906 lines
80 KiB
JSON
906 lines
80 KiB
JSON
{
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"answer": "【检索结果汇总】\n\n查询问题：数据研发运营一体化（DataOps）是数据开发的哪种范式？\n\n检索到 49 个相关段落：\n\n【事件信息】\n\n事件1：将敏捷、精益等理念融入数据开发过程，打破协作壁垒，构建集开发、治理、运营于一体的自动化数据流水线。\n\n事件2：数据研发运营一体化（DataOps）是数据开发的新范式，将敏捷、精益等理念融入数据开发过程，打破协作壁垒，构建集开发、治理、运营于一体的自动化数据流水线，不断提高数据产品交付效率与质量，实现高质量数字化发展。\n\n事件3：DataOps 实践快速发展\n\n事件4：随着数据需求种类日益丰富，服务交付时效性重要性逐渐凸显，提升数据服务开发效率是关键。\n\n事件5：编写了一篇关于DataOps实践指南的文章\n\n事件6：实施数据治理策略\n\n事件7：提高开发效率和产品质量\n\n事件8：建立数据管道\n\n事件9：集成DevOps实践\n\n事件10：加强数据生态系统的建设，鼓励实现数据开放共享。\n\n事件11：随着数据要素流通政策的不断完善，要素市场的健康有序发展，为企业开展数据流通服务创造了良好的环境。\n\n事件12：定位：总结各行业最佳实践，提炼核心理论框架，推动 DataOps 理念的广泛应用，加速数据驱动型企业的能力建设\n\n事件13：《DataOps 实践指南 2.0》发布\n\n事件14：“数据二十条”的提出旨在健全数据产权制度，建立数据流通交易制度，鼓励数据的共享和交易，有效推动数据资源的高效利用和流动。\n\n事件15：《DataOps 实践指南 1.0》发布\n\n事件16：返回格式必须为以下JSON结构,内容需用简体中文表述: [ { \"Event\": \"\"描述事件的简单句子\"\", \"Entity\": [\"实体1\", \"实体2\", \"...\"] }... ]\n\n事件17：DataOps 的数据流水线以数据工程化能力为核心，构建出数据研发管理、数据交付管理、数据运维和价值运营四个环节。\n\n事件18：DataOps作为一种新兴的数据管理方法\n\n事件19：企业数字化转型快速释放数据生产力的最佳方案\n\n事件20：数据研发管理环节包括需求管理、设计管理、数据开发和自助分析。\n\n事件21：集开发、治理、运营于一体的自动化数据流水线\n\n事件22：DataOps作为一种新兴的数据管理方法，强调数据管理自动化。\n\n事件23：DataOps能力模型围绕数据开发流程形成了‘4+3’的架构\n\n事件24：需求管理流程涉及采集、分析、确认、实施和变更。\n\n事件25：数据研发管理\n\n事件26：价值运营\n\n事件27：数据运维\n\n事件28：数据交付管理\n\n事件29：DataOps能力框架通过三项核心保障促进企业打造跨域协同机制\n\n事件30：车联网TSP湖仓一体平台的数据治理平台涉及数据资产管理、机构/用户信息系统、数据组织/数据地图、参考数据/生数据管理、流程管理、供需分析、元数据管理、数据建模、技术元数据、问题跟踪、血缘关系/关联分析、流程管理、数据开发、数据服务建模、数据流程、部署、调度、测试及验证、服务接入控制、数据安全与共享、数据分析、数据主题、数据实验、数据共享、共享管理、共享服务\n\n事件31：保障版本管理与数据开发、数据测试环节耦合，保障企业任务代码版本统一管理和维护。\n\n事件32：数据开发持续将数据转化为满足业务需求的内容\n\n事件33：数据开发平台\n\n事件34：多家企业参与了标准的评测\n\n事件35：数据开发平台体系评估\n\n事件36：数据中台功能\n\n事件37：《数据开发平台技术要求与测试方法》等标准已完成或在研\n\n事件38：多家企业参与评测\n\n事件39：标签平台\n\n事件40：数据科学平台\n\n事件41：数据开发与服务涉及标签平台、大模型增强型知识图谱\n\n事件42：知识图谱工具\n\n事件43：指标平台\n\n\n\n【段落信息】\n\n段落1：## （三）参与数据要素市场，获取数据竞争优势 加强数据生态系统的建设，鼓励实现数据开放共享。数据生态系统是一个以数 据为核心，由各种数据参与方（企业、组织、个人等）构成的复杂网络，涵盖数据的 生产、流通、利用等环节。通过构建数据生态系统，企业能够更好地进行数据合作与 共享，并参与生态系统的协同治理，推动数据的价值最大化。 加大数据内外部推广，丰富数据生态体系，积极参与数据要素市场建设。“数据 二十条”的提出旨在健全数据产权制度，建立数据流通交易制度，鼓励数据的共享和 交易，有效推动数据资源的高效利用和流动，为数字经济的发展创造良好的环境。随 着数据要素流通政策的不断完善，要素市场的健康有序发展，为企业开展数据流通服 务创造了良好的环境，越来越多的企业利用自身数据积累优势和服务能力优势，深入 调研数据需求方的核心业务痛点，形成可流通交易的数据产品，提供针对性的数据产 品与解决方案，推进形成各类数据产品的权责范围、供求关系、使用场景、定价策略 等，完善数据产品全流程合规管理，充分实现数据赋能发展。 ## （四）加深新型技术使用，提高数据运营效率 随着数据需求种类日益丰富，服务交付时效性重要性逐渐凸显，提升数据服务 开发效率是关键。数据研发运营一体化（DataOps）是数据开发的新范式，将敏 捷、精益等理念融入数据开发过程，通过对数据相关人员、工具和流程的重新组织， 打破协作壁垒，构建集开发、治理、运营于一体的自动化数据流水线，不断提高数据 产品交付效率与质量，实现高质量数字化发展。DataOps作为一种新兴的数据管理 方法，强调数据管理自动化，既能为数据工作者提供敏捷的数据开发支持，同时也简 化了数据交付的周期，提升数据成产者与数据消费者的协同效率，成为企业数字化转 型快速释放数据生产力的最佳方案。 充分利用AI和大模型技术优化数据策略。\n\n段落2：# DataOps 实践典型误区\\n\\nDataOps 作为一种新的数据开发范式正在越来越多的行业和企业中落地，然而，能力建设并非一朝一夕，其实施过程中亦面临重重困难。\\n\\n为帮助即将或正在建设 DataOps 体系的企业进行“避雷”，我们将当前产业在实践过程中走过的弯路和遇到的问题进行了提炼。\\n\\n## 误区 1：盲目跟风，没有“量体裁衣”\\n\\n* **DataOps 理念过热期**\\n\\n+ 领头企业成功案例催化\\n\\n+ 忽略不同企业实施复杂性和差异性\\n\\n## 误区 2：决策机制模糊，导致资源浪费或投入不足\\n\\n* **投入不足**\\n\\n* DataOps 被视为 IT/ 数据部门专项工作\\n\\n* 高层的参与度不足\\n\\n* 业务部门缺乏主动性和创新性\\n\\n* 企业缺少战略耐心\\n\\n* **浪费**\\n\\n* 在立项或采购阶段好大求全，导致项目实施周期增加、成本提高、实施复杂度提升，后续利用度低\\n\\n## 误区 3：过度依赖技术解决所有问题\\n\\n* **高估技术的影响力，忽略业技融合**\\n\\n+ 忽视企业流程、管理、协作和数据文化上的不足\\n\\n## 误区 4：追求短期收益\\n\\n* **市场竞争和业务压力，更关注短期收益和业绩目标的实现**\\n\\n+ 缺乏长远的眼光和战略决心，变革初期的数据质量、交付效率提升只是管中窥豹\\n\\n## 解决思路：急用先行，把握节奏\\n\\n* 考虑自身需求、痛点和技术架构\\n\\n* 综合考量自身与领先企业的差异性\\n\\n* 分阶段、分步骤地推进\\n\\n## 解决思路：定权责、常沟通、重反馈、建流程、勤宣贯\\n\\n* 明确 DataOps 建设目标，定义各部门和个人的责任和角色\\n\\n* 建立定期的沟通反馈机制\\n\\n* 构建规范和流程，减少决策混乱\\n\\n* 培养数据文化，提高员工对 DataOps 的认知和参与度\\n\\n## 解决思路：业务导向，“组织、流程、技术”三位一体共同推进\\n\\n* 围绕业务目标，借助组织变革建立跨部门的团队\\n\\n* 建立标准化的工作流\\n\\n* 选择合适的系统工具\\n\\n## 解决思路：长短结合，久久为功，控制预期，革新认知\\n\\n* 前期拉齐团队和领导层认知\\n\\n* 辅助以可见收益的短期项目，增强信心\\n\\n* 不断加深认知，厘清阶段重点，主动关注行业中的新方向\n\n段落3：# DataOps 能力框架——核心环节\\n\\n## 2024DataOPS发展大会\\n\\n智驱新程·数驱万务\\n\\n为了不断提高数据产品交付效率与质量，实现高质量数字化发展的目标。