惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Threat Intelligence Blog | Flashpoint
Threat Intelligence Blog | Flashpoint
Microsoft Security Blog
Microsoft Security Blog
Microsoft Azure Blog
Microsoft Azure Blog
Google DeepMind News
Google DeepMind News
F
Full Disclosure
N
Netflix TechBlog - Medium
The Register - Security
The Register - Security
D
Docker
云风的 BLOG
云风的 BLOG
B
Blog RSS Feed
C
Check Point Blog
T
Threatpost
博客园_首页
AWS News Blog
AWS News Blog
MongoDB | Blog
MongoDB | Blog
爱范儿
爱范儿
B
Blog
月光博客
月光博客
V
Vulnerabilities – Threatpost
WordPress大学
WordPress大学
T
Threat Research - Cisco Blogs
D
Darknet – Hacking Tools, Hacker News & Cyber Security
Forbes - Security
Forbes - Security
Spread Privacy
Spread Privacy
罗磊的独立博客
Cloudbric
Cloudbric
Y
Y Combinator Blog
人人都是产品经理
人人都是产品经理
阮一峰的网络日志
阮一峰的网络日志
The Hacker News
The Hacker News
cs.CL updates on arXiv.org
cs.CL updates on arXiv.org
TaoSecurity Blog
TaoSecurity Blog
酷 壳 – CoolShell
酷 壳 – CoolShell
T
Tailwind CSS Blog
Cyber Security Advisories - MS-ISAC
Cyber Security Advisories - MS-ISAC
T
The Exploit Database - CXSecurity.com
C
Cybersecurity and Infrastructure Security Agency CISA
IT之家
IT之家
I
InfoQ
F
Fortinet All Blogs
C
Cyber Attacks, Cyber Crime and Cyber Security
S
SegmentFault 最新的问题
Google DeepMind News
Google DeepMind News
The Last Watchdog
The Last Watchdog
美团技术团队
K
KPMG report finds enterprise disconnect between AI and its ROI | CIO
Cisco Talos Blog
Cisco Talos Blog
S
Security @ Cisco Blogs
P
Palo Alto Networks Blog
cs.AI updates on arXiv.org
cs.AI updates on arXiv.org

