怎么用polylang做网站,淮安设计网站,网址转app,能赚钱的网站文章作者#xff1a;许日#xff08;欢伯#xff09;#xff0c;在2016年盒马早期的时候#xff0c;转到盒马事业部作为在线数据平台的研发负责人#xff0c;现任阿里云计算平台DataWorks建模引擎团队负责人。
文章简介#xff1a;本篇文章向大家分享新零售企业如何基于…文章作者许日欢伯在2016年盒马早期的时候转到盒马事业部作为在线数据平台的研发负责人现任阿里云计算平台DataWorks建模引擎团队负责人。
文章简介本篇文章向大家分享新零售企业如何基于DataWorks搭建数据中台从商业模式及业务的设计到数据中台的架构设计与产品选型再到数据中台搭建的最佳实践最后利用数据中台去反哺业务辅助人工与智能的决策。
内容贡献李启平首义盒马从初创至今的数据研发负责人有非常资深的数仓及数据中台建设的经验原阿里巴巴国际业务数仓负责人。
一、新零售的商业模式
一家新零售企业如果要做数据中台的话首先很重要的一点就是一定要懂业务。之前有位同学问过我说数据中台很难建。在我看来数据跟业务是息息相关的在构建整个数据中台的时候首先要对业务有一个非常深刻的理解。
新零售企业会有各种各样的业务形态例如线上电商平台、线下门店、官方APP、分销渠道、供应链等等我们没必要在一开始就要求把所有渠道的数据都收集起来做大一统就是做数据中台了。我们在最开始需要了解的是整个企业的商业模式是什么基于商业模式我们再来定义需要做的业务形态最后的事情才是开始规划企业新零售数据中台的建设。在这里可以给大家举个例子。
例如比较多的新零售企业原先是以线下门店为主的现在会做一些线上APP或者电商业务但是它线上的库存和线下的库存是不同步或者电商的款式和线下的款式是不一样的。那他的商业模式其实还是传统的零售业务只不过开了另外一条线上的业务。数据中台首先需要的是打破企业原先的商业模式设计一个真正线上线下融合的业务形态所以我们经常说数据中台是企业一把手工程。
确定了商业模式之后新零售企业的业务形态也有很多大家都在做不同的尝试例如一些生鲜业务会有XX分钟限时达、有线下门店的企业会把线下流量导入到线上同时把线下门店当做线上入口的一个仓、也有企业线上购买后可以到线下门店提货保证线上线下同款同价等等。当确定了这些业务形态后我们再来聊数据中台如何去支撑这些业务通过数据的打通来完成整个商业模式的闭环。
二、新零售企业产品技术架构设计 确定业务模式后接下来需要做纯产品技术架构的设计。这时候许多零售的企业会比较纠结因为发现做零售、门店、商超很多传统的软件厂商有一个现成的软件体系比如说ERP、WMS对于企业来说是不是买一套就可以了
现在传统的ERP软件或者是物流软件有一些也做了数字化但是很重要区别是数据中台做的数字化不只是为了简单的数字化、把数据结构化更重要的是为上层策略层做一个非常重要的支撑让数据中台对流量、物流履约、流程优化、财务策略做一个非常好的智能化的支持。在这里可以稍微分享一个例子我们之前也调研过一些线下有门店的大型零售商超企业他们也做线上的APP但他们的库存线上线下是隔离的如果总共有100条鱼APP内会预先分配好线上只卖10条卖完之后线上就没有了而拥有数据数据中台之后这100条鱼线上和线下先到先得同时可以通过算法预测做库存预警、做折扣、做交叉销售、做供应链调整等等比起粗暴地分成两拨数据中台通过这种策略模式基本上就把整个线下线上的数据和商品全部打通也重构了一些业务形态所以我们说数据中台不是简单地把数据结构化。
企业如果有一定技术能力的话建议所有核心业务系统都采用自研的形式因为新零售企业需要对很多传统业务做一个全面的数字化包括交易、门店、仓储、运配、采购、供应链、劳动力等等。如果外部采购的话基于商业模式出发一定要让系统形成闭环从交易门店、仓储运费、采购供应链、劳动力等等不要APP、门店、电商都不同的系统那样你做数据中台的时候数据本身的壁垒就已经很高了。
