还有 37 页未读 ,您可以 继续阅读 或 下载文档
报告派所有资源均由用户上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作商用。
1、本文档共计 37 页,下载后文档不带水印,支持完整阅读内容或进行编辑。
2、当您下载文档后,并不意味着拥有了版权,文档仅供网友学习交流,不得用于其他商业用途。
3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!
4、本本所有内容不构成任何投资建议,不具有任何指导和买卖意见。
5、如文档内容存在违规,或者侵犯商业秘密、侵犯著作权等,请点击“违规举报”。
数据工程白皮书前言随着企业数字化转型的不断开展,企业对数据越来越重视、对数据的诉求越来越丰富。本白皮书旨在讨论如何从工程化的角度加速数据到价值的转化过程、为企业带来更多的价值,帮助企业在数字化转型过程中应对来自业务、外部市场、内部数据能力提升等一系列问题。目前数字化转型对于市场来说并不是一个新鲜事物,从技术视角来看,人工智能与大数据相关技术仍处于创新阶段,各行业正在寻找和探索价值场景与新兴技术融合的平衡点,希望在新兴技术的加持下能够在激烈的竞争中占据有利位置。近几年企业在数字化以及数据工作上的投入是非常可观的,可是在数据层面上的收益并不尽人意,我们经常听到企业提到:数据项目投资收益周数据平台层产生价值数据年年治理,年年治人员培养困难,培养人期长,不确定性大,且的速度跟不上业务需理不好才的时间和成本居高没有获取对等的业务求变化的脚步不下,无法规模化地支回报撑业务需求站在企业的视角,结合Thoughtworks近些年服务的客户以及对市场的持续观察,我们发现,超半数的企业认为大数据产业规模将逐步扩大,虽然在部分领域的增速会出现放缓的情况,但是在新兴领域内的大数据产业规模仍将保持可观的增速。另外,大部分企业认为大数据和人工智能领域在未来是值得投资并且能够帮助企业提升效率与客户体验的。对于企业中需要直接面对或完成数据工作的负责人来说,上述问题需要有一套切实可行的方式方法来确保数据工作能够保质保量的顺利开展、保障企业在数据领域的投入能够有价值产出。这样一套行之有效的方式方法我们称为“数据工程”,而该体系的落地过程称为“数据工程化”。