数字化转型从知己知彼开始
当前大部分传统企业做数字化转型都是盲目的,贪 “功”冒进,过于轻“敌”,这里的“功”就是成果、效果;而这里的“敌”也非敌人,而是难度、阻力,所以企业负责人要以战略的思维做数字化转型,首先要学会知己知彼。
分布式数据库怎样才能叫好又卖座
这些年分布式数据库的热度很高,大家都在谈分布式数据库,很多人认为未来的数据库必须是分布式的,甚至金融行业在一个行业标准里把数据库类型规定为核心系统必须用分布式数据库。不过在实际的应用场景上看,实际应用环境中,集中式数据库还是用得比较多
深入解读Gartner 2022年《分析与BI平台魔力象限》报告
整体来看,本次报告在供应商入选和移除标准、象限归属及位置、荣誉提及名单、关键能力与市场趋势等方面都有更新,但更新幅度不大。
数据湖与数据仓库的根本区别,在于前者是“市场经济”,而后者是“计划经济”
很多同学跟我一样,对于数据湖充满好奇,也许还读了不少数据湖文章,有不觉明历的,也有认为是概念炒作的,但无论别人怎么说,你还是会觉得难以把握数据湖的本质。
数据要素治理研究报告(2022)
近日,抖音集团数据与隐私法务团队联合清华大学数据治理研究中心共同发布了《全球数据要素治理研究报告》。报告以数据要素治理实践水平较高的欧盟、美国、中国为对象,系统比较三者在数据确权和隐私保护、数据跨境流动、互联网平台反垄断、数字税、人工智能伦理五个领域治理实践的异同
数据治理总是诉诸理性而非利益,这很危险!
虽然数据治理最终靠的是文化,但起步的时候,还是要多诉诸利益。下面给出了基于利益驱动来解决数据治理十大问题的方法(仅是示例),供你参考,注意这里的主角是企业数据管理者。
7月数据库圈值得关注的事 | 2022
本月,IDC发布《中国区块链BaaS市场份额,2021》,2021年中国BaaS市场实现1 .88亿美元的市场规模;赛迪顾问发布《湖仓一体技术研究报告》;人社部公布“数据库运行管理员”成新职业;滴普科技完成B+轮融资;亚信科技发布AntDB数据库7.0;阿里云发布《升舱-数据仓库升级交付标准化》白皮书……
数据库圈周盘点:数据库运行管理员成新职业;数据库公司Neon获新融资
本周,工信部发布2022年上半年软件业经济运行情况,上半年,我国软件业务收入46266亿元,同比增长10.9%;近日人社部公布“数据库运行管理员”成新职业;数据库公司Neon获3000万美元融资;NebulaGraph 社区版v3.2.0 发布……
数据科学的历史,从洞穴壁画到大数据
人类的天性是想让他们周围的世界变得有意义。这导致人类早在史前时代就试图以数据为中心来组织事物和思考。
如何利用数据可视化和分析来获得实时洞察?
很明显,现代企业需要对交易、互动和分析进行运营处理,以满足当今全球客户不断变化的需求。通过利用分析和数据可视化,企业可以通过连接独立变量之间的点来识别关系中的相关性,使用户能够做出更具战略性的商业决策,以改善客户体验。
非结构化数据怎么盘点?
现在我们叫“非结构化数据”,其实之前早就有,叫“档案数据”。对应的组织叫做“档案馆”。
轻量&聚焦:精益数据治理实践——以客户数据治理为例
俗话说“巧妇难为无米之炊”,但对于数据人员,更可怕地恐怕是“巧妇难为糟米之炊”。
企业是时候重新审视数据安全与合规了
数据安全与合规将会是数智化时代永恒的命题,且没有一劳永逸的方案。企业与个人,都要活到老,学到老。
浅谈用户标签的实现困境和搭建方法
标签体系,在各大企业的业务场景中都有所应用,尤其是在用户价值分层、精准营销等方面发挥着很大的作用。但是有很多刚启动数字化转型的企业,对于如何搭建一套完善的、覆盖整个用户生命周期的标签体系,还没有非常成熟的认知。
企业数字化转型向标杆企业学什么?
很多传统企业在做数字化建设之前自然想到了“对标”,向标杆学习,那么如何学?如何对标才有效果?首先还是先了解一下“标杆学习”的概念。
企业数字化建设“三不五要”原则
信息化主要负责部门是 IT 部门,而数字化,主要对象部门为业务部门,并且是一把手工程,这就可以解释为什么在数字化时代企业转型失败率高的原因了
数据库HTAP能力强弱怎么看
现在只要是个数据库都肯定会说自己是具有HTAP能力的,让选择数据库的朋友有了选择恐惧症。
数据库圈周盘点:Oracle、DB2的云上新动作
上周,两个老牌数据库的云上之路更上一层楼。其一是DB2,日前,IBM基于AWS Elastic Kubernetes Service (EKS)推出了DB2服务,另一个关于云的是老牌Oracle,甲骨文和微软宣布推出面向 Microsoft Azure 的 Oracle 数据库服务
全套分享视频会议系统建设的那些事
。在经历2003年非典和2008年全球金融风暴后,国内企业对视频会议的需求与日俱增。2020年爆发的新冠疫情再次加快了视频会议的发展。
企业数据治理面临的 6 大挑战!
。企业越大,需要和产生的数据也就越多,数据越多,意味着就越需要定制适合自己企业的有效的、正式的数据质量策略。