- 博客(73)
- 收藏
- 关注
RSS订阅原创 为什么BI报表越来越泛滥？
小王，这个月新增了3张报表，你记得每天看一下。“小李，业务部门又提了个需求，报表需要加个维度分析。“小张，领导说这个数据不够直观，再做个可视化大屏吧。这样的对话，如今在互联网公司、传统企业甚至政府部门中层出不穷。每天一打开工作邮箱，十几封报表推送邮件静静躺在收件箱里；登录内部系统，首页密密麻麻排列着数十个数据看板，从实时监控到月度复盘应有尽有，言必称“数据显示”“数据洞察”。BI报表，这个本应提升决策效率的工具，正在演变成一场无形的“数据军备竞赛”。
2025-12-22 13:31:57
921
原创 为什么人工智能越学越聪明？
人工智能似乎越来越“聪明”了。从简单的图像识别到复杂的对话生成，AI系统正在以惊人的速度进化。但这一切背后，是怎样的机制在驱动？今天，我们将通过一个核心循环图，结合三个关键理论模型，深入解读AI为何能够“越用越聪明”。AI之所以“越学越聪明”，并非因为它有魔法，而是因为它拥有严谨的学习架构科学的不确定性处理方法和自我强化的循环机制。这个系统不追求一次完美，而是在无数次“尝试-评估-调整-积累”的循环中，渐进式地接近更优解。有趣的是，人类最优秀的学习者，不也遵循着相似的规律吗？
2025-12-11 11:47:27
562
原创 从事数据治理工作到底需要具备哪些品质？
同时，要敢于突破结构化数据的治理边界，积极探索对非结构化数据（如图片、音频、视频）的有效治理方法，从而盘活企业全域数据资产。例如，铜仁市创新公共数据治理机制，通过建设“一云一网一平台一体系”工程，从市级层面统筹推进数据资源的“聚通用”，实现了数据治理运营模式的创新。协同共建的精髓在于，通过业务流程再造和组织架构优化，将数据治理的要求融入日常工作的每一个环节，使数据治理从少数人的职责，变成全员参与的共识和行动。例如，在工业领域，数据治理甚至需要深入到生产设备产生的海量时序数据和非结构化数据，技术复杂性极高。
2025-12-10 10:46:51
744
原创 论述AI和人类的分工
麻省理工学院媒体实验室的一项实验通过脑电图监测发现，与独立完成写作任务的参与者相比，使用ChatGPT辅助写作的个体，其大脑中负责创造力与注意力的区域神经活动强度明显减弱，神经连接数量减少，记忆检索能力也显著降低。很多稿件模仿人工的动作越来越像，但是又不能缺少人工审核的环节，因为“AI”会说谎，而且经常"无中生有"，如果抓不出来其问题，后续出版经过众多读者考证，必然会露馅，甚至落笑话。AI时代，人人都可以成为作家，人人都可以成为工程师，人人都可以写诗，文采飞扬，大大减少了我们创作的时间，效率飞速提升。
2025-11-05 15:25:29
597
原创 数据管理组织架构建立以及优化方案
在数字经济时代，，其价值实现依赖于科学的数据管理组织架构。数据管理组织是企业数据战略的，负责将数据资源转化为可量化、可运营的数据资产。通过建立权责清晰、协同高效的组织体系，企业能够有效解决数据孤岛、数据质量低下、数据安全风险等问题，为数字化转型提供坚实基础支撑。数据管理组织的设计需遵循的原则。一个完整的数据管理组织应包含三个核心层级。决策层由企业高管组成的数据治理委员会担当，负责审定数据战略和重大事项；管理层即数据治理办公室，承担制度制定和协调监督职责；
2025-09-25 16:57:43
1059
原创 数据价值量化的困境
数据价值评估需量化但不宜绝对化。核心价值体现在增收、降本、控险三方面，但评估时需考虑基础参考值（如准确率从30%提升至70%的实质进步）和业务场景适配性（需紧扣企业战略）。数据价值归因具有复杂性，既不能否定其作用，也不宜夸大单一因素影响，应在合理范围内客观呈现其贡献。
2025-09-18 09:22:12
407
原创 地产行业关于车位数据资产化的路径探讨