完成整个闭环中非常重要的一点就是最右侧的数据层除了业务系统的设计如果没有统一的数据中台建设是很难去支撑整个企业工程的这也是今天会重点跟大家介绍的部分。 在我们看来数据中台不仅是一种解决方案也是一个团队的职能。企业应该建设一个独立的数据中台团队来支持业务。对于企业来说数据和商品、会员以及设备一样是非常重要的资产。企业数据中台团队的同学是资产的建设者、管理者和运营者通过这些资产去驱动整个零售供应链全链路、智能化的升级。通过采集、管理、建设数据让数据更好地运用到业务上。 上图是比较通用的数据中台的整体架构这部分会有一定的特殊性也有一些通用性。
首先介绍一下通用性整个基础设施的建设基本采用的是阿里云的基础设施阿里云上的DataWorksMaxCompute十一年来一直支持阿里巴巴集团数据中台的建设。在整个数据分层这边源数据层基本上来自于业务系统接入层相对来说会比较复杂一点很多企业现在讲全渠道覆盖包含APP线下甚至一些企业还有自己的配送员、电动车以及门店的一些IOT设备数据人力资源等所以这里面就会出现很多结构化和非结构化的数据。通过数据加工层把非结构化的数据进行一定的加工最终会形成非常重要的数据资产层。
数据资产层构建之后就会有一定的业务含义这部分数据是可以直接被业务使用的。但是在数据资产层上我们会定一层数据服务层让数据使用起来更方便开箱即用。到了服务这一层可能还是无形的从业务方来看肯定希望业务用户能直接去用数据而不是去到很多表里面查数据。所以在数据服务层之上的数据应用层数据中台团队可以建立很多数据产品通过产品化的方式给到业务提供真正的数据使用。产品形式也会比较多在不同的端包括PC、钉钉、掌中宝还有很多IOT的小设备可能就是一个小的黑白屏幕都会有数据的透传。并且在最右侧数据中台会有一套管理体系通过这种管理体系让企业整个运营和运维可以有效地执行起来。这个架构图就是我们理解的一个偏业务型的数据中台分层架构图。 基于刚才提到这种业务型的数据中台分层架构我们需要继续设计一套数据中台的技术架构。大家如果做过大数据的话在数据采集的时候经常会碰到同时有离线和实时的计算该怎么办离线计算我们推荐阿里云上的MaxCompute阿里巴巴几乎所有的离线数据都放在MaxCompute上2020年双11 MaxCompute每日数据处理量达到1.7EB级。实时计算我们推荐Flink峰值每秒处理消息规模达到40亿条计算的性能也非常强大。除了计算还要去做数据的存储比如实时计算Flink的数据汇总加工后可以存储到MaxCompute交互式分析Hologres来构建我们的实时数据仓库MaxCompute交互式分析Hologres可支持的峰值写入速度达到5.96亿条同时支持PB级数据的亚秒级查询以及在线搜索Elasticsearch并且这些存储都会变成一个个数据服务。数据服务会有指标明细还有特征、标签等等这些数据可以推广到运营最常使用的一些设备、运营平台、钉钉移动办公、智能化管理等这些更多是runtime层面的。在整个数据集市运营层面还有元数据、数据质量、容灾管控、数据治理等等。这个技术架构图更多的是当成一个技术需求架构图是新零售企业技术团队在做数据中台的时候需要去做的一些事情。
三、基于DataWorks的新零售数据中台解决方案
当企业的商业模式业务产品技术架构以及数据中台的技术需求整理之后我们就要开始做一个数据中台的技术选型与技术调研什么样的产品什么样的系统可以去支撑新零售企业整套的技术架构。之前说到企业的业务系统我们建议是自研但整个数据中台的技术其实是可以不自研的因为阿里云上已经有非常成熟的产品体系让我们的新零售企业去构建自己的数据中台。刚才我们说到了大数据计算引擎的选型离线数仓可以选择MaxCompute实时数仓可以选择实时计算FlinkMaxCompute交互式分析Hologres这三个产品同时可以无缝组合构建一套完整的实时离线一体化数据仓库构建数据中台的数据开发与治理工具可以选择DataWorksDataWorks服务了阿里巴巴集团几乎所有的业务部门每天集团内部有数万名运营小二/产品经理/数据工程师/算法工程师/研发等都在使用DataWorks同时还服务大量阿里云上的用户下面就是DataWorks的整体架构图 数据集成是构建数据中台的第一步DataWorks对外提供了数据集成的能力它有很多批量、增量、实时、整库的数据集成能够支持企业多种且复杂的数据源目前DataWorks数据集成离线同步支持50种数据源实时同步支持10种数据源无论数据源在公网、IDC、VPC内等环境都可以做到安全、稳定、灵活、快速地数据集成。