来，大数据不是横空出世的新事物，而是一面镜子，照出了人类认知方式的深层裂变。技术只是起点，思维重塑，才是制胜的关键落子。
2026-08-25 17:25:12
214
原创 当券商遇上大数据：数据治理如何重塑“智慧大脑”
面向高净值人群的跨境配置、财富管理需求，通过全景画像与行为追踪，券商可以提前预判风险、精准响应需求，逐步从“卖产品”走向“管价值”。这场转型，技术是引擎，数据是燃料，而治理，才是驾驭方向盘的逻辑所在。在佣金收窄、利润承压的现实下，越来越多的券商选择用数据治理破局——打通内部数据孤岛，构建灵活的基础架构，以“数据湖”降低处理成本，以流计算提升实时风控能力。大数据、区块链与人工智能的叠加，使金融服务更趋精准与高效，也倒逼券商重新定义自身角色——不再是传统中介，而是“信息+信用”的智慧型平台。
2026-08-25 17:24:14
216
原创 企业数据体系的分层构建路径
此阶段引入专项分析方法，如A/B测试、漏斗转化模型、用户流动与生命周期分析，以及营销活动的实时效果追踪。在规范化的数据底座之上，可设计可配置的报表系统与可视化看板。按使用场景分为三类：基层业务人员的查询类报表、管理层用于日常监控的管理看板、以及针对特定模块的主题分析报表。核心工作是打通分散在各业务系统中的数据孤岛，建立统一的上报规范与标准化SDK，确保口径一致。这是最高层级，服务于企业经营层面的重大判断，如市场进入、产品方向调整或资源配置变更。四个层级并非严格串行，但底层的数据治理与口径统一是前提。
2026-08-20 13:39:03
196
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人