数据资产盘点是整个流程的基础。企业需要梳理数据来源，从内部业务系统、外部合作渠道以及设备采集等渠道，搜集交通数据。依据数据特性和业务场景，进行数据分类（如原始数据、加工后的自有数据、外购数据等），按“数据类型+来源+处理流程+应用场景”形成台账。在这一阶段，数据清洗和标准化至关重要。车位数据在数据资产化过程中，需要对原始停车数据进行治理，根据一定格式和应用处理数据，利用大数据平台和技术实现数据清洗和加工，删除无效数据、归纳有效条目，整理成结构化数据集。
2025-09-13 10:18:23
700
原创 数据治理转型：从分散到集中/联邦式的管控模式升级
联邦式数据管理强调的是数据的联合和协作，而不是集中的控制，它允许企业在保持数据一致性的同时，灵活应对多样化的业务需求和复杂的IT环境，有利于促进跨部门、跨区域的协作与信息共享，同时也更好地解决了数据主权、合规性、系统独立性和性能优化等方面的需求。高质量的数据既然都考核通过了，那么集团应该进一步发挥自身集团高瞻远瞩的特点，无论是内部将数据进一步提升管理价值，还是对外拓展交易价值，集团层面去干这个事情都是非常合适的，并且产生的价值再反哺给下属单位和分子公司，进一步加强对数据管控的力度。2，数据标准的建立。
2025-06-12 08:50:26
513
原创 财务域数据治理体系与实践路径
标准主要涉及四个事情（主数据、数据模型、元数据、指标数据）针对财务域，首先需要统一语言，主数据的拉通（如会计科目、利润成本中心、供应商、客商）还有指标的计算口径等等，都要明确出来，如果已经明确最好通过制度进行颁布。明确标准的制定、发布、宣贯、执行监控和持续优化流程。L2：数据主题/子域 (Data Subject Area/Subdomain)：在财务域下细分，如“总账核算”、“应收管理”、“应付管理”、“成本管理”、“资金管理”、“税务管理”、“固定资产”、“管理会计（CO）”、“财务报告”。
2025-06-12 08:49:03
831
原创 骨架工程—组织主数据管理
在集团化运营与多系统并行的背景下，组织主数据作为描述企业核心架构的“数字骨架”，直接影响财务核算、人力资源、供应链协同等关键流程。然而，组织架构频繁调整、数据分散冗余、系统集成困难等问题，正成为企业高效运转的隐形障碍。本文将深入解析组织主数据的管理逻辑与破局之道。组织主数据的管理范围包括企业组织、内部组织以及虚拟组织，覆盖战略规划、人力资源、财务管理、项目管理、经营分析等不同业务视图的需求。站在人力组织架构的角度去看，我们企业内部的组织主数据一般可以分为三级。
2025-05-30 14:22:32
843
原创 供应商主数据管理：从基础到实践的深度解析
这部分数据比较有争议，原因就是业务数据是否作为主数据进行管理，针对这个问题我们需要一分为二的去思考，如果这部分数据具备共享特征，且是领导关注的高价值的数据，我们依然可以纳入到主数据管理范畴，前提是其他的下游系统需要保持这部分数据的口径统一。在企业的供应链管理中，供应商主数据是连接采购、财务、生产等核心业务的关键桥梁。第二个就是讲到的供应商动态评级，我们可以按业务角色（制造商、经销商）、区域、风险等级（如黑名单）分类，结合交货准时率、质量合格率等指标自动评分，避免供应商的信息更新不及时，滞后的情况发生。
2025-05-29 10:44:38
1343
原创 数据架构：零售业数字化转型的“隐形引擎”
数据分布与流向。）数据资产是数据架构的输入也是输出，只有理清数据资产后，我们的数据架构才能有的放矢，同样，只有建立合理的数据架构才能源源不断产出高价值的数据资产。其次，我们常见的就是输出的一页PPT蓝图，蓝图上会把整个企业的数据从生产-收集-存储-加工处理-流动-使用都进行规划设计，通过这个蓝图我们就知道了目前企业需要重点规划的数据项目有哪些，亟待解决的问题有哪些。数据架构也并不是孤立存在，它一定是基于战略目标的产物，我们常说的4A架构（业务架构，数据架构，技术架构，应用架构）都是息息相关的。
2025-05-26 14:31:47
889
原创 制造业主要管理哪些主数据范围
