课程简介
随着5G时代来临，大数据以及AI驱动效益越来越大，企业数据化管理变革要求越来越高，数据中台概念迅速普及，越来越多的企业选择对企业中的数据进行管理，整合，希望通过数据驱动业务增长，寻求更多元化的增长方式。但数据化管理变革通常是一个解决数据历史债务的过程，一方面大家相信大数据必然产生价值，另一方面在面临各种数据建设问题时工作爆发式增长，容易迷失方向，不知道工作从哪儿切入，需要有成熟的经验案例可参考，如果你的企业在数据化管理变革中遇到以下问题的话，那么这个课程将会是你的最佳选择：
1.数据规模大，异构分布在各个系统，不能对数据进行有序、有结构地分类组织和存储，数据犹如垃圾堆积，带来高额维护成本
2.数据链路长，数据间的生产链路依赖错综复杂，上下游生产线数据质量问题多，难以做到事前，事中，事后监测，导致长期使用错误的数据进行关键决策
3.大数据生态组件多，数据架构选型混乱，使用门槛高，缺乏平台工具整合，导致无法大规模开展高效的数据分析，挖掘工作
4.无法根据企业的业务现状，人员组织特点，找到显著有效的数据驱动场景，缺乏科学的数据驱动方法论，无法将数据用“活”，发挥数据的最大价值
目标收益
1、获知互联网企业大数据体系建设的完整形态，和技术选型标准，加深对企业数据化变革的认知
2、了解数据中台工具的功能架构，数据中台赋能的思路方法论及其技术架构
3、用户行为分析平台的埋点上报，传输，管理，验证，基础数仓建设的功能技术架构
4、掌握爆炸式数据增长下的数据管理，治理体系，了解科学的数据建设管理方法论，在实际生产中有序落地，避免数据重复建设，避免数据安全隐患
5、在数据生产建设过程中，通过事前生产规范管理，事中值班响应，事后巡检监控，全方位保障数据质量
6、掌握ABTest实验的原理，重叠实验框架的架构以及实验决策的方法论案例，学会如何科学的使用AB测试做数据驱动决策
培训对象
适用于大数据应用开发，大数据基础架构开发，数据产品，数据仓库的软件架构师、软件设计师、程序员、数据产品
要求：至少要有1-2年工作经验，学习过Hadoop，Hive以及Java语言
课程大纲
| 引子 | 从我们5G时代说起。指出未来企业数据化变革将越来越重要。对于数据驱动以及数据建设的方法论要求更高。 |
|
第一单元 企业大数据建设概览 |
该单元介绍大型互联网公司的大数据生态技术演进概览 ，大数据应用，中台，平台架构，让大家对大数据架构的技术和大数据平台建设有一个全局的了解。 1、大数据生态技术概览 （1）大数据生态组件的分布 （2）Hadoop，Hive，Spark，Flink，Kylin等各生态组件的定位和使用场景 2、数据应用架构 （1）数据应用产品矩阵 （2）数据面板，用户行为分析系统，用户增长投放系统等产品 3、数据中台架构 （1）数据中台总体概览 （2）数据中台工具体系 （3）基础数据建设概览 4、数据平台架构 （1）离线平台架构概览 （2）实时平台架构概览 （3）统一查询平台概览 |
|
第二单元 数据中台工具 |
该单元介绍数据中台工具的功能架构，技术架构，从中台工具建设思路，灌输一些科学的数据生产方法论。 1、数据集成模块：如何开发和使用数据集成模块对异构数据进行端到端落地传输 2、数据开发模块：结合底层作业调度系统，在事前，事中，事后加入相关模块，完成复杂的DAG作业开发与运维 3、运维中心模块：快速监控，诊断复杂的数据链路问题，以及科学高效的修复方法 4、数据管理模块：元数据系统的技术架构方案，需要综合管制的业务，生产，运维元数据 5、数据安全模块：数据安全的底层架构和流程管制 6、数据质量模块：通过基线管理，DQC功能在数据生产中及时发现数据及时性，完整性，一致性问题 7、报表平台模块：报表平台的功能定位以及市面选型方案 |
|
第三单元 用户行为分析平台 |
该单元介绍企业网站和APP产品的用户行为分析场景下，埋点，上报，数仓建模，可视化产品的解决方案和技术架构。 1、埋点概览 （1）埋点事件模型 （2）埋点准入与治理 （3）埋点数据质量保证 2、百亿日志处理架构 （1） SDK采集上报设计 （2）实时传输架构设计 3、用户行为数仓模型 （1）离线数仓设计 （2）实时数仓设计 4、可视化分析产品 （1）事件分析 （2） 漏斗分析 （3）留存分析 |
|
第四单元 数据治理体系 |
