ITPub博客

各个业务或者领域的系统随着业务的成长，都有着自己的需求，功能上的丰富、体验上的迭代、效率上的优化、稳定性的追求等等，这些需求大多来源于产品，少部分来源于技术。

所以CIO不仅要善于与人力资源部门沟通，更要有能力向上沟通的能力，体现信息部门的价值及能力，这对CIO来说是一个严重的考验。

目前，HR SaaS一体化是大势所趋，但市场竞争较为激烈。2015年成立的Moka从招聘管理起家，People产品的推出使其踏入HR SaaS俱乐部。一体化的发展意欲打造第二增长曲线，未来Moka能否做好一体化的关键要看People产品能否有很好地突破，以及People产品能否很好和招聘系统形成良好的协同效应。

数字化转型过程从来都不是任何一方的单打独斗，任何一方的能力缺失都将直接影响数字化的价值体现，今天老杨就以一个甲方的视角来聊聊在转型建设过程中软件公司所需的能力。

量化不良数据质量的确切成本具有挑战性，因为它因行业、运营规模和具体情况而异。然而，上述因素的累积影响可能会很大，从而导致企业和组织的财务损失、错失机会和声誉受损。因此，投资于数据质量管理并确保可靠的数据对于降低这些成本和推动更好的业务成果至关重要。

实际上有不同的数据网格，它们具有不同的优势，不同的技术架构，适用于不同的最终用户，团队参与的规模也大不相同。

根据IDC《2022年下半年中国关系型数据库软件市场跟踪报告》显示，2022年中国关系型数据库软件市场规模为34.3亿美元，同比增长23.9%。其中，公有云关系型数据库规模20.8亿美元，同比增长34.8%;本地部署关系型数据库规模14.6亿美元，同比增长10.3%。

软件研发管理作为企业数字化的关键组成部分，其核心目标是提升商业效率，带来业务价值。因而该环节长期以来备受管理者的关注。而如何合理地、科学地、可持续地执行这一事项，是部门管理者、项目经理、或数据产品经理常常遇到的难题。

在大数据和数据科学的新时代，企业拥有一个与业务流程保持一致的集中式数据架构至关重要，该架构可以随着业务增长而扩展，并随着技术进步而发展。

理解起来就是数字化转型必须一把手亲自来抓，必须以工程化、系统化的思维来做建设及后期运营工作。看似简单的一句话，却蕴涵着企业数字化转型成功与失败的无穷奥秘。

因为归因分析本身难度较大，本篇文章就先从理论出发，让读者先有一个认知，在提到归因分析时不至于“云里雾里”。

很难相信欧盟实施《通用数据保护条例》(GDPR)已经五年了，这是当时影响最深远的数据隐私保护法。数据表明，随着时间的推移，消费者已经越来越喜欢这项法律。然而，科技公司仍有一些工作要做，Meta公司最近因违反GDPR被罚款13亿美元就是证明。

在峰会上，星环科技一方面发布了大模型应用开发软件栈，既是对自身原有数据技术产品的智能化增强，也帮助企业构建自己的专属大模型，推动数智平民化发展，让每个人都拥有个性化的AI助理。另一方面，完善数据产品技术栈，不断夯实数据底座。这些让我们看到了这家公司面向大模型时代的创新进取与坚守。

高阶产品经理的专业性主要体现在对业务的抽象能力上，我们绝非需求的传声筒，但却是业务的翻译器，也正如《大话软件工程》书中所说：如何从错综复杂的目标需求、业务需求中提炼出产品功能需求，是进行高质量产品设计的关键前提。

产品经理是个设计岗位，需要更多的设计思维，所以我们的日常工作都带有“设计”两字：产品设计、架构设计、流程设计、功能设计、原型设计等等。

很多DBA可能不太关注硬件，因为数据库虽然依赖于某些硬件平台，但是可以相对独立的运行，在大多数情况下，DBA不太需要去关注硬件的细节。

许多组织将在其 IT 设备甚至办公桌椅上贴上资产标签。他们知道谁在使用它们，他们在哪里，并且有某种计划来确保他们只投资于维护他们真正需要的资产。但很少有人会以同样的方式处理数据。

PG 16的第一个预览版发布了，也就是说PG社区已经锁定了PG 16的基本功能，听专家解析一下PG16更新的Highlight。

在大数据时代，规范地进行数据资产管理已成为推动互联网、大数据、人工智能和实体经济深度融合的必要条件。贴近业务属性、兼顾研发各阶段要点的研发规范，可以切实提高研发效率，保障数据研发工作有条不紊地运作。

有了大模型的加持NewBing 已经比较强大，不过NewBing 在一些十分专业领域的知识方面依然不尽如人意，回答专业知识的准确性也存在很大问题。这些体验都说明了GPT-4还不够完美，针对领域专业知识的微调训练似乎还是不可避免的。