并通过将各类设备管理系统进行集成，在建立和修改各类设备主数据的同时，触发这些系统中各类设备主数据的同步更新，确保各系统中各类设备主数据的一致性，从而保证业务处理和分析结果的正确性。当然物料的使用场景是非常多的，涉及到的相关信息也比较多，所以我们会将同一类物料业务的相关参数划分到不同的视图（界面）中，如物料基本视图、采购视图、销售视图、生产视图和财务视图，物料基本视图中的信息包括物料编码、物料名称及规格型号、基本计量单位。BOM主数据涉及到的部门同样非常广泛，包括设计部门、生产部门、营销部门、质检部门等等。
2025-05-25 20:42:06
534
原创 如何进行企业数据资产盘点
四、数据识别：针对扫描的数据存储位置，需要对数据进行识别和定义，标记数据内容，并基于数据内容和存储方式，明确数据的组织结构，形成“库—表—字段”的数据框架，即明确库中有哪些表、表内有哪些数据，结合数据发现的成果，绘制数据资产地图，将数据的存储位置、存储内容、存储量清晰地进行呈现。数据来源是能追溯数据资产的可靠性以及是否准确的重要依据，所以我们在做数据资产盘点的过程中，一定要到原子级别的程度，例如某个指标数据，参与计算的数据，它们的来源系统，甚至录入的来源依据（依据哪个线下文件或者是报告进行录入）都要明确。
2025-05-19 14:53:56
1166
原创 红杉AI峰会启示录：当工具消失，未来经济正在被重新编码
在Anthropic内部，70%的生产代码由Claude Code提交，它不再是“辅助工具”，而是承担责任的“数字工程师”。当AI开始拥有工作流中的“职级”，组织的DNA正在被改写。例如，法律科技公司Harvey的AI代理已服务200多家律所，它不再销售“合同分析工具”，而是按案件梳理效率收费——原本需要律师团队数周的工作，现在只需几小时完成。红杉峰会的启示远不止于技术突破，它揭示了更深层的经济规律：当AI能直接生成现金流（如通过物理图灵测试的机器人创造收益），技术投资将从“成本中心”变为“利润中心”。
2025-05-15 10:52:48
1696
原创 企业知识管理体系与应用
但是无论是选择哪种方式，这个组织对知识管理的主要权责包括：制定知识管理整个规划建设，以及借鉴国内外知识管理的先进经验，同时提供技术支持，比如知识管理系统的搭建，日常运维等等。最后重要的是知识库管理，统计、调查、收集、整理知识库的内容，能够准确，安全的将知识共享给企业员工的每一个人。我们常见的就是知识管理系统（KMS），实际上绝大部分企业对于KMS系统的定位就是：知识的创造、构造、识别、采集、获取、选择、评价、组织、链接、结构、形式化、可视化、分布、保持、维护、提炼、发展、访问、搜索和应用。
2025-05-06 10:11:48
478
原创 数据治理-那些年我们填过的“数字天坑”
更讽刺的是，这套价值800万的"安全堡垒"，最终被实习生用手机拍照传微信的方式轻松攻破——果然最坚固的防线，永远败给最原始的漏洞。在一个周五的深夜，某金融集团的数据总监看着庆功宴上香槟四溅的场面，全然不知隔壁会议室里，业务部门正用Excel搭建着"影子系统"——这套系统不仅能绕开刚砸了500万的数据中台，还能自动生成领导最爱看的"数据驾驶舱"。在零售行业，最容易出现的问题就是市场部定义的"活跃用户"是7天内点击过广告的人，运营部认为是30天内下单过的客户，财务部则坚持"付完尾款才算数"。
2025-04-28 10:47:38
418
原创 如何进行主数据识别
例如，某企业发现“物料数据”在采购、仓储、生产系统中均被高频使用，但“安全数据”仅由安监部门创建，使用范围有限，从而将前者列为主数据。难点一般是业务类的主数据，因为业务场景的变化，企业内部的变更调整都给业务主数据的建设带来不小的难度。虽然很多企业已经意识到了主数据的价值和重要性，但是由于企业内部有非常非常多的数据，如何高效识别主数据是摆在面前的第一道难题。主数据源于业务场景，识别需从业务领域切入。首先我们要认识到主数据的特点，主数据是企业核心业务实体的基础信息，例如客户、供应商、物料、设备等。