DataOps 的数据流水线以数据工程化能力为核心，构建出数据研发管理、数据交付管理、数据运维和价值运营四个环节。\\n\\n### 数据研发管理\\n\\n#### 需求管理\\n\\n采集 → 分析 → 确认 → 实施 → 变更\\n\\n数据需求全流程管理\\n\\n#### 设计管理\\n\\n制度 + 技术\\n\\n管理\\n\\n模型设计\\n\\n加工设计\\n\\n标准设计\\n\\n质量设计\\n\\n安全设计\\n\\n#### 数据开发\\n\\n集成存储、实施、部署、维护数据解决方案\\n\\n数据处理、加工、管理、使用\\n\\n提升数据资源价值\\n\\n#### 自助分析\\n\\n自助式的数据二次处理\\n\\n### 数据交付管理\\n\\n#### 配置管理\\n\\n版本控制\\n\\n环境管理\\n\\n代码版本管理\\n\\n数据版本管理\\n\\n保证\\n\\n各阶段数据随时可用性、可验证性\\n\\n#### 测试管理\\n\\n自动化测试流水线\\n\\n管理\\n\\n单元测试\\n\\n集成测试\\n\\n提前发现问题处理问题\\n\\n保证\\n\\n#### 部署与发布管理\\n\\n自动化部署发布流水线\\n\\n聚焦\\n\\n工具的自动化和标准化\\n\\n保证\\n\\n加快数据部署效率降低人为操作风险\\n\\n### 数据运维\\n\\n#### 监控管理\\n\\n监控体系\\n\\n监控预警\\n\\n开发流水线运行情况质量情况\\n\\n#### 资源管理\\n\\n调度优化合理分\\n\\n数据资源\\n\\n计算资源\\n\\n存储资源\\n\\n优化\\n\\n运维成本\\n\\n#### 变更管理\\n\\n标准化、敏捷化的变更流程\\n\\n应对\\n\\n开发流水线各类变更场景\\n\\n#### 异常管理\\n\\n构建\\n\\n异常管理知识库\\n\\n自动化运维能力\\n\\n提升\\n\\n运维效率\\n\\n#### 持续优化\\n\\n调优\\n\\n流水线任务编排\\n\\n平台配置\\n\\n提升\\n\\n开发流水线性能\\n\\n### 价值运营\\n\\n#### 成本管理\\n\\n细化数据产品交付\\n\\n维护成本核算\\n\\n精细控制资源投入\\n\\n识别、减少浪费\\n\\n#### 持续变革\\n\\n打造反馈机制\\n\\n收集各环节堵点问题\\n\\n持续改进\\n\\n#### 量化驱动\\n\\n数据开发流水线\\n\\n评估\\n\\n交付效率\\n\\n需求响应速度\\n\\n优化\\n\\n工作流程资源分配策略\n\n段落4：DataOps作为一种新兴的数据管理 方法，强调数据管理自动化，既能为数据工作者提供敏捷的数据开发支持，同时也简 化了数据交付的周期，提升数据成产者与数据消费者的协同效率，成为企业数字化转 型快速释放数据生产力的最佳方案。 充分利用AI和大模型技术优化数据策略。AI技术可以通过机器学习和深度学习算 法，自动化地处理和分析大规模的数据，发现数据中的隐藏模式和趋势，为企业提供 更准确、实时的决策支持。数据分析技术也将不断发展，包括数据挖掘、预测分析、 文本分析等，通过对数据的深入分析，帮助企业更好地理解和利用数据。 ## （五）以数据入表为抓手，探索数据核算机制 2023年8月，财政部正式发文《企业数据资源相关会计处理暂行规定》（下称 “暂行规定”），标志着我国数据资源入表正式落地，探索数据资源入表的基础制度和 会计制度，对于释放数据要素价值、推动市场建设、优化资源配置具有重要意义。数 据资源入表是指将企业数据资源在财务报表层面真实反应其价值和成本投入，向企业 董事会、管理层和投资方充分披露公司对于数据的重视程度和数据带来的实际价值。 《暂行规定》根据企业使用数据目的的不同，区分为无形资产类数据资产和存 货类数据资产，并分别要求企业参照《企业会计准则第6号——无形资产》和《企业 会计准则第1号——存货》进行处理，同时也要求企业按照规定强制和自愿披露相关 数据资源信息。在《暂行规定》的指导要求下，企业过往在数据建设领域的部分投资 费用可以得到资本化处理，进而改善企业资产负债结构、经营利润等财务数据，同 时，也会进一步激发、促进企业加速完善数据管理体系的建设意愿与进程。\n\n段落5：# 信通院数据应用整体工作框架\\n\\n## 助力数据价值的发现、释放和认可\\n\\n### 数据对外赋能\\n\\n* 数据产品对外变现需求对接\\n\\n* 对外数据API能力评测\\n\\n* 外部数据资源接入对接\\n\\n### 数据对内赋能\\n\\n#### 数字营销\\n\\n* 企业数字营销成熟度评估\\n\\n* 数字营销外部数据源对接\\n\\n* 数字营销解决方案能力评测\\n\\n* 数字营销体系建设提升咨询\\n\\n#### 智能风控\\n\\n* 企业智能风控成熟度评估\\n\\n* 智能风控外部数据源对接\\n\\n* 智能风控解决方案能力评测\\n\\n* 智能风控体系建设提升咨询\\n\\n#### 数据驱动的企业管理\\n\\n* 企业数字化管理成熟度评估\\n\\n* 企业数字化管理体系建设咨询\\n\\n* 企业数字化管理解决方案能力评测\\n\\n#### 企业“业数融合”成熟度评估\\n\\n#### 企业数据伦理治理成熟度评估\\n\\n### 数据分析应用\\n\\n#### 技术平台评测\\n\\n* 数据可视化工具\\n\\n* 数字孪生技术平台\\n\\n* 商务智能(BI)工具\\n\\n* 用户行为分析平台\\n\\n* 基于大模型的BI工具\\n\\n* .....\\n\\n#### 体系建设评估\\n\\n* 可视化服务能力\\n\\n* 数据分析服务能力\\n\\n#### 外部供应商评测\\n\\n* 数据分析应用服务商能力评测\\n\\n#### 能力提升咨询\\n\\n* 技术工具及供应商选型咨询\\n\\n* 内部体系建设咨询\\n\\n### 数据开发与服务\\n\\n#### 技术平台评测\\n\\n* 数据开发平台\\n\\n* 数据科学平台\\n\\n* 知识图谱工具\\n\\n* 指标平台\\n\\n* 标签平台\\n\\n* .....\\n\\n#### 体系建设评估\\n\\n* 数据服务体系评估\\n\\n* 数据开发体系评估\\n\\n#### 能力提升咨询\\n\\n* 技术工具及供应商选型咨询\\n\\n* 内部体系建设咨询\\n\\n中国·北京 12.20-12.21 回归数据本质 应用驱动治理\\n\\n2023数据资产管理大会\n\n段落6：# 重点工作一：数据开发与服务板块\\n\\n中国·北京 12.20-12.21 回归数据本质 应用驱动治理\\n\\n2023数据资产管理大会\\n\\n## 1 供给侧技术工具\\n\\n### 已完成及在研标准：\\n\\n* 《数据开发平台技术要求与测试方法》\\n\\n* 《数据科学平台技术要求与测试方法》\\n\\n* 《知识图谱工具技术要求与测试方法》\\n\\n* 《用户行为分析工具技术要求》\\n\\n* 《指标平台技术要求》\\n\\n* 《标签平台技术要求》\\n\\n* 《A/B测试工具技术要求》\\n\\n### 参与评测企业：\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n## 2 应用侧体系建设\\n\\n### 体系架构\\n\\n#### 数据服务体系\\n\\n* 数据获取\\n\\n* 数据分析\\n\\n* 服务管理\\n\\n#### 数据开发体系\\n\\n* 开发能力\\n\\n* 流程管理\\n\\n* 环境管理\\n\\n### 已完成及在研标准：\\n\\n* 《数据开发能力成熟度模型》\\n\\n* 《数据服务能力成熟度模型》\\n\\n### 参与评测企业：\\n\\n\\n\\n\\n\\n进行中：\\n\\n\\n\\n\n\n\n相关子查询：\n数据研发运营一体化（DataOps）是什么、数据开发的常见范式有哪些\n\n检索统计：\n- 查询复杂度：{'is_complex': True, 'complexity_level': 'complex', 'confidence': 0.95, 'reason': '这是一个复杂查询，因为它涉及到数据研发运营一体化（DataOps）这一概念的深入理解，以及它与数据开发范式的关联。需要对DataOps有全面的了解，并且可能需要查询有关数据开发的不同范式，从而确定DataOps在其中的位置。这通常需要生成多个子查询来收集和分析相关信息。'}\n- 是否复杂查询：True\n- 迭代次数：0\n- 信息充分性：True\n",
|
||
"query_complexity": {
|
||