DataWorks还有一套元数据统一管理服务支持统一的任务调度、同时提供了非常丰富的一站式的数据开发工具覆盖了数据开发的整个生命周期可以极大地提高企业的数据开发效率。上层还包括了数据治理、数据服务等并且它提供了很重要的开放平台。因为对于绝大部分企业来说它的业务系统可能是自研/采购的产品通过DataWorks OpenAPI可以对很多功能做二次的加工以及和各种自研系统、项目系统的集成例如报警信息可以推送到企业自己的监控告警系统目前DataWorks提供的100多个OpenAPI可以让企业非常简单地去实现这个需求。 当我们把这个数据中台技术需求图与DataWorks做一个比对时数据采集部分对应了DataWorks提供的数据集成基本上左边的这些数据同步的需求DataWorks都可以满足。 在数据开发层DataWorks通过它的DataStudio、HoloStudio和StreamStudio可以同时完成企业离线、在线、实时的数据开发并且它还提供了数据服务跟开放接口的能力可以通过OpenAPI的方式跟企业现有的系统和产品做一个集成。还有很关键的一点DataWorks提供了数据地图和数据治理的能力这两个功能看似是边缘功能但是在整个企业构建数据中台时起到了一个非常关键的作用这块后面会继续展开。 前面更多地可以看成是数据中台的准备过程了解企业的业务做了产品系统的设计并且做了一个技术选型接下来我们需要确定企业数据中台建设的目标目标不代表KPI它也有可能是使命或者初衷。数据中台建设的目标是要建立一个数据丰富全链路多维度质量可靠就是口径要标准结果要准确并且要运行稳定产出及时无故障的一个中间层很多人会说这是数据集市没关系它就是个中间层。还有一点是数据中台要为上层业务提供可靠的数据服务数据产品及业务应用这就限定了它不是一个简单的数据仓库也不是一个简单的数据集市而是一个数据中台是可被业务去不断使用的数据中台。如果企业只是把数据同步加工放到MaxCompute或者开源的Hadoop或者一个数据库里面那它还只是个仓。我们定义的数据中台是可被业务直接去使用的甚至是要给业务带来业务价值的才叫数据中台。
定义这样一个目标之后我们要开始做一个分步拆解一些业务团队在提业务需求的时候只会告诉数据团队要一个销售额的数据但是这个销售额还有限制条件例如在什么时间段是否包含退款是否限制地域等等所以数据中台首先要做一个指标体系的设计并且这个指标体系应该在中台团队产品化第二步因为业务去使用的不是一个表的字段所以需要一个数据模型设计的支撑让企业把数据变得更标准第三步基于我们设计好的模型我们还要去做数据处理任务的开发。最后我们要把这些数据通过数据服务的方式开放出去让业务去使用数据服务的形式不限于 Table、API和Report甚至可以是一个产品或者其他的任何一个东西。 上图是大家在网上看到比较多的关于数据模型或者数据集市构建的分层图——ODS、DWD、DWS和ADS。虽然有很多概念和理念但是每个人对这几层的理解是不一样的我们要对这几层有非常严格清晰的定义每一层要有每层自己的特点和职责。在我们看来简单概述地说
ADS一定要是面向业务的不是面向开发的这部分数据让业务能最短的时间去理解甚至直接使用。
DWS必须是指标也是刚才前面讲的指标体系的一个承载体都由DWS去做DWS汇总基本上就是ADS的支撑。
DWD就是明细层明细层怎么建呢我们建议采用的是维度建模的方式企业有维表有事实表维表也有很多层级维度比如枚举维度事实表有周期快照。当然在这里有一个点就是DWD的字段必须是可被直接理解的不要有二义性一旦有二义性的时候DWS使用的时候会有问题会导致整个上游应用都有问题。