2025-04-24 11:31:28
619
原创 麦肯锡讲全球企业数字化—采用新的运营模式
第二个就是QBRs工作评估回顾，没有回顾和复盘，往往我们就会走偏，其次就是由于愿景过于宏大，往往过程中我们干着干着会泄气，定时的去拉会对其一下目标，打打气鼓励一下自己和对方，是非常有必要的。深化产品管理是数字化和人工智能转型中再培训的核心目标之一，只有产品经理，既能深入业务场景了解一线的痛点，也能站在用户角度去构建方案设计产品，同时还能对接研发部门，将需求转化成可落地执行的方案，最后产品的试点上线推广运营，同样需要产品经理进行支持。这就说明了，如果要推广新的运营模式，实际上是一件存在阻力比较难的事情。
2025-04-23 10:38:49
448
原创 麦肯锡讲全球企业数字化—打造企业人才库
”当然，他们如果符合技术能力和领导力方面的标准，就应该获得同样的报酬。一个杰出优秀的领导，更能带领团队制胜，减少一些画饼PUA，真切实在的关心员工，相信员工，才能更好的激发员工数字化转型的决心、创意、目标感。目前大部分企业也是按照这个模式去推广人才发展的，但是我却并不认为大部分人是不愿意晋升管理者（实际情况可能是管理岗的稀缺性导致），如果要分流引导去往专家方向发展，那么就一定要赋予专家岗更多的话语权和实际权力，否则专家这个名号只是浮有虚名，并不能鼓励大家保持自己的技术专长，拥抱更复杂的技术挑战。
2025-04-21 09:15:35
526
原创 麦肯锡讲全球企业数字化—绘制转型路线图
数字化转型的项目与其他项目不同的地方就是，我们需要着眼于未来十年的数字化能力，也就是朝着未来十年的目标进行3-4年的规划。愿景就是目标，我们要达成什么转型的目标，必须是明确的。书中提到一个建议，我觉得写的非常好，我觉得任何大型项目在立项的过程中，也是需要同步思考借鉴的地方。其次是数据和技术的就绪度高，从0-1构建的代价很大，如果是在1的基础上优化，则从容一点。领导力在任何企业的转型工作中都至关重要，但数字化和人工智能转型工作的强度大，而且具有跨职能的特点，因此需要管理层进行更高水平的合作。
2025-04-18 16:58:02
606
原创 国家数据局：鼓励平台企业开辟新的就业空间
湖北来凤县通过整合73张报表、构建"数字乡村平台"，实现数据自动填充与动态更新，基层填报时间缩短65%。通过"三权分置"（数据资源持有权、加工使用权、产品经营权）构建结构性产权框架，结合全国一体化数据市场建设，解决数据流通中的权属模糊问题。其中提出，以数据要素市场化配置改革为主线，加快完善数据产权、全国一体化数据市场等数据基础制度，配合开展基层报表数据“只报一次”试点，推进数据资源整合共享，城市级：以北京金融数据空间为范本，整合220类数据资源赋能330万市场主体，探索公共数据与产业数据融合应用。
2025-04-15 14:46:30
426
原创 好书推荐-麦肯锡讲全球企业数字化
这里就不得不介绍《麦肯锡讲全球企业数字化》这本书了，首先麦肯锡一半以上的客户业务都是数字化方面的，100个办事处的7000多名员工专门从事数字化和分析。本书探讨了由智能手机、物联网、人工智能（包括机器学习和深度学习）、增强现实和虚拟现实、大数据和实时分析、数字孪生、APIs、云技术等一系列技术所带来的独特问题，以及由此产生的机遇。最典型的案例就是，我们通常会把数字化转型等同于简简单单地重设系统、安装新型软件、由线下转到线上、增设技术部门、运用新型手段等等，最终的结果可能收效甚微，导致转型失败。
2025-04-14 14:56:18
564
原创 B端产品到底需不需要设置【非必填字段】
如果是C端的，我们在设计产品填写字段的时候，其实是可以兼容必填非必填的字段。如果我们的领导或者产品经理在需求调研的过程中，认为公司员工或者应用该系统的操作人员更符合X理论，那么显然已经，B端产品设置【非必填字段】是一个错误的决定，因为这将代表大部分的【非必填字段】都是空值，不是代表没有，而是代表没填。如果我们的领导或者产品经理在需求调研的过程中，认为公司员工或者应用该系统的操作人员更符合Y理论，B端产品设置【非必填字段】会显得更加人性化，用户往往会主动积极的去填写该字段，确保其准确性。前者必填，后者可选。