"is_complex": true,
|
||
"complexity_level": "complex",
|
||
"confidence": 0.95,
|
||
"reason": "这是一个复杂查询，因为它涉及到数据研发运营一体化（DataOps）这一概念的深入理解，以及它与数据开发范式的关联。需要对DataOps有全面的了解，并且可能需要查询有关数据开发的不同范式，从而确定DataOps在其中的位置。这通常需要生成多个子查询来收集和分析相关信息。"
|
||
},
|
||
"is_complex_query": true,
|
||
"retrieval_path": "complex_hipporag",
|
||
"iterations": 0,
|
||
"total_passages": 49,
|
||
"sub_queries": [
|
||
"数据研发运营一体化（DataOps）是什么",
|
||
"数据开发的常见范式有哪些"
|
||
],
|
||
"decomposed_sub_queries": [
|
||
"数据研发运营一体化（DataOps）是什么",
|
||
"数据开发的常见范式有哪些"
|
||
],
|
||
"initial_retrieval_details": {},
|
||
"sufficiency_check": {
|
||
"is_sufficient": true,
|
||
"confidence": 0.9,
|
||
"reason": "事件信息和段落信息包含了回答查询所需的关键内容...",
|
||
"iteration": 0
|
||
},
|
||
"current_sub_queries": [],
|
||
"is_sufficient": true,
|
||
"all_documents": [
|
||
{
|
||
"page_content": "将敏捷、精益等理念融入数据开发过程，打破协作壁垒，构建集开发、治理、运营于一体的自动化数据流水线。",
|
||
"metadata": {
|
||
"node_id": "f81ab568ce6cfce72175a1087db911f899752c622460211efdc350d6c3167149",
|
||
"node_type": "event",
|
||
"ppr_score": 0.008001731308126552,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 1,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据研发运营一体化（DataOps）是数据开发的新范式，将敏捷、精益等理念融入数据开发过程，打破协作壁垒，构建集开发、治理、运营于一体的自动化数据流水线，不断提高数据产品交付效率与质量，实现高质量数字化发展。",
|
||
"metadata": {
|
||
"node_id": "774a6133f9a25821d10ebab0d1745ac30d14a4016da4d3548b102f265e633a22",
|
||
"node_type": "event",
|
||
"ppr_score": 0.007995047556673802,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "DataOps 实践快速发展",
|
||
"metadata": {
|
||
"node_id": "20707ee6c13b5870e58f4eb4853f2bd6ddc6b0dff31966717b5f434d0a6dcc20",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0034055826272179858,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 3,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "随着数据需求种类日益丰富，服务交付时效性重要性逐渐凸显，提升数据服务开发效率是关键。",
|
||
"metadata": {
|
||
"node_id": "5be46591a0a7ccd7266c2f0961280fd5df89d16e316f123585ebe001f09c5fe1",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0031464747931169257,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "编写了一篇关于DataOps实践指南的文章",
|
||
"metadata": {
|
||
"node_id": "c2db1984e1da816b055b75fa3cc6c40f8c2d7094fc237c3db4ea6b00f7faf4b7",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0028534260949606644,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "实施数据治理策略",
|
||
"metadata": {
|
||
"node_id": "0f4eb7cf5f30d4738a7385127c011103981bc088ec749f8af1ed0b6c15144c44",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0028073719961491774,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "提高开发效率和产品质量",
|
||
"metadata": {
|
||
"node_id": "b08abe3367a833819cdadc8902d43927e0dc1b8a28c6729d5fa9913641ba27a5",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0028073719961491774,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "建立数据管道",
|
||
"metadata": {
|
||
"node_id": "849a3d4c2d25164af0bce9c9cbdbfd592254d7fc9af293f4be1484277c81ac76",
|
||
"node_type": "event",
|
||
"ppr_score": 0.002783773345957743,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "集成DevOps实践",
|
||
"metadata": {
|
||
"node_id": "fcc78de5daaa3405a2c6e340aee37d2a90e80892ad8326c4ab92aff1c0e6047b",
|
||
"node_type": "event",
|
||
"ppr_score": 0.002783773345957743,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "加强数据生态系统的建设，鼓励实现数据开放共享。",
|
||
"metadata": {
|
||
"node_id": "cdc6337c8984c01a1379d9afa19eeb4ba81660be38053a846e0f250baf04ee62",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0024817526973273762,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "随着数据要素流通政策的不断完善，要素市场的健康有序发展，为企业开展数据流通服务创造了良好的环境。",
|
||
"metadata": {
|
||
"node_id": "f8d46e99bb67396a63859ea3eafb0dd619b62f57c9337d2e223051e0d4f9a200",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0023861970916155997,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "定位：总结各行业最佳实践，提炼核心理论框架，推动 DataOps 理念的广泛应用，加速数据驱动型企业的能力建设",