人人都是产品经理

为什么你的产品找不到差异化?90%的失败都卡在第一步上(下) – 人人都是产品经理, 3年从30万到1300万用户、获2200万美元融资,这个AI教育产品用“抽卡”破解了获客难题 – 人人都是产品经理, 园区招商系统怎么做才能真正帮到去化?我加了这一个功能,推广链接转发400次阅读过万 – 人人都是产品经理, AI大事件:OpenAI发完网络安全模型又搞药物研发,小鹏汽车要抓”DeepSeek时刻” – 人人都是产品经理, 电商不是卖货,是一场更残酷的产品经理实战 – 人人都是产品经理, 没想到,活动营销又回来了! – 人人都是产品经理, 为何All-in海外KOC:一场关于AI时代窗口期的豪赌 – 人人都是产品经理, 重新理解企业的内部协作 – 人人都是产品经理, 苹果的 AI 战略到底是什么? – 人人都是产品经理, 医疗智能体·第2讲——合规护城河:等保、PIPL与HIPAA的架构实战 – 人人都是产品经理, 向量知识库五步法:从“答非所问”到“精准回复” – 人人都是产品经理, 鸿蒙PC三方库构建总指挥HPKBUILD(sha)库为例 – 人人都是产品经理, 何时该用LLM?AI产品经理的LLM设计指南 – 人人都是产品经理, 医疗信息领域的需求方、决策方、准入方以及关注点(二) – 人人都是产品经理, 即梦涨价:一场被误读的「傲慢」 – 人人都是产品经理, 面试AI PM必答题:Hermes和OpenClaw的区别,如何讲清楚业务价值 – 人人都是产品经理, AI的下一张船票:世界模型——AI产品经理必须理解的技术拐点 – 人人都是产品经理, 小红书做GEO,怎么让AI信你?记住这 3 个重要信息 – 人人都是产品经理, 5 家印度 AI 初创公司,看看印度 AI 再做什么 – 人人都是产品经理, AI项目跨团队协作:产品技术业务如何不打架 – 人人都是产品经理, Agentic Workflow(智能体工作流):让AI从”答案生成器”变成”数字员工” – 人人都是产品经理, lycium_plusplus 项目全景解读:OpenHarmony 三方库构建的“大管家” – 人人都是产品经理, 从爆单救火到前置履约:两套预采策略,把生鲜大促履约效率拉满 – 人人都是产品经理, 什么时候该补货?我用一轮数据做了一个决定 – 人人都是产品经理, 从“机械兜底”到“动态分流”:AI客服重复进线治理的4大底层逻辑 – 人人都是产品经理, 抖音拼效率,红书拼洞察 – 人人都是产品经理, 全民狂欢与退潮——为什么龙虾这波热潮冷却得如此之快? – 人人都是产品经理, Stripe押注!MPP重塑全球支付 – 人人都是产品经理, 小红书GEO:AI引用你的内容,不是因为你对,而是因为你看起来可信 – 人人都是产品经理, 前百度副总裁押注办公Agent,日韩付费爆发,Manus迎来强劲对手 – 人人都是产品经理, 企事业单位数字化的业务供需本质 – 人人都是产品经理, 医疗智能体·第1讲——医疗信息化重构:从“辅助软件”到“自主智能体”的范式转移 – 人人都是产品经理, 粉丝量就是空气!!! – 人人都是产品经理, 用户说“薯片碎了”,机器回“要买吗?”:意图识别的翻车与破局 – 人人都是产品经理, RAG召回准确率从75到90 我做对了这三件事 – 人人都是产品经理, AI大事件:Anthropic改收费、OpenAI发安全版、手术机器人纳入医保、阿里发布”秒悟” – 人人都是产品经理, Chrome 推出 Skills 新功能,Agent 重塑上网方式 – 人人都是产品经理, GitHub前创始人拿了a16z的1700万美元,做Agent时代的Git – 人人都是产品经理 拷贝或克隆其他 Flutter OH 项目到本地后无法运行 – 人人都是产品经理, 优惠券设计:优惠券创建 – 人人都是产品经理, 不用死磕文档!AI 助手 1 小时搞定飞书 CLI 安装 + 配置 + 知识库 – 人人都是产品经理, 用小龙虾做竞品分析报告:从2天到20分钟,我是怎么做到的 – 人人都是产品经理 用小龙虾做市场分析报告:搞懂这3个公式,市场规模不再靠猜 – 人人都是产品经理, 你早就在做 Harness 工程,只是不知道它叫这个名字 – 人人都是产品经理, Think Long就够?你可能想多了! – 人人都是产品经理, 货代SRM实战:供应商准入怎么做,才能让资源池不是通讯录而是可交付网络? – 人人都是产品经理, 如何做好用户调研?详解基本技巧 – 人人都是产品经理, 木鸟、途家、美团对打,平台春天行动开“卷” – 人人都是产品经理, 入职才发现公司不靠谱?