ODS基本上大家理解应该都保持一致就是业务数据直接同步过来。但是现在有一些架构的演变大家喜欢在ODS做一个初步的ETL处理这样会导致ODS的数据跟企业业务的数据不一致。其实我们建议是不这样做原因很简单我们要保证ODS跟业务库保持一致这样当出现问题的时候我们能很快定位到问题的原因。一旦做了ETL有可能ETL的过程是有bug的会导致两边数据不一致。所以如果企业是严格要求从业务库的数据到ODS不允许做任何的逻辑的处理那么出现问题的时候只能是中间件或者是其他的任何存储出了问题导致的不应该是业务逻辑导致的。
四、基于DataWorks构建新零售数据中台 前面更多讲述数据中台建设的一些思想、设计、架构、目标及要求接下来我和大家聊一下如何使用DataWorks构建数据中台以及使用DataWorks平台的一些心得。DataWorks这个平台不仅仅服务阿里云上的客户从2009年开始就同时服务阿里巴巴集团几乎所有的业务部门。所以它的整体产品设计很多是偏向于开放的、通用的、灵活的。这个时候企业在使用DataWorks时会由于过于灵活或者是没有标准等而出现一系列的问题接下来的内容就会针对我们的一些经验和大家分享一些心得。 首先数据同步是建数据中台的第一步如果数据进不了仓数据中台就没办法构建。我们在做数据同步的时候会有几个要求比如企业的所有业务数据都是统一同步到一个项目并且只同步一份不允许重复同步这样的话方便管理减少成本同时保证了数据不要有二义性。数据源出问题了那后边数据就都有错所以数据中台一定要保证数据源100%正确。然后从数据回溯与审计考虑数据生命周期设置的是一个永久保存哪怕业务系统因为一些线上库的流量问题会有一些归档、删除但当他们想再使用历史数据的时候可以通过ODS这层原封不动地再还原回去。 第二块就是数据开发数据开发这部分是很考验个人能力的基本上大家都是使用SQL。我们自己对于数据开发这部分的心得简单来说就是数据处理过程是业务逻辑的实现既要保证业务逻辑的正确性也要保证数据产出的稳定性、时效性和合理性。DataWorks进行数据开发的编辑器除了提供比较好的coding能力以外也提供了一些处理流程的可视化的方式帮助企业去做一些code review甚至部分校验这个功能在我们日常使用中是非常有帮助的。 整个数据开发的过程因为我本身也是做 Java的同学每一种编程都有一定的编程范式在整个数据开发的过程中也去抽象了几个步骤。
首先是一个代码转换这个代码转换主要是干什么用的刚才讲过业务系统很多是为了完成一个业务流程会有很多个性化的处理尤其是大家做互联网业务的时候为了解决一些性能问题或者是filter的问题会做一些Json字段媒体字段、分隔符等等这样的内容会出现二义性。我们在开发中会有代码转换比如说把一些枚举的东西转成一个实际会看得懂的东西0到底是什么2是什么或者a是什么还有个格式转换企业有一些业务系统它很难标准譬如说时间有的用的是timestamp有的是存字符串有的是存yymm这些虽然它们都代表时间但是格式不一样在数据集市的构建过程中它要求里面的数据格式必须是一致的我们会去把非标准的数据格式通过格式转换的方式变成一个标准的格式。
第二是业务判断业务判断这里边基本上就是通过条件的方式得出一个业务结果。举个例子年轻人在业务系统里面肯定不会有一个叫“年轻人”这样的字段或业务逻辑如果有年龄数据在梳理的时候可以判断小于30岁的人叫年轻人这个就是我们说的业务判断。
第三是数据连接基本上很简单就是一个表关联去补数据。
第四是数据聚合企业在做DWS的时候会大量用到数据聚合的这部分。
第五是数据过滤我们经常会碰到一些无效的数据我们通过数据过滤这个方式把这些无效的数据给处理掉。
第六是条件选择这个条件选择基本上也就是一些when的东西跟数据过滤稍微有点相似。