|
||
"metadata": {
|
||
"node_id": "805ccf4b8afad7fdc7adf220f8be68488e531cfbb23f6b8ea12ce6eeb52fea63",
|
||
"node_type": "event",
|
||
"ppr_score": 0.002363626024678319,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "《DataOps 实践指南 2.0》发布",
|
||
"metadata": {
|
||
"node_id": "883d48746a2c6d5088fb85af475dede23902ac92177369e7704f30cc11fb98da",
|
||
"node_type": "event",
|
||
"ppr_score": 0.002363626024678319,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "“数据二十条”的提出旨在健全数据产权制度，建立数据流通交易制度，鼓励数据的共享和交易，有效推动数据资源的高效利用和流动。",
|
||
"metadata": {
|
||
"node_id": "90d9024251e5a8cdeca241f0c6166214b4243126f3384975deec9474b31cf45a",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0023604029966302576,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 14,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "《DataOps 实践指南 1.0》发布",
|
||
"metadata": {
|
||
"node_id": "1399b28642963b0ae525bae264742aabd43a3f9bcb85d98c0ca6566a1c1ba26d",
|
||
"node_type": "event",
|
||
"ppr_score": 0.002347855982130874,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 15,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "返回格式必须为以下JSON结构,内容需用简体中文表述: [ { \"Event\": \"\"描述事件的简单句子\"\", \"Entity\": [\"实体1\", \"实体2\", \"...\"] }... ]",
|
||
"metadata": {
|
||
"node_id": "894a0cd323b92326cbbccb930ff9128a22525c5f987593c94b591e52bd5a86d8",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0022141257906668783,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 16,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "## （三）参与数据要素市场，获取数据竞争优势 加强数据生态系统的建设，鼓励实现数据开放共享。数据生态系统是一个以数 据为核心，由各种数据参与方（企业、组织、个人等）构成的复杂网络，涵盖数据的 生产、流通、利用等环节。通过构建数据生态系统，企业能够更好地进行数据合作与 共享，并参与生态系统的协同治理，推动数据的价值最大化。 加大数据内外部推广，丰富数据生态体系，积极参与数据要素市场建设。“数据 二十条”的提出旨在健全数据产权制度，建立数据流通交易制度，鼓励数据的共享和 交易，有效推动数据资源的高效利用和流动，为数字经济的发展创造良好的环境。随 着数据要素流通政策的不断完善，要素市场的健康有序发展，为企业开展数据流通服 务创造了良好的环境，越来越多的企业利用自身数据积累优势和服务能力优势，深入 调研数据需求方的核心业务痛点，形成可流通交易的数据产品，提供针对性的数据产 品与解决方案，推进形成各类数据产品的权责范围、供求关系、使用场景、定价策略 等，完善数据产品全流程合规管理，充分实现数据赋能发展。 ## （四）加深新型技术使用，提高数据运营效率 随着数据需求种类日益丰富，服务交付时效性重要性逐渐凸显，提升数据服务 开发效率是关键。数据研发运营一体化（DataOps）是数据开发的新范式，将敏 捷、精益等理念融入数据开发过程，通过对数据相关人员、工具和流程的重新组织， 打破协作壁垒，构建集开发、治理、运营于一体的自动化数据流水线，不断提高数据 产品交付效率与质量，实现高质量数字化发展。DataOps作为一种新兴的数据管理 方法，强调数据管理自动化，既能为数据工作者提供敏捷的数据开发支持，同时也简 化了数据交付的周期，提升数据成产者与数据消费者的协同效率，成为企业数字化转 型快速释放数据生产力的最佳方案。 充分利用AI和大模型技术优化数据策略。",
|
||
"metadata": {
|
||
"node_id": "da7aaabf868de83a9fc286404d784e30982b7ba7a5e56c5c1707922e5e39dcf1",
|
||
"node_type": "text",
|
||
"ppr_score": 0.05352941435411198,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.5956107123962218,
|
||
"rank": 17,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "# DataOps 实践典型误区\\n\\nDataOps 作为一种新的数据开发范式正在越来越多的行业和企业中落地，然而，能力建设并非一朝一夕，其实施过程中亦面临重重困难。\\n\\n为帮助即将或正在建设 DataOps 体系的企业进行“避雷”，我们将当前产业在实践过程中走过的弯路和遇到的问题进行了提炼。\\n\\n## 误区 1：盲目跟风，没有“量体裁衣”\\n\\n* **DataOps 理念过热期**\\n\\n+ 领头企业成功案例催化\\n\\n+ 忽略不同企业实施复杂性和差异性\\n\\n## 误区 2：决策机制模糊，导致资源浪费或投入不足\\n\\n* **投入不足**\\n\\n* DataOps 被视为 IT/ 数据部门专项工作\\n\\n* 高层的参与度不足\\n\\n* 业务部门缺乏主动性和创新性\\n\\n* 企业缺少战略耐心\\n\\n* **浪费**\\n\\n* 在立项或采购阶段好大求全，导致项目实施周期增加、成本提高、实施复杂度提升，后续利用度低\\n\\n## 误区 3：过度依赖技术解决所有问题\\n\\n* **高估技术的影响力，忽略业技融合**\\n\\n+ 忽视企业流程、管理、协作和数据文化上的不足\\n\\n## 误区 4：追求短期收益\\n\\n* **市场竞争和业务压力，更关注短期收益和业绩目标的实现**\\n\\n+ 缺乏长远的眼光和战略决心，变革初期的数据质量、交付效率提升只是管中窥豹\\n\\n## 解决思路：急用先行，把握节奏\\n\\n* 考虑自身需求、痛点和技术架构\\n\\n* 综合考量自身与领先企业的差异性\\n\\n* 分阶段、分步骤地推进\\n\\n## 解决思路：定权责、常沟通、重反馈、建流程、勤宣贯\\n\\n* 明确 DataOps 建设目标，定义各部门和个人的责任和角色\\n\\n* 建立定期的沟通反馈机制\\n\\n* 构建规范和流程，减少决策混乱\\n\\n* 培养数据文化，提高员工对 DataOps 的认知和参与度\\n\\n## 解决思路：业务导向，“组织、流程、技术”三位一体共同推进\\n\\n* 围绕业务目标，借助组织变革建立跨部门的团队\\n\\n* 建立标准化的工作流\\n\\n* 选择合适的系统工具\\n\\n## 解决思路：长短结合，久久为功，控制预期，革新认知\\n\\n* 前期拉齐团队和领导层认知\\n\\n* 辅助以可见收益的短期项目，增强信心\\n\\n* 不断加深认知，厘清阶段重点，主动关注行业中的新方向",
|
||
