盘点企业数字化转型实战高频关键词(二)
打通是当前企业数字化转型的核心任务,需要企业横向打通各应用系统数据,让数据流转起来;纵向打通运营管理,让企业各个环节协同共生
这三件事对成就一个优秀DBA极有帮助
有些朋友怕写文章,总觉得脑子里有东西但是写不出来,实际上写不出来说明你还是没有理解透彻,无法融会贯通。写作的时候能够发现你在哪些地方还没有搞透,逼着你再去思考和学习,这样才能更好地提高自己的能力。
搜索型数据库发展历程
搜索型数据库的发展历史可以追溯到20世纪90年代,并经历了多个重要发展阶段。以下是搜索型数据库发展的主要历程。
选型避坑-数据库品牌和数据库产品是不同的
数据库国产化替代工作中有很多坑,如果策略不得当可能会引发一系列的问题。目前已经有些企业因为初期替代策略不谨慎而出现了二次迁移的问题。
分析师提高数据战略价值的四种方法
2023 年 CIO.com 对数据科学和分析领导者的调查显示,大多数人认为很难确定他们所收集的数据的价值,这意味着业务领导者在解释如何实施这些数据时将面临更大的挑战。
Gartner警告:到 2025 年 30% 的 GenAI 计划将被放弃
Gartner 报告预测,到 2025 年底,目前正在测试的 GenAI 项目中至少有 30% 将在概念验证后被放弃。该研究公司强调,成本上升、数据质量差、业务价值不明确以及风险控制不足是导致 GenAI 项目失败的最常见原因。
专家还是数据库问题根因分析的关键
AIOPS单打独斗想要做数据库根因分析比较困难,其最主要的是AIOPS虽然有强大的异常检测能力,但是缺乏专家的综合推理能力。
数据库别技术不够概念凑
很多用户和DBA对国产数据库最厌烦的事情就是过度宣传,各种大会上从来没输过,而到了实际应用场景上,却从来没顺利过。
关乎企业数字化建设成败的痛点、痒点、切入点
,企业数字化建设项目必须基于业务需求,但问题就在于大部分传统企业的业务部门对自身的需求说不清、道不明,不知道自己想要什么或者什么都想要,需求存在高度的不确定性,这个时候对于需求的引导、梳理显得尤其重要,
从套装软件悖论的逻辑角度分析一下DBA职业消亡论
在DBA领域,“低代码工具”就是运维工具、DBA自己自己积累的脚本集和自己写的小工具,也包含现在火到炸裂的大语言模型。在运维国产数据库的时候,趁手的工具肯定很难找到,因此积累自己的运维脚本,自己编写运维工具,提高自身的工作效率也是一种特别重要的能力。这也和我在最近的几次沙龙中提出DBA要掌握一两门脚本语言的观点是吻合的。
如何通过将数据视为产品来降低数据运营成本?
将数据作为产品进行管理可以保证互操作性,促进数据和代码重用,并促进“作为产品”的方法,其中包括考虑数字产品的盈利能力。
你一个IT有什么资格坐在会议室!
在当前高度不确定的市场环境下,IT人不仅面临着前所未有的挑战,也面对着前所未有的机遇,如何抓住机遇的关键就是你如何面对挑战,老杨认为IT人当下需要的是不断的学习与提升,学习最新的技术趋势,多走出去与行业交流学习
金融行业分布式数据库应用观察
近期,IT 市场研究和咨询公司 IDC 发布名为《中国金融行业分布式事务型数据库市场份额,2023:技术验证结束,迎接高速增长》报告,报告引发了广泛的关注。
PG数据库运维中比较容易忽视的问题
PG数据库的很多企业级运维功能还不完备,这对于从ORACLE等企业级数据库转型过来的DBA感受到不适。因为PG的运维中还是有很多小地方需要注意的,对于大型的企业级系统来说,如果忽视了这些问题,可能会引发运维问题。
7月数据库圈值得关注的事 | 2024
7月,几大数据库相关报告发布,很是热闹。2022年至今,新兴数据库企业数量呈现回落,市场逐步收敛,标志着我国数据库产业正从数量增长期向质量增长期转变
为什么大多数数据质量计划在开始之前就失败了
即使在 Hadoop 时代的传统数据质量记分卡的鼎盛时期,也很少取得巨大成功。在过去的几年里,云计算和元数据管理方面的进步使得组织大量数据成为可能。
当你的PG数据库慢慢变大
一般情况下,大多数系统在刚刚开始的时候往往因为开发时索引设计不够合理而产生了大多数的性能问题,最初的优化工作可以基于慢SQL的处理,通过索引的优化可以度过你最初的具有挑战性的日子。
SWAP的使用策略其实是个挺复杂的问题
在启用SWAP的数据库系统中,swappiness建议设置小一些,低于10,甚至直接设置为0,这样SWAP的使用倾向会小一些。
数据产品经理如何避免成为需求传声筒?
最近给几位数据开发转数据产品经理的同学做相关辅导,发现研发转产品在需求挖掘和产品思维方面普遍是短板。对于研发转产品顺利上岸后,如何才能提升产品能力呢?
计算数据投资回报率的思路|用财务视角表达数据价值
过去几年,人们越来越关注如何用数据计算投资回报率。也许是因为数百万元花在了无法解决业务需求的平台和管道上——它们整合了数据,但并没有让数据变得更有用或更易理解。