小红书从业者求职避坑指南 – 人人都是产品经理, 美国 AI 三巨头联手封堵,中国 AI 突围之路在何方 – 人人都是产品经理, 小红书,放在需求对面的镜子 – 人人都是产品经理, AI 会带来大规模失业吗? – 人人都是产品经理, 从出单到补货前,我第一次犹豫:该不该放大? – 人人都是产品经理, Flutter 三方库鸿蒙化适配:5 种高效检查方式,快速判断是否需要适配 – 人人都是产品经理, 从做产品进阶拿结果:医美机构产品经理转岗科室运营经理 – 人人都是产品经理, 阿里HappyHorse,一场关于“Token经济”的阳谋 – 人人都是产品经理, To B AI:客户留存落地的观察与思考 – 人人都是产品经理, AI产品的“生命线”——数据采集、标注、清洗的产品化设计 – 人人都是产品经理, 谈谈AI Agent(二):当“孩子”能自己“体验世界”时,你该学什么? – 人人都是产品经理, UI/UX设计师的3层能力进阶,前两层让你活下来,第三层…才是真正的分水岭 – 人人都是产品经理, 2分钟 → 30秒,效率提升75%:B端产品经理如何用「规则枷锁」驯服AI幻觉? – 人人都是产品经理, 还没来得及学OpenClaw,来了个更猛的:Hermes Agent – 人人都是产品经理, AI日报:宇树机器人跑出10m/s刷新世界纪录 – 人人都是产品经理, 一文说透基金互金如何用情绪价值引导用户决策做转化 – 人人都是产品经理, 当浏览器开始替你”看”网页:AI 浏览器正在亲手拆掉它脚下的那张网 – 人人都是产品经理, 0代码,一天时间我Vibe Coding了个网站 – 人人都是产品经理, Hermes 和 OpenClaw 之争,Agent 的能力应该“装上去”还是“长出来”? – 人人都是产品经理 视频生成的“桌子”,字节Seedance 2掀完,阿里快乐马掀 – 人人都是产品经理, 从听不懂到完全信任:我的 Codex 深度产品体验 – 人人都是产品经理, 当虚拟偶像有了北京户口,与真人偶像还有什么区别? – 人人都是产品经理, 会说,远远比会做更重要 —— 对 SBTI 爆火现象的五层观察 – 人人都是产品经理, AI产品经理必看:当“搭环境”比“选模型”更重要,你的认知还在2024年吗? – 人人都是产品经理, 2026年AI产品商业化核心逻辑:从功能demo到规模化营收的3个必破卡点 – 人人都是产品经理, 京东围绕供应链,卷起裤腿下场的那些事儿 – 人人都是产品经理, SBTI一夜刷屏:它赢在了“太会说人话” – 人人都是产品经理, 折扣零售的真相:不是便宜,而是价值感! – 人人都是产品经理, 和甲方吵了一架,最后加钱做了——我学到的ToB产品经理生存法则 – 人人都是产品经理, 和几位小红书操盘手聊了8小时,干货全在这 – 人人都是产品经理, 智谱GLM-5.1登场,开源模型首超Opus4.6!!! – 人人都是产品经理 Anthropic收入凭什么反超OpenAI,终于有人把这事说清楚了 – 人人都是产品经理, 史上最有故事感的技术报告——Claude最强模型Mythos 7个极其精彩的细节 – 人人都是产品经理, 模型不是壁垒,Harness 也不是 – 人人都是产品经理, 抖音本地生活业务思考21 – 人人都是产品经理, Superpowers:145k Star的AI编码框架,到底是什么来头? Superpowers:145k Star的AI编码框架,到底是什么来头? – 人人都是产品经理, OpenAI 的路走错了,Anthropic Harness 解法启示:模型需要实践专科生 – 人人都是产品经理, 画原型图的前一步:设计站点地图 – 人人都是产品经理, 给 DeepSeek 的最后一封催更信 – 人人都是产品经理, 手把手教你用 Claude Code 搭建 AI 营销团队:5 个 Agent、12 项技能,独立完成研究、写作、设计全流程 – 人人都是产品经理, 你以为大模型在学语言?不,它在重新发明语言学 – 人人都是产品经理 所谓Skill,不过是AI时代的工业垃圾 – 人人都是产品经理, 聊一聊内容传播的几个方法 – 人人都是产品经理, 当平台开始吃掉生态:从 OpenClaw 被封杀,读懂 Anthropic 的这盘棋 – 人人都是产品经理, 你装了 10 个 AI 插件,Obsidian 还是一个文件夹 – 人人都是产品经理 关于AI智能体架构演进的系统性思考:从单体试水到多体协同的重构 – 人人都是产品经理, 当“人”变成Skill,我们又该何去何从? – 人人都是产品经理 Mythos 事件:前沿 AI 治理的意外实验 – 人人都是产品经理, 货代CRM:信用与风险管理怎么做,才能把坏账风险拦在放货之前? – 人人都是产品经理, 从HR收集自拍照到员工自助录入——我见证了园区人脸识别从”不可用”到”真好用”的全过程 – 人人都是产品经理 千问闯关AI混沌期:阿里画靶,吴嘉张弓,马云射箭? – 人人都是产品经理,
数据标准建设方法论总结
成于念 · 2023-03-29 · via 人人都是产品经理