"metadata": {
|
||
"node_id": "9c60e1d67a9be847f2b2e95f859a18bf9940b7854a020b276d921f9caa0bc7a6",
|
||
"node_type": "text",
|
||
"ppr_score": 0.012327841835162407,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.6300024516254129,
|
||
"rank": 18,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "# DataOps 能力框架——核心环节\\n\\n## 2024DataOPS发展大会\\n\\n智驱新程·数驱万务\\n\\n为了不断提高数据产品交付效率与质量，实现高质量数字化发展的目标。DataOps 的数据流水线以数据工程化能力为核心，构建出数据研发管理、数据交付管理、数据运维和价值运营四个环节。\\n\\n### 数据研发管理\\n\\n#### 需求管理\\n\\n采集 → 分析 → 确认 → 实施 → 变更\\n\\n数据需求全流程管理\\n\\n#### 设计管理\\n\\n制度 + 技术\\n\\n管理\\n\\n模型设计\\n\\n加工设计\\n\\n标准设计\\n\\n质量设计\\n\\n安全设计\\n\\n#### 数据开发\\n\\n集成存储、实施、部署、维护数据解决方案\\n\\n数据处理、加工、管理、使用\\n\\n提升数据资源价值\\n\\n#### 自助分析\\n\\n自助式的数据二次处理\\n\\n### 数据交付管理\\n\\n#### 配置管理\\n\\n版本控制\\n\\n环境管理\\n\\n代码版本管理\\n\\n数据版本管理\\n\\n保证\\n\\n各阶段数据随时可用性、可验证性\\n\\n#### 测试管理\\n\\n自动化测试流水线\\n\\n管理\\n\\n单元测试\\n\\n集成测试\\n\\n提前发现问题处理问题\\n\\n保证\\n\\n#### 部署与发布管理\\n\\n自动化部署发布流水线\\n\\n聚焦\\n\\n工具的自动化和标准化\\n\\n保证\\n\\n加快数据部署效率降低人为操作风险\\n\\n### 数据运维\\n\\n#### 监控管理\\n\\n监控体系\\n\\n监控预警\\n\\n开发流水线运行情况质量情况\\n\\n#### 资源管理\\n\\n调度优化合理分\\n\\n数据资源\\n\\n计算资源\\n\\n存储资源\\n\\n优化\\n\\n运维成本\\n\\n#### 变更管理\\n\\n标准化、敏捷化的变更流程\\n\\n应对\\n\\n开发流水线各类变更场景\\n\\n#### 异常管理\\n\\n构建\\n\\n异常管理知识库\\n\\n自动化运维能力\\n\\n提升\\n\\n运维效率\\n\\n#### 持续优化\\n\\n调优\\n\\n流水线任务编排\\n\\n平台配置\\n\\n提升\\n\\n开发流水线性能\\n\\n### 价值运营\\n\\n#### 成本管理\\n\\n细化数据产品交付\\n\\n维护成本核算\\n\\n精细控制资源投入\\n\\n识别、减少浪费\\n\\n#### 持续变革\\n\\n打造反馈机制\\n\\n收集各环节堵点问题\\n\\n持续改进\\n\\n#### 量化驱动\\n\\n数据开发流水线\\n\\n评估\\n\\n交付效率\\n\\n需求响应速度\\n\\n优化\\n\\n工作流程资源分配策略",
|
||
"metadata": {
|
||
"node_id": "b406044bae110b82a0e2675cbde336748e6f77bb6b6c43a3455c3fd3a3515acd",
|
||
"node_type": "text",
|
||
"ppr_score": 0.012325460043525699,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.6365734205600148,
|
||
"rank": 19,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "数据研发运营一体化（DataOps）是数据开发的哪种范式？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "DataOps 的数据流水线以数据工程化能力为核心，构建出数据研发管理、数据交付管理、数据运维和价值运营四个环节。",
|
||
"metadata": {
|
||
"node_id": "fa19992ada61ad05720dab20271cecae03b371638867632a55a9e60447d63a9b",
|
||
"node_type": "event",
|
||
"ppr_score": 0.008917955990207026,
|
||
"edge_score": 1.7731587,
|
||
"passage_score": 0.0,
|
||
"rank": 1,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "DataOps作为一种新兴的数据管理方法",
|
||
"metadata": {
|
||
"node_id": "680b2a6330d156d3853a42fa00e510355f92a08a8a568b3adf5d556f8913fa8a",
|
||
"node_type": "event",
|
||
"ppr_score": 0.006355104127707597,
|
||
"edge_score": 1.7627305,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "企业数字化转型快速释放数据生产力的最佳方案",
|
||
"metadata": {
|
||
"node_id": "d691625bd46a5a8840368fcc0f2456ee067bedde79a397596cf3cd225cacb0fc",
|
||
"node_type": "event",
|
||
"ppr_score": 0.006355104127707597,
|
||
"edge_score": 1.7627305,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据研发管理环节包括需求管理、设计管理、数据开发和自助分析。",
|
||
"metadata": {
|
||
"node_id": "e13c374b2e0d28363535b948b82692adf29763d5a43df19b0b7ea4f4c15d016d",
|
||
"node_type": "event",
|
||
"ppr_score": 0.005026406986041846,
|
||
"edge_score": 1.7731587,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "集开发、治理、运营于一体的自动化数据流水线",
|
||
"metadata": {
|
||
"node_id": "1f46cbdefe4f148723809ffe0260ab720e23fd6fe4ddcb2edd6ce67ba5baf612",
|
||
"node_type": "event",
|
||
"ppr_score": 0.004584617479295669,
|
||
"edge_score": 1.8221037,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "DataOps作为一种新兴的数据管理方法，强调数据管理自动化。",
|
||
"metadata": {
|
||
"node_id": "1578f029da85aa8bf25b11ce5f36f1ce67b9ae446cddd2266825a5881685226a",
|
||
"node_type": "event",
|
||
"ppr_score": 0.004341138134585202,
|
||
"edge_score": 1.7647884,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "DataOps能力模型围绕数据开发流程形成了‘4+3’的架构",
|
||
"metadata": {
|
||