该单元介绍企业在面临爆炸式数据增长时，如何通过OneData数据整合治理方法，对数据进行有序，有结构的管理；对海量的数据生产链路进行治理；有效的提高数据一致性，数据质量，减少成本。 1、规范管理：什么样的数据生产规范更利于日后的数据管理 2、任务治理：海量数据生产任务中，我们应该如何对任务进行监控以及值班响应 3、DQC治理：如何配置DQC规则，更精准更快速发现数据准确性问题，减少误报 4、成本管理：从数据的价值，可恢复性，数据类型的不同等维度。衡量配置数据TTL和冷备管理 5、元数据管理：如何与业务进行合作，结合数据中台工具，对业务元数据进行打标 6、数据生产问题的处理及经验，规范指导，如何有效组织开展数据相关SRE工作 |
|
第五单元 ABTest实验平台 |
该单元介绍企业进行数据驱动的关键方法，AB测试的原理，工具，技术架构和案例实践。 1、为什么要做实验，如何做实验，实验的统计学原理，基本概念，如何确认实验的科学性 2、重叠实验框架的关键技术架构 3、实验案例实践，将会有1~2个 |
|
第六单元 典型数据应用业务场景 |
该单元介绍企业的用户增长业务场景，描述用户增长所需要的所有数据架构支撑。 1、用户增长的实现目标与拆解 2、OCPX的接入与数据架构 3、RTA流量筛选与数据架构 4、素材管理与承接一体的数据架构 5、人群圈选工具的使用与数据架构 |
|
引子 从我们5G时代说起。指出未来企业数据化变革将越来越重要。对于数据驱动以及数据建设的方法论要求更高。 |
|
第一单元 企业大数据建设概览 该单元介绍大型互联网公司的大数据生态技术演进概览 ，大数据应用，中台，平台架构，让大家对大数据架构的技术和大数据平台建设有一个全局的了解。 1、大数据生态技术概览 （1）大数据生态组件的分布 （2）Hadoop，Hive，Spark，Flink，Kylin等各生态组件的定位和使用场景 2、数据应用架构 （1）数据应用产品矩阵 （2）数据面板，用户行为分析系统，用户增长投放系统等产品 3、数据中台架构 （1）数据中台总体概览 （2）数据中台工具体系 （3）基础数据建设概览 4、数据平台架构 （1）离线平台架构概览 （2）实时平台架构概览 （3）统一查询平台概览 |
|
第二单元 数据中台工具 该单元介绍数据中台工具的功能架构，技术架构，从中台工具建设思路，灌输一些科学的数据生产方法论。 1、数据集成模块：如何开发和使用数据集成模块对异构数据进行端到端落地传输 2、数据开发模块：结合底层作业调度系统，在事前，事中，事后加入相关模块，完成复杂的DAG作业开发与运维 3、运维中心模块：快速监控，诊断复杂的数据链路问题，以及科学高效的修复方法 4、数据管理模块：元数据系统的技术架构方案，需要综合管制的业务，生产，运维元数据 5、数据安全模块：数据安全的底层架构和流程管制 6、数据质量模块：通过基线管理，DQC功能在数据生产中及时发现数据及时性，完整性，一致性问题 7、报表平台模块：报表平台的功能定位以及市面选型方案 |
|
第三单元 用户行为分析平台 该单元介绍企业网站和APP产品的用户行为分析场景下，埋点，上报，数仓建模，可视化产品的解决方案和技术架构。 1、埋点概览 （1）埋点事件模型 （2）埋点准入与治理 （3）埋点数据质量保证 2、百亿日志处理架构 （1） SDK采集上报设计 （2）实时传输架构设计 3、用户行为数仓模型 （1）离线数仓设计 （2）实时数仓设计 4、可视化分析产品 （1）事件分析 （2） 漏斗分析 （3）留存分析 |
|
第四单元 数据治理体系 该单元介绍企业在面临爆炸式数据增长时，如何通过OneData数据整合治理方法，对数据进行有序，有结构的管理；对海量的数据生产链路进行治理；有效的提高数据一致性，数据质量，减少成本。 1、规范管理：什么样的数据生产规范更利于日后的数据管理 2、任务治理：海量数据生产任务中，我们应该如何对任务进行监控以及值班响应 3、DQC治理：如何配置DQC规则，更精准更快速发现数据准确性问题，减少误报 4、成本管理：从数据的价值，可恢复性，数据类型的不同等维度。衡量配置数据TTL和冷备管理 5、元数据管理：如何与业务进行合作，结合数据中台工具，对业务元数据进行打标 6、数据生产问题的处理及经验，规范指导，如何有效组织开展数据相关SRE工作 |
|
第五单元 ABTest实验平台 该单元介绍企业进行数据驱动的关键方法，AB测试的原理，工具，技术架构和案例实践。 1、为什么要做实验，如何做实验，实验的统计学原理，基本概念，如何确认实验的科学性 2、重叠实验框架的关键技术架构 3、实验案例实践，将会有1~2个 |
|
第六单元 典型数据应用业务场景 该单元介绍企业的用户增长业务场景，描述用户增长所需要的所有数据架构支撑。 1、用户增长的实现目标与拆解 2、OCPX的接入与数据架构 3、RTA流量筛选与数据架构 4、素材管理与承接一体的数据架构 5、人群圈选工具的使用与数据架构 |
近期公开课推荐