2025-04-11 13:59:23
411
原创 可信数据空间：数据要素时代的“新基建”与未来机遇
而企业则可以利用可信数据空间，进一步构建核心竞争力。可信数据空间的发展趋势，我们可以从本次国家试点政策中了解到，试点聚焦企业、行业、城市三大方向，例如支持龙头企业构建供应链数据空间，或打造城市全域数字化转型的“一站式服务基地”。GAIA-X（全称为"Giga-smart Access Interoperability for All"），旨在建立一个欧洲范围内的开放、可互操作的数据和云基础设施，强调数据共享的同时保障数据安全和隐私，促进成员国之间的数据流通，强化欧洲在全球数字经济中的地位，并确保数据主权。
2025-04-10 14:27:27
973
原创 数据资产变现路径“多点开花”数据确权与估值难题尚待破解
上海银行表示，本次数据资产质押贷款业务的落地，在数据要素金融化领域取得了有益尝试，借助上海数交所对数据资产“入表、登记、估值、披露”等环节的管理，通过一体化服务方案和产品组合，为数据要素型企业在数据流通、数据开发工具研发、技术升级改造等方面提供便利化融资服务。5月初，芯化和云依托“数易贷”，以数据资产质押方式获得上海银行150万元授信。事实上，数据资产增信融资只是数据资产变现的路径之一，从生产实践来看，数据资产交易、数据资产“入表”、数据资产出资增资等，都是数据资产变现的有效途径，均获得不少企业积极参与。
2025-04-08 10:20:44
589
原创 可信数据空间建设的解题思路来了！
受访专家认为，可信数据空间的建设将推动数据产业迎来新的发展机遇，《行动计划》通过共识规则牵引打造多主体参与的数据生态，建立收益分配、商业运营机制保障各方权益，提升数据供给意愿，建立资源交互能力，降低数据产品与服务的开发门槛，解决跨主体数据难以互联互通等问题，提升跨主体、跨行业数据流通效率，加快数据资源价值潜能的释放。同时，安全保障能力弱。同时，还促进了数据产业生态的培育，更多的数据资源和场景应用需求，将激励更多主体参与数据开发活动，培育出更多的数据服务商，使数据产业不断发展壮大。
2025-04-08 10:20:04
657
原创 深度解读：国家数据局可信数据空间试点政策启动
随着可信数据空间的落地，数据将不再是孤立的生产要素，而是成为驱动产业升级、城市治理、科技创新的核心引擎。这场数据革命，已然按下加速键。3. 城市可信数据空间：全域数字化的“底座工程” 创新机制：探索公共数据与企业数据的融合应用，打造智慧交通、普惠金融等城市级应用场景。国家数据局副局长陈荣辉指出，这是“探索数据规模化流通的中国方案”，旨在构建全国一体化数据市场的“高速公路”。可信数据空间被定义为“基于共识规则、联接多方主体，实现数据资源共享共用的基础设施”，其核心能力包括数据可信管控、资源交互和价值共创。
2025-04-08 10:13:42
1352
原创 什么是“软数据”？
则更是五花八门了，虽然现在对于互联网数据以及规避了很多涉及到个人隐私的问题，但是大部分我们获取到互联网的数据都是一次性的，如果互联网数据进行了更新，那么这部分数据的时效性则无法保证。这里面就提到一个概念，如果我们接触到结构化数据、文本数据和物联网生成的数据时，通常不会对数据的真实性产生质疑，这部分数据容易量化、约定俗成的、且有固定的计算公式的数据就统称为“硬数据”（hard data）。进入到数据湖仓的数据本质上来说都是可信的，如果数据不真实不准确，理论来说就不应该把这些数据存入到数据湖仓中。
2025-04-08 10:12:46
448
原创 你具备数据素养吗？