"node_id": "6fb21443024d2f95c26d6a0a300a5599a1c9804f500f70fec83d3cb60afdc87a",
|
||
"node_type": "event",
|
||
"ppr_score": 0.002443499706705546,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "需求管理流程涉及采集、分析、确认、实施和变更。",
|
||
"metadata": {
|
||
"node_id": "ca5b440bd10c54783b74fbb80d480f8eac4e48b69c65baf6375e1a75a9150ad7",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0022523246160688296,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据研发管理",
|
||
"metadata": {
|
||
"node_id": "d9972ebdea4e9d9d8a9ba8b2200ac3772dcbd4fee37be649d3a6b0433249b9ab",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0020293250449337228,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "价值运营",
|
||
"metadata": {
|
||
"node_id": "5f8a25bcafd3750048a9b422603e9bdc263a540658336ea661cdbd56a2d506ef",
|
||
"node_type": "event",
|
||
"ppr_score": 0.001764107052120686,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据运维",
|
||
"metadata": {
|
||
"node_id": "6922af4509f988ce1ada957221398173b60510f1747579b6455dc5602303fdf3",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0017527171712693854,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 14,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据交付管理",
|
||
"metadata": {
|
||
"node_id": "8a8705dd108bcd8a3ba4b6bea5c08578ba3b5f2731f5c21c5365685fdb6aca0c",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0017303902110226321,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 15,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "DataOps能力框架通过三项核心保障促进企业打造跨域协同机制",
|
||
"metadata": {
|
||
"node_id": "1b37dee3565553299ac978798b7774e0253e345040c4e64a4d7963b342ed41c8",
|
||
"node_type": "event",
|
||
"ppr_score": 0.001675781309602026,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 16,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "DataOps作为一种新兴的数据管理 方法，强调数据管理自动化，既能为数据工作者提供敏捷的数据开发支持，同时也简 化了数据交付的周期，提升数据成产者与数据消费者的协同效率，成为企业数字化转 型快速释放数据生产力的最佳方案。 充分利用AI和大模型技术优化数据策略。AI技术可以通过机器学习和深度学习算 法，自动化地处理和分析大规模的数据，发现数据中的隐藏模式和趋势，为企业提供 更准确、实时的决策支持。数据分析技术也将不断发展，包括数据挖掘、预测分析、 文本分析等，通过对数据的深入分析，帮助企业更好地理解和利用数据。 ## （五）以数据入表为抓手，探索数据核算机制 2023年8月，财政部正式发文《企业数据资源相关会计处理暂行规定》（下称 “暂行规定”），标志着我国数据资源入表正式落地，探索数据资源入表的基础制度和 会计制度，对于释放数据要素价值、推动市场建设、优化资源配置具有重要意义。数 据资源入表是指将企业数据资源在财务报表层面真实反应其价值和成本投入，向企业 董事会、管理层和投资方充分披露公司对于数据的重视程度和数据带来的实际价值。 《暂行规定》根据企业使用数据目的的不同，区分为无形资产类数据资产和存 货类数据资产，并分别要求企业参照《企业会计准则第6号——无形资产》和《企业 会计准则第1号——存货》进行处理，同时也要求企业按照规定强制和自愿披露相关 数据资源信息。在《暂行规定》的指导要求下，企业过往在数据建设领域的部分投资 费用可以得到资本化处理，进而改善企业资产负债结构、经营利润等财务数据，同 时，也会进一步激发、促进企业加速完善数据管理体系的建设意愿与进程。",
|
||
"metadata": {
|
||
"node_id": "114fe591e33e8bff142be610475d8035339e334932dc35fd2e89ff078d10fe52",
|
||
"node_type": "text",
|
||
"ppr_score": 0.02385047888889035,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.6039541379705139,
|
||
"rank": 18,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "数据研发运营一体化（DataOps）是什么",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "车联网TSP湖仓一体平台的数据治理平台涉及数据资产管理、机构/用户信息系统、数据组织/数据地图、参考数据/生数据管理、流程管理、供需分析、元数据管理、数据建模、技术元数据、问题跟踪、血缘关系/关联分析、流程管理、数据开发、数据服务建模、数据流程、部署、调度、测试及验证、服务接入控制、数据安全与共享、数据分析、数据主题、数据实验、数据共享、共享管理、共享服务",
|
||
"metadata": {
|
||
"node_id": "b2aaa9a459c53453f580cd43db7d9f95949dfeea20f6ba22f02833df4d9e780e",
|
||
"node_type": "event",
|
||
"ppr_score": 0.010553695546312029,
|
||
"edge_score": 1.6726689,
|
||
"passage_score": 0.0,
|
||
"rank": 1,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "保障版本管理与数据开发、数据测试环节耦合，保障企业任务代码版本统一管理和维护。",
|
||
"metadata": {
|
||
"node_id": "6077330eb7e5190425a71e8b0d2641e3a55cc646ba8f9b1aedd2a82ebdc78b67",
|
||
"node_type": "event",
|
||
"ppr_score": 0.008006247831986673,
|
||
"edge_score": 1.6786655,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据开发持续将数据转化为满足业务需求的内容",
|
||
"metadata": {
|
||
"node_id": "eac424e27127852d6d3143ccc74114e48274c42e671d3792a6806881167722c6",
|
||
"node_type": "event",