最后是业务解析业务解析是企业最经常用到的因为现在NoSQL或者MySQL也支持了甚至有一些业务团队用了Mongo那一个大字段里边有很多业务表示。我们这几年在数据集市做DWD的时候一定要把这种Json字段或者map字段的格式全部解析成固定的列字段。因为我们刚才说过它的内容必须要一致的让用户直接可以看到。在这里面分享个心得就是业务逻辑会尽量收口在数据明细层目的是保证数据的一致性简化下游使用。源头上的变化也可以通过代码或格式等转换保证明细层结构的稳定性避免给下游带来更多的变化。好的模型也需要上游业务系统协同开发一要业务系统有合理的设计二要变更能及时地感知所以说数据中台的建设不是数据团队一个团队的事情也要跟业务团队去做联动和共创。 刚才讲的这些部分更多的是开发阶段如果DataWorks只完成这些的话我们认为它就是一个IDE但是DataWorks作为一站式大数据开发治理的平台核心的一点是要去保证平台的运行如何去保证企业做数据开发的代码能运行起来那就是通过DataWorks的任务调度。一个企业的新零售业务是非常复杂的生鲜有30分钟送达、电商有次日达、三日达还有一些预售预购等等。这些如果是简单的调度系统可能就支持不了DataWorks比较好的一点是它提供了非常灵活的任务调度周期选择比如说月、周、日并且能够支持双11每日1500万任务的稳定调度从调度周期灵活性和稳定性来看都非常好。最开始我们设计企业的新零售业务是一个闭环它每个业务是有相关性的反过来说企业的数据任务也是有相关性的这个时候整个的任务调度链路是非常复杂的。
在整个过程里面我们也有很多尝试、创新也踩过了很多坑这边就跟大家分享一下。DataWorks任务节点未起调或者在错误的时间起调都可能出现数据缺失或者是错误这里就要保证企业数据开发对于每个线上任务的任何问题都要及时处理因为每个问题都会造成一个数据的问题。合理的调度策略既可以保障数据产出的正确性也可以保障数据产出的及时性我们希望一天产出那就不要把它变成每小时产出产生12次就按一天就可以了如果是三天我们就设置三天的调度。 通过这几步正常情况下我们的一个项目或者一个需求按照这种方式去完成我们就认为一个数据开发工程师的任务结束了。但是一般情况下不是这个样子因为数据中台是一个偏商业化的事情所以说它一旦出问题影响是特别大的。如果说集团有集团核心系统部门核心系统业务线有核心系统、非核心系统不同的核心系统需要有不同的保障还有p1、p2、p3、p4的方式去定义故障等级数据业务也同理。数据业务跟正常业务系统不太一样的是数据中台团队是依托了DataWorks来做整个线上大数据业务任务的稳定性保障。其中DataWorks这边提供了很重要的一个模块就是数据质量监控。数据质量监控可以让企业更及时地去发现一些问题当业务有影响的时候保证我们第一时间就知道因为有的时候业务使用还是有一定的延迟性的数据团队经常遇到的就是业务出现问题过来找你才知道。数据质量的监控目的是保障数据产出的正确性并且监控范围一定要比较全不仅限于表大小的变化函数的变化字段枚举值和一些主键的冲突甚至一些非法格式并且异常值会触发报警或中断数据处理过程这时候值班人员要第一时间介入。 上面讲的是监控的问题但是一旦监控多了就会导致监控泛滥会有很多预警报警出来DataWorks也提供了另一种能力就是任务基线的管理。我刚才讲过业务有分级企业的数据业务也有一些重要和非重要的任务我们通过这种基线的方式去把这些任务进行一个隔离。基线这块我们的经验就是基线是保障数据资产的及时产出优先级决定了系统硬件资源的保障力度也决定了运营人员值班的保障力度最重要的业务一定要放8级基线这样会保证你的最重要的任务第一时间产出。另外DataWorks有一个很好的功能——回刷工具当我的基线出问题或者破线的时候可以通过回刷工具快速地把数据回刷出来。并且如果你设置了DataWorks的智能监控这个功能会通过一些基线下目前的任务状态和历史的运行时长等通过算法的形式去帮你提前预估出是否存在破线的风险比如一个数据正常是晚上12点产出的在这之前有个数据应该是晚上6点产出设置完智能监控之后如果之前晚上6点产出数据的任务在今晚7点都未产出并且系统通过算法判断晚上12点依旧无法正常产出智能监控在7点的时候就会发出一个告警让技术同学进行提前干预不用等到晚上12点数据真正产出延时时才开始干预这种智能化的监控与风险的预估对于企业业务的稳定性来说是非常有用的。 做好数据质量的监控与基线基本上就保证了企业的大数据任务和业务的稳定、正常地运行还有就是数据资产的治理。阿里巴巴是提倡数据的公司它做转变的一个非常大的里程碑就是阿里巴巴在数据方面存储和计算的硬件成本超过了业务系统的硬件成本。