百度百科上解释的是：数据素养（data literacy）概念是对媒介素养、信息素养等概念的一种延续和扩展，至少包括以下五个方面的维度：对数据的敏感性；了解数据的伦理问题，学习如何在合规和道德的框架内处理数据，保护数据隐私和用户权益。在这个外卖平台能预测你明天想点什么的时代，当超市货架摆放都经过算法优化时，我们发现：数据素养已不再是专业人员的专利，而是数字公民的基本生存技能。当我们教会老人通过健康数据调整作息，指导孩子用学习数据优化复习计划时，数据素养就完成了从专业能力到生活智慧的蜕变。
2025-02-17 16:25:51
600
原创 数据资产变现路径“多点开花”数据确权与估值难题尚待破解
在特定场景中使用合适的数据变现路径，这是探索数据变现多元化路径的意义之一。上海银行表示，本次数据资产质押贷款业务的落地，在数据要素金融化领域取得了有益尝试，借助上海数交所对数据资产“入表、登记、估值、披露”等环节的管理，通过一体化服务方案和产品组合，为数据要素型企业在数据流通、数据开发工具研发、技术升级改造等方面提供便利化融资服务。事实上，数据资产增信融资只是数据资产变现的路径之一，从生产实践来看，数据资产交易、数据资产“入表”、数据资产出资增资等，都是数据资产变现的有效途径，均获得不少企业积极参与。
2025-02-11 13:38:25
1011
原创 有了AI还有必要数据治理吗？
企业需同时管理本地数据库、云环境及边缘设备数据，传统集中式架构（如数据湖）难以应对，分布式架构（如数据网格）虽提升灵活性，却加剧了治理难度。同时我们会发现，AI驱动的实时决策（如欺诈检测）依赖毫秒级数据同步，但传统ETL工具难以满足低延迟需求，导致数据管道故障率高达80%。通过数据治理的标准化流程（如元数据管理、数据血缘追踪），企业能够确保AI模型输入数据的。特别是近年来，生成式AI的爆发式增长让许多人产生疑问：在AI可以自动清洗数据、优化流程甚至生成内容的今天，数据治理是否还有存在的必要？
2025-02-11 13:36:55
1266
原创 《哪吒2》票房破80亿背后：数据治理如何重塑电影产业？
传统影视制作依赖导演经验和主观判断，而《哪吒2》的创作团队通过分析社交媒体、视频平台等海量数据，精准捕捉观众偏好。《哪吒2》的80亿票房不仅是国产电影的胜利，更是数据治理在影视产业落地的一次成功实践。未来，随着数据采集、分析与应用技术的进一步成熟，电影行业将迈向更高阶的工业化与智能化。例如，针对北美观众对个人成长主题的偏好，影片强化了哪吒与家庭关系的刻画，助力其在IMDB未映先火（评分8.2）。《哪吒2》的成功不仅是一部电影的胜利，更推动了电影产业的数字化升级。：在采集用户数据时，需严格遵守隐私保护法规。
2025-02-10 14:09:31
1516
原创 数据血缘：大数据世界的“破案神器“，看懂数据背后的蝴蝶效应
导读：凌晨三点的数据监控大屏突然报警，某电商平台的实时GMV数据出现断崖式下跌。20分钟后，运维人员在数据血缘图谱上发现异常：商品库存数据源更新延迟，导致促销活动的动态定价模型误判，最终引发GMV计算错误。这不是科幻场景，而是某科技公司去年双十一的真实故事。
2025-02-08 10:42:34
437
原创 DeepSeek—预测未来数据治理的前沿技术
接下来，我得列举可能的技术，比如人工智能和机器学习在数据分类、质量管理中的应用；区块链确保数据可追溯和不可篡改；数据治理涉及数据的质量、安全、合规、存储等方面，所以前沿技术可能包括AI、区块链、隐私计算这些。另外，解决方案要具体，比如提到具体的技术组合，如区块链+智能合约，或者边缘计算与5G的结合。然后，每个技术需要对应的解决方案，比如AI自动化分类，区块链的溯源系统，隐私计算的联邦学习平台等。还要注意用户可能关心的实际案例，比如医疗或金融领域的数据治理应用，但用户没有特别指定行业，所以保持通用性。
2025-02-05 10:37:18
1390
原创 人工智能的原理是什么？