|
||
"ppr_score": 0.006081905452500397,
|
||
"edge_score": 1.7091889,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据开发平台",
|
||
"metadata": {
|
||
"node_id": "5c012b21ae796f181c03cd5141db357cafd2687452fd32096bed22262633a4ce",
|
||
"node_type": "event",
|
||
"ppr_score": 0.00570238632946642,
|
||
"edge_score": 1.693019,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "多家企业参与了标准的评测",
|
||
"metadata": {
|
||
"node_id": "b64d3498bfd0df3cec9972f33303b0f5bd62d7381923be351f799658ac82738d",
|
||
"node_type": "event",
|
||
"ppr_score": 0.003814822145535904,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据开发平台体系评估",
|
||
"metadata": {
|
||
"node_id": "a0413c1f209b70baa63f77d36a8d9142e9b36631a4ce723acd243fe6edaccc1f",
|
||
"node_type": "event",
|
||
"ppr_score": 0.002401077834248641,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据中台功能",
|
||
"metadata": {
|
||
"node_id": "4de51586600d31b97aa032ecfb161b95106276ef302db2083ef51cca668dd676",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0022982485161951575,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "《数据开发平台技术要求与测试方法》等标准已完成或在研",
|
||
"metadata": {
|
||
"node_id": "914d415479b8d019ab1049d49ec7493142afaa6187d97dc20e188dc3220ca1c5",
|
||
"node_type": "event",
|
||
"ppr_score": 0.002269199833516794,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "多家企业参与评测",
|
||
"metadata": {
|
||
"node_id": "2a637a208936b5c6be9167d073e6391bbb91508d7fab96e173811cab3bb0f25d",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0015483318802147832,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "标签平台",
|
||
"metadata": {
|
||
"node_id": "19f1b40fb3b6e108c066100e818e0f12abd36b43a74c4115d58e6926b64a3610",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0015362273671395952,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据科学平台",
|
||
"metadata": {
|
||
"node_id": "090b45795b64fa9f5d80f171bc49738a3bb0a9ff19caac94e3eda62b62823da0",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0013217367370241709,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据开发与服务涉及标签平台、大模型增强型知识图谱",
|
||
"metadata": {
|
||
"node_id": "1b9b4584027b943d9d0645dbdba71599b4d1415df67412bed647c637bd8bdf28",
|
||
"node_type": "event",
|
||
"ppr_score": 0.001293395416649189,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "知识图谱工具",
|
||
"metadata": {
|
||
"node_id": "edb0bc5d8512cf9e88b4de9e2dde49667a7880f913a4987970acc07d4a9a4ca2",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0012493190182965089,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 15,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "指标平台",
|
||
"metadata": {
|
||
"node_id": "92713f0261a3b10f1271b4379c3b16b133ab0fd93687a730dd3d9af65c348884",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0012493190182965089,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 16,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "# 信通院数据应用整体工作框架\\n\\n## 助力数据价值的发现、释放和认可\\n\\n### 数据对外赋能\\n\\n* 数据产品对外变现需求对接\\n\\n* 对外数据API能力评测\\n\\n* 外部数据资源接入对接\\n\\n### 数据对内赋能\\n\\n#### 数字营销\\n\\n* 企业数字营销成熟度评估\\n\\n* 数字营销外部数据源对接\\n\\n* 数字营销解决方案能力评测\\n\\n* 数字营销体系建设提升咨询\\n\\n#### 智能风控\\n\\n* 企业智能风控成熟度评估\\n\\n* 智能风控外部数据源对接\\n\\n* 智能风控解决方案能力评测\\n\\n* 智能风控体系建设提升咨询\\n\\n#### 数据驱动的企业管理\\n\\n* 企业数字化管理成熟度评估\\n\\n* 企业数字化管理体系建设咨询\\n\\n* 企业数字化管理解决方案能力评测\\n\\n#### 企业“业数融合”成熟度评估\\n\\n#### 企业数据伦理治理成熟度评估\\n\\n### 数据分析应用\\n\\n#### 技术平台评测\\n\\n* 数据可视化工具\\n\\n* 数字孪生技术平台\\n\\n* 商务智能(BI)工具\\n\\n* 用户行为分析平台\\n\\n* 基于大模型的BI工具\\n\\n* .....\\n\\n#### 体系建设评估\\n\\n* 可视化服务能力\\n\\n* 数据分析服务能力\\n\\n#### 外部供应商评测\\n\\n* 数据分析应用服务商能力评测\\n\\n#### 能力提升咨询\\n\\n* 技术工具及供应商选型咨询\\n\\n* 内部体系建设咨询\\n\\n### 数据开发与服务\\n\\n#### 技术平台评测\\n\\n* 数据开发平台\\n\\n* 数据科学平台\\n\\n* 知识图谱工具\\n\\n* 指标平台\\n\\n* 标签平台\\n\\n* .....\\n\\n#### 体系建设评估\\n\\n* 数据服务体系评估\\n\\n* 数据开发体系评估\\n\\n#### 能力提升咨询\\n\\n* 技术工具及供应商选型咨询\\n\\n* 内部体系建设咨询\\n\\n中国·北京 12.20-12.21 回归数据本质 应用驱动治理\\n\\n2023数据资产管理大会",