这也导致了阿里巴巴的CTO会去把数据资产治理作为非常核心的任务。DataWorks是整个阿里巴巴集团数据使用的体量最大的平台甚至是一个唯一的平台也提供了数据资产的模块叫UDAP这里面基本上是可以通过多方面多维度从项目到表甚至到个人全局查看今天整体资源使用情况是什么样的并且给使用者提供了一个健康分的概念。这个健康分可以综合地看到每个业务部门内每个个人的排名情况。做治理最简单的方式就是先把头部打掉我们先治理头部健康分最低的然后把健康分拉上来整个水平就下来了。同时UDAP提供了很多数据可视化的工具可以让你很快地看到治理的效果在这方面我也有一些心得分享给大家。
首先主要目标是优化存储与计算降低成本提升资源使用率技术团队会自己建很多项目空间数据中台团队需要与技术团队共建一起去完成数据治理。一些比较好用的手段就是无用的应用要下线、表生命周期管理、重复计算治理、还有很重要的是计算资源暴力扫描是需要被严格禁止的。UDAP里面的一些功能目前在DataWorks的资源优化模块也能够实现比如一些重复表、重复数据开发与数据集成任务的治理等等。 做完以上这些我们认为数据中台该做的事情就差不多了最后还有一点就是数据安全管理。随着互联网的发展中国基本持续每一年都会出一个相关的网络法比如说电子商务法、网络安全法等等最近应该是草拟数据安全法。作为一家企业对法律的遵守是特别重要的。DataWorks作为阿里大数据最统一的数据入口和出口做了很多数据安全管理的手段。它可以从引擎层面进行一个管控、也可以通过项目层面进行管控同时可以到表层面甚至到字段层面。在字段层面每个字段有等级比如说有一些高等级字段的权限必须部门负责人或者是总裁层面审批才可以使用的再比如说有一些即使审批通过了但还是有一定风险的数据像身份证号码手机号码等DataWorks数据保护伞会提供一种技术叫数据脱敏这些敏感、具有风险的数据被拿走是被脱敏过的不影响使用者的统计或者分析但是使用者是不可见的。
阿里巴巴集团有一套统一的数据管理方法它跟组织架构是打通的员工离职或者转岗他的权限会自动收回。在任何企业包括阿里人员变动是非常频繁的通过这样的功能与体系企业能保证在数据安全的前提下更好地应用数据。
五、基于DataWorks构建数据中台的价值 之前讲的都是基于DataWorks来构建新零售数据中台最早我们提到数据中台一定要服务业务现在我也介绍一下数据中台服务业务的一些方式。一家企业它用数据的过程是由浅而深的过程首先大家都一样最开始我们只是看数据我有什么数据然后通过数据去看一些问题做一些人工的辅助和决策但是新零售的很多业务的扩张是特别快的一年开100多家店覆盖全国200多个城市等等当它的业务形态发生这样的变化后通过简单的数据报表和数据可视化是无法再支撑这个一年开100多家店的业务了。所以说企业这时候也可以做很多精细化的管控比如说品类诊断、库存健康告诉这个业务你现在有哪些问题而不是让他们用报表去发现问题。
再到后面比如一些生鲜业务跟电商业务有一个非常不一样的点生鲜这种新零售业务受自然因素的影响特别大譬如说天气或者是节假日甚至一个交通事故都会影响到生鲜的业务因为库存问题导致货损。针对这种情况企业基于数据中台可以做很多预测类的应用比如销量预测。生鲜的销量预测可以要求到小时每个小时都要做迭代甚至还可以做一些仿真系统当出现比如天气突然发生变化的时候通过仿真系统预测到或者感知到有什么样的风险并做出一定调整。再到后面生鲜会有日日鲜的一些商品商品当天就要卖出每个运营人员、销售人员每天有很多事情要做这么多门店的这么多种日日鲜商品靠人是绝对没有办法高效感知并做出调整的。如果我们把几百张报表全部干掉把这些所有通过人看数据发现问题的场景全部集中到业务系统里面。当数据中台发现日日鲜的商品已经卖不出去了距离关门只有三个小时了需要一个打折这时候不需要人参与通过数据中台的数据的预测与算法自动触发打折把这个商品卖出去。这些BI跟AI结合在一起的应用是可以让数据中台真正产生价值企业也可以根据目前不同的数据应用阶段设计不同的数据应用产品让数据真正赋能业务。
原文链接
本文为阿里云原创内容未经允许不得转载。