这为您的人工智能模型提供了更新的数据，以做出更准确的预测。模型选择是人工智能开发过程中的一个步骤，您可以在其中选择最适合当前问题的人工智能模型。您将数据源中的信息提供给人工智能系统，让人工智能处理它，并创建使用输入数据作为参考的经过训练的模型。准确度（正确预测的百分比）、精确度（实际为正的预测的百分比）和召回率（正确识别的案例的百分比）是最常见的。随着人工智能研究的加速以及人工智能的应用在商业和个人生活中发挥越来越大的作用，了解人工智能的工作原理以及如何使用它比以往任何时候都更加重要。
2025-01-24 09:51:13
1912
原创 数据交易中的难点与纷争
北京互联网法院经审理认为“暗刷流量”的行为违反商业道德底线，使得同业竞争者的诚实劳动价值被减损，破坏正当的市场竞争秩序，侵害了不特定市场竞争者的利益，同时也会欺骗、误导网络用户选择与其预期不相符的网络产品，长此以往，会造成网络市场“劣币驱逐良币”的不良后果，最终减损广大网络用户的利益。数据交易中还会涉及在合同履行过程中衍生的数据成果权益分配问题，例如数据需方在使用数据供方提供的数据产品或数据服务过程中，基于数据供方的数据沉淀出新的派生数据，这些派生数据也具有一定的商业价值，那么派生数据的权益如何分配?
2025-01-24 09:47:52
899
原创 产品上线后如何进行复盘？
我们会列出相应的问题，由各个产品经理进行复盘，并将复盘的内容与项目组、研发、测试不同角色进行分享，这样才能有效的拉通各个角色分工，让不同角色的同事明白自己的工作存在哪些缺漏或者值得提升的地方。导读：我们在进行系统建设或者产品研发的过程中，经历了测试特别是UAT测试后，需要阶段性的对需求开发全过程进行复盘，特别是大型项目而言，因为后续还有历史数据处理，正式上线全员培训，二次优化等工作，复盘总结有利于发现当前阶段出现的问题或者多次返工、阻断性问题等等。5.在产品发布后，发现了哪些重要的bug？
2025-01-20 09:08:41
973
原创 云数据湖—构建健壮的云数据架构
回归到我们在做的任何数据项目，无论是数据开发，数据产品，数据治理等等。例如什么是大数据，什么是云数据湖等等，我想，在如今数据爆炸的时代，不仅是越来越多的人开始重视数据，对数据处理的技术也是日新月异。其次，和大部分市面上有关数据湖仓的书籍不一样的是，本书除了详尽的介绍什么是数据湖，为什么、何时、何地需要迁移，哪些方面可以一起调整，以及它们的利弊。如果您也是数据架构师、数据开发人员和数据运维专业人员，并希望广泛的了解设置和运营云数据湖的各个方面，不妨将这本《云数据湖》读一读，一定能获得您想要的内容。
2025-01-03 16:47:30
670
原创 方法的重要性—《谈谈方法》读后感
摘要：笛卡尔在西方哲学史上确实拥有显赫的地位，他被誉为理性主义的奠基人，其思想对后世产生了深远的影响。《谈谈方法》作为他的重要著作之一，不仅展示了他独特的思考方式，也揭示了他对于哲学问题的关切和贡献。整本书的内容主要是阐述了笛卡尔对世界的看法，认为神创造了万物，事物按照既定的规则演化，并推导一些具体学科的结论。本文尝试以经典解释学的方法解读笛卡尔的这部名作，理清笛卡尔在书中所要表达的哲学思想。通过对笛卡尔思路历程的简单介绍，找到笛卡尔的关切点。关键词：理想主义；方法论；自然辩证法一、《谈谈方法》之
2024-09-27 17:26:10
1440
企业级数据管理和质量提升中的元数据关键技术与应用实践
2025-02-06
金融监管中的数据共享与规制体系：基于欧盟经验与本土挑战的解决方案
2025-02-06
贵阳大数据交易所的数据流通体系建设及优化探索
2025-02-06
数据同步ETL工具比较: TurboDX、Oracle GoldenGate、Kettle、DataX、Informatica的特性与应用场景分析
2025-02-06
主数据管理(MDM)业务案例的构建：评估业务价值及量化策略
2025-02-06
数据敏捷治理的内涵与框架：重塑公共价值与制度构建
2025-02-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人