|
||
"metadata": {
|
||
"node_id": "3d78dc4b2f00a08592efdb0765121c4c5045d71a80845f44ff381716368c232d",
|
||
"node_type": "text",
|
||
"ppr_score": 0.02589029851464428,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.5524461270134674,
|
||
"rank": 17,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "# 重点工作一：数据开发与服务板块\\n\\n中国·北京 12.20-12.21 回归数据本质 应用驱动治理\\n\\n2023数据资产管理大会\\n\\n## 1 供给侧技术工具\\n\\n### 已完成及在研标准：\\n\\n* 《数据开发平台技术要求与测试方法》\\n\\n* 《数据科学平台技术要求与测试方法》\\n\\n* 《知识图谱工具技术要求与测试方法》\\n\\n* 《用户行为分析工具技术要求》\\n\\n* 《指标平台技术要求》\\n\\n* 《标签平台技术要求》\\n\\n* 《A/B测试工具技术要求》\\n\\n### 参与评测企业：\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n## 2 应用侧体系建设\\n\\n### 体系架构\\n\\n#### 数据服务体系\\n\\n* 数据获取\\n\\n* 数据分析\\n\\n* 服务管理\\n\\n#### 数据开发体系\\n\\n* 开发能力\\n\\n* 流程管理\\n\\n* 环境管理\\n\\n### 已完成及在研标准：\\n\\n* 《数据开发能力成熟度模型》\\n\\n* 《数据服务能力成熟度模型》\\n\\n### 参与评测企业：\\n\\n\\n\\n\\n\\n进行中：\\n\\n\\n\\n",
|
||
"metadata": {
|
||
"node_id": "ec0aff6672edd992c681993faef8fb3b4bcfc466158c873ca32b7f969ce51c3e",
|
||
"node_type": "text",
|
||
"ppr_score": 0.0210996718551799,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.5610320111087218,
|
||
"rank": 18,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "数据开发的常见范式有哪些",
|
||
"pagerank_available": true
|
||
}
|
||
}
|
||
],
|
||
"all_passages": [
|
||
"将敏捷、精益等理念融入数据开发过程，打破协作壁垒，构建集开发、治理、运营于一体的自动化数据流水线。",
|
||
"数据研发运营一体化（DataOps）是数据开发的新范式，将敏捷、精益等理念融入数据开发过程，打破协作壁垒，构建集开发、治理、运营于一体的自动化数据流水线，不断提高数据产品交付效率与质量，实现高质量数字化发展。",
|
||
"DataOps 实践快速发展",
|
||
"随着数据需求种类日益丰富，服务交付时效性重要性逐渐凸显，提升数据服务开发效率是关键。",
|
||
"编写了一篇关于DataOps实践指南的文章",
|
||
"实施数据治理策略",
|
||
"提高开发效率和产品质量",
|
||
"建立数据管道",
|
||
"集成DevOps实践",
|
||
"加强数据生态系统的建设，鼓励实现数据开放共享。",
|
||
"随着数据要素流通政策的不断完善，要素市场的健康有序发展，为企业开展数据流通服务创造了良好的环境。",
|
||
"定位：总结各行业最佳实践，提炼核心理论框架，推动 DataOps 理念的广泛应用，加速数据驱动型企业的能力建设",
|
||
"《DataOps 实践指南 2.0》发布",
|
||
"“数据二十条”的提出旨在健全数据产权制度，建立数据流通交易制度，鼓励数据的共享和交易，有效推动数据资源的高效利用和流动。",
|
||
"《DataOps 实践指南 1.0》发布",
|
||
"返回格式必须为以下JSON结构,内容需用简体中文表述: [ { \"Event\": \"\"描述事件的简单句子\"\", \"Entity\": [\"实体1\", \"实体2\", \"...\"] }... ]",
|
||
"## （三）参与数据要素市场，获取数据竞争优势 加强数据生态系统的建设，鼓励实现数据开放共享。数据生态系统是一个以数 据为核心，由各种数据参与方（企业、组织、个人等）构成的复杂网络，涵盖数据的 生产、流通、利用等环节。通过构建数据生态系统，企业能够更好地进行数据合作与 共享，并参与生态系统的协同治理，推动数据的价值最大化。 加大数据内外部推广，丰富数据生态体系，积极参与数据要素市场建设。“数据 二十条”的提出旨在健全数据产权制度，建立数据流通交易制度，鼓励数据的共享和 交易，有效推动数据资源的高效利用和流动，为数字经济的发展创造良好的环境。随 着数据要素流通政策的不断完善，要素市场的健康有序发展，为企业开展数据流通服 务创造了良好的环境，越来越多的企业利用自身数据积累优势和服务能力优势，深入 调研数据需求方的核心业务痛点，形成可流通交易的数据产品，提供针对性的数据产 品与解决方案，推进形成各类数据产品的权责范围、供求关系、使用场景、定价策略 等，完善数据产品全流程合规管理，充分实现数据赋能发展。 ## （四）加深新型技术使用，提高数据运营效率 随着数据需求种类日益丰富，服务交付时效性重要性逐渐凸显，提升数据服务 开发效率是关键。数据研发运营一体化（DataOps）是数据开发的新范式，将敏 捷、精益等理念融入数据开发过程，通过对数据相关人员、工具和流程的重新组织， 打破协作壁垒，构建集开发、治理、运营于一体的自动化数据流水线，不断提高数据 产品交付效率与质量，实现高质量数字化发展。DataOps作为一种新兴的数据管理 方法，强调数据管理自动化，既能为数据工作者提供敏捷的数据开发支持，同时也简 化了数据交付的周期，提升数据成产者与数据消费者的协同效率，成为企业数字化转 型快速释放数据生产力的最佳方案。 充分利用AI和大模型技术优化数据策略。",
|
||
"# DataOps 实践典型误区\\n\\nDataOps 作为一种新的数据开发范式正在越来越多的行业和企业中落地，然而，能力建设并非一朝一夕，其实施过程中亦面临重重困难。\\n\\n为帮助即将或正在建设 DataOps 体系的企业进行“避雷”，我们将当前产业在实践过程中走过的弯路和遇到的问题进行了提炼。\\n\\n## 误区 1：盲目跟风，没有“量体裁衣”\\n\\n* **DataOps 理念过热期**\\n\\n+ 领头企业成功案例催化\\n\\n+ 忽略不同企业实施复杂性和差异性\\n\\n## 误区 2：决策机制模糊，导致资源浪费或投入不足\\n\\n* **投入不足**\\n\\n* DataOps 被视为 IT/ 数据部门专项工作\\n\\n* 高层的参与度不足\\n\\n* 业务部门缺乏主动性和创新性\\n\\n* 企业缺少战略耐心\\n\\n* **浪费**\\n\\n* 在立项或采购阶段好大求全，导致项目实施周期增加、成本提高、实施复杂度提升，后续利用度低\\n\\n## 误区 3：过度依赖技术解决所有问题\\n\\n* **高估技术的影响力，忽略业技融合**\\n\\n+ 忽视企业流程、管理、协作和数据文化上的不足\\n\\n## 误区 4：追求短期收益\\n\\n* **市场竞争和业务压力，更关注短期收益和业绩目标的实现**\\n\\n+ 缺乏长远的眼光和战略决心，变革初期的数据质量、交付效率提升只是管中窥豹\\n\\n## 解决思路：急用先行，把握节奏\\n\\n* 考虑自身需求、痛点和技术架构\\n\\n* 综合考量自身与领先企业的差异性\\n\\n* 分阶段、分步骤地推进\\n\\n## 解决思路：定权责、常沟通、重反馈、建流程、勤宣贯\\n\\n* 明确 DataOps 建设目标，定义各部门和个人的责任和角色\\n\\n* 建立定期的沟通反馈机制\\n\\n* 构建规范和流程，减少决策混乱\\n\\n* 培养数据文化，提高员工对 DataOps 的认知和