数据标准是描述和阐述数据业务属性和技术属性的规范文档,IT系统应根据数据标准的规定,采集数据,生产数据,存储数据,交换和共享数据。本文作者对数据标准建设的方法进行了总结,一起来看一下吧。

通常来说,IT系统由硬件、软件、数据和通讯等四个部分构成。数据是指信息的可再解释的形式化表示,具有业务和技术两种属性。业务属性包括数据的业务定义、分类和规则等,技术属性包括数据的类型、格式、形态等。数据标准就是描述和阐释数据业务属性和技术属性的规范文档。IT系统应根据数据标准的规定,采集数据,生产数据,存储数据,交换和共享数据。

数据标准中定义的数据范围,广义地说,应包括IT系统中的全部数据。但从标准建设的经济性和实用性出发,一般主要包括IT系统中需要与其他系统(包括人机间)进行交换和共享的部分,即该部分数据是否存在业务应用的需求和数据交换的需求。

基于上述认识,我们认为数据标准建设总的原则如下图所示,是由业务部门的业务需求和IT系统的数据交换需求共同驱动的。

在上述总体原则的指导下,数据标准建设的具体实施步骤如下图所示,包括标准框架、现状调研、标准设计、实施映射、标准执行和维护增强六个步骤。

一、标准分类

此阶段的工作目标是要回答“标准的范围应该包括哪些”,数据标准分类作为数据标准化工作开展的基础,主要包括明确标准定义范围、确定主题定义目的、明确主题定义指导原则、确定数据标准层次、明确主题定义内容等内容。

二、现状调研

此阶段的工作目标是要回答“待建设的主题目前数据状况如何”。通过制定调查问卷、安排现场访谈、收集文档资料等手段,从业务和技术两方面开展调研,了解跟标准相关的内容,包括现有定义、使用习惯、数据分布、数据流向、业务规则、服务部门、主要矛盾、差异产生原因等,在此基础上对标准建设的背景、建设的难度、影响的范围才能够有清晰的了解,便于设定合理的标准建设目标、制定可行的标准实施规划。

本环节的主要工作内容如下:

1)业务需求采集

在数据标准分类指导下,从数据应用出发,针对其细节信息设计合理的调查问卷,最大限度减少业务人员的工作量,能够在短时间内帮助业务人员了解标准建设的背景以及必要性、重要性,同时采集到业务部门目前主要存在的问题以及对标准的期望。

2)系统现状调研

对包括数据结构、数据字典、系统之间的关系(数据流向)、重要业务规则在系统中的体现方式等方面的内容进行调研。需要各系统的管理维护人员提供相应支持,保证提供的材料文档说明能够跟现行系统保持高度一致。

3)分析应用调研

针对重要的分析类应用系统进行调研,分析其涉及到的数据/业务范围、重点数据需求、主要问题等。

4)现状整理分析

将此阶段采集到的业务需求、现状问题等进行全面的整理,包括调查问卷汇总、数据结构/字典规范化、样本数据案例等,便于问题的汇总以及标准的现状差异分析和影响范围分析。

5)重点问题访谈

根据现状整理和分析的结果,结合数据标准建设的整体规划和目标,针对其中的重点问题如果存在了解不全面、采集信息存在歧义、参考文档不一致等情况,可以适当召集相关人员做专题访谈澄清问题,便于后续工作的开展。

三、标准设计

此阶段的工作目标是要回答“标准应该是什么样的”,基于标准规划的分类,以现状调研的成果作为重要依据,完成待建设主题数据标准设计和定义工作,包括信息类的划分和定义,信息项的业务定义和描述,数据类型及其他技术属性的指导意见等。

本环节的主要工作内容如下:

1)方法原则确定

结合上一阶段的产出成果,确定各主题标准定义原则和定义方式以及大体的工作范围和详细程度。

2)信息视图定义

根据各主题数据具体情况,进行大/中/小等不同层次的信息类定义,阐述其业务内涵以及应该包括的内容,以大/中/小类的组织方式形成业务视图。

3)信息项定义

梳理每个类别下具体的信息项列表,针对每个信息项进行标准的设计工作,包括业务层面的定义和描述,力求完整、准确,尤其应明确;同时根据信息项的标准业务含义,为其定义技术属性,如数据类型、推荐长度等;如果信息项涉及到相关代码,同步进行整理和定义;如果信息项需要设定重要的检核规则,也可酌情、有选择地加以设置并与之关联。

