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

罗磊的独立博客
L
LangChain Blog
aimingoo的专栏
aimingoo的专栏
IT之家
IT之家
B
Blog
博客园_首页
博客园 - 司徒正美
有赞技术团队
有赞技术团队
博客园 - 聂微东
I
InfoQ
美团技术团队
GbyAI
GbyAI
阮一峰的网络日志
阮一峰的网络日志
H
Help Net Security
大猫的无限游戏
大猫的无限游戏
MyScale Blog
MyScale Blog
WordPress大学
WordPress大学
The GitHub Blog
The GitHub Blog
A
About on SuperTechFans
人人都是产品经理
人人都是产品经理
Microsoft Azure Blog
Microsoft Azure Blog
Engineering at Meta
Engineering at Meta
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
The Cloudflare Blog

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,
数据中台建设十大坑
风姑娘的数字视角 · 2024-06-07 · via 人人都是产品经理

行业内现在有着各种误导现象,根源在于很多企业对数据中台的认识不足容易被带偏。就比如建设过程中的很多坑。这篇文章进行了简单的梳理,希望能帮到大家。

关于数据中台,是个长盛不衰的话题,我记得连ERP服务商都在和客户说它是一个中台,有数据了,数据中台就成了,我想表达的是行业内已经出现了各种误导现象,问题根源是很多企业对数据中台认识不足,很容易被供应商带偏,但我觉得在数据中台建设过程中,很多坑是各企业需要重点关注的,今天重点来说说这些坑。

1. 定义不明确

数据中台的定义在不同企业和行业中可能有所不同,就像我说的连ERP服务商都告诉甲方是在建设中台,所以中台是什么,数据中台又是什么,承载了什么职能,各家企业都缺乏清晰的定义,最终建设好比盲人摸象。

2. 数据应用场景不明

很多企业对于数据中台的定义不明,功能不明,所以离应用更是差十万八千里,最后结果就是投入产出比无法衡量。

3. 数据基础薄弱

数据中台的建设需要依赖于高质量的数据,但往往企业的数据基础很薄弱,如数据口径不一致、数据缺失等,各种问题都存在,强行上中台最后就是无疾而终。

4. 实施队伍能力不匹配

数据中台建设需要跨部门的协作和专业知识,如果实施队伍能力不足或协作机制不健全,当然也包括供应商实施项目的人员能力,这都将影响数据中台的建设和运营。

5. 数据治理匮乏

数据治理是数据中台建设的重要组成部分。但很多企业往往并不知道数据治理怎么作,或者为了作治理而作治理,成本投入无法估量。

6. 技术实施难度大

数据中台建设涉及的技术复杂度高,需要大量的技术投入和专业知识,技术实施的难度是企业一大挑战。

7. 投入成本高

数据中台的建设需要大量的资金投入,包括基础设施建设、技术平台开发、人员培训等,高昂的成本可能会让一些企业吃不消,而前面说的几个问题无法解决,导致无法看到成效。

8. 产出见效慢

数据中台建设是一个长期的战略性工作,项目建设成效挂钩很多因素,很多因素是不可预计的而且很难解决。

9. 缺乏有效的规划,成了数仓

由于企业缺乏专业的人才,数据中台多数是跟风建设,或者被供应商说动就开干,最后其实就做成了BI报表数仓。

10. 优化困难

数据中台建设不是一次性的项目,需要持续的运营和优化,但是要调整基本就要大动干戈,导致各种困难。

作者:风姑娘的数字视角,公众号:风姑娘的数字视角

本文由 @风姑娘的数字视角 原创发布于人人都是产品经理,未经许可,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。