4)标准定义审核

组织相关部门和人员采用书面确认的方式对已经完成的标准定义工作进行检核和补充,如有必要,可针对未能达成共识的重要问题进行集中评审,应着重考察标准对业务的适用性、先进性和全面性等。

5)管理员名单拟定

根据数据标准使用者和维护者,拟定相应管理员,并报领导小组进行审批。

四、标准映射

此阶段的工作目标是要回答“和标准相关的内容都在哪儿”,将已定义数据标准与业务系统、业务应用进行映射,描述标准和现状的关系,以及可能的影响范围,作为后续差距分析和标准执行的输入。

本环节的主要工作内容如下:

1)工作范围确定

在现有的业务系统和应用中,制定系统选择的优先策略,针对稳定的(近期没有升级改造计划)、有代表性(涵盖普遍性业务)的系统确定后续详细映射的工作范围。

2)源系统分析

对选定的源系统进行详细分析,选取内容与标准涉及到的主题信息项、公共代码等相关的数据表、数据字段,并针对这些选中的数据抽取相关样本协助分析。

3)样本数据分析

针对重要信息(如证件种类、渠道代码等)或者差异很大,而且跟先期规划重点相关的部分,需要对样本数据进行分析,以便更清晰地表现问题,并了解问题产生的背景。需要补充说明的是,此工作可能在整个项目进行过程中会持续、分批、分次开展。

4)信息项映射

针对标准中具体的信息项,在准确理解其含义的基础上,将其映射到所有选中系统的数据表、数据字段上,建立两者关联关系。

5)回顾和检查

组织专家小组对标准映射范围选取的适当性,映射的准确性等进行回顾和检查,并最终确认。

五、标准执行

此阶段的工作目标是要回答“标准应该如何执行”,针对现有系统和新建系统,对已定义数据标准进行执行落地工作,包括制定执行策略、编写执行建议和实施方案。在标准执行阶段,应充分考虑业务需求和实施难易程度,最大程度上结合目标和现状,针对不同类型的系统制定相应策略,并设定合理的阶段性目标。

本环节的主要工作内容如下:

1)标准执行策略确定

针对新老系统、业务处理或分析系统、自行开发或外购系统等不同类型的系统,充分考虑其各自的特点,在满足标准需要,影响最小化的基础上分别制定不同的执行策略。

2)相关系统执行分析

对需要落地执行数据标准的系统进行执行调研和影响性分析,确认其数据标准落地执行要涉及到的改造工作。

3)标准执行建议编写

结合业务优先级和实施难度分析结果,根据上一阶段的系统执行情况调研结果,针对目前急迫解决的业务问题确定标准的执行方向,执行建议应作为实施方案的主要参考文档。

4)标准实施方案编写

与项目组或具体系统技术人员通过会议、邮件或访谈的形式进行充分沟通和交流,相互合作编写实施方案,包括具体的标准执行内容、执行方式、执行步骤等。

5)实施方案审批

将标准实施方案提交领导小组进行论证和评审。

六、维护增强

此阶段的工作目标是要回答“如何管理维护标准”,结合数据管理需求和机制,培养管理员负责相应工作,在全行范围内培训和宣讲数据标准。

1)数据标准管理办法制定:制定相关的管理办法,用以规范数据标准的使用、维护与管理,确保数据标准的有效性、适用性,推动数据管控体系建设,促进信息在全行范围内的共享。该办法需由相关部门监督执行。

2)数据标准培训:定期对数据标准的相关内容进行全行内的系统培训和专题培训,制定培训时间表,包括培训内容、培训方式、培训人员和培训时间。

3)标准的维护更新:收集整理各部门数据标准更新需求,根据数据标准管理办法,分期分批地进行标准更新、发布等工作。

专栏作家

成于念,微信公众号:Laosiji,人人都是产品经理专栏作家。关注互联网+行业、数字化转型落地。专注领域包括IT数据管理、数据资产、数据应用和最佳企业数据案例实践分享。

本文原创发布于人人都是产品经理,未经作者许可,禁止转载。

题图来自 Unsplash,基于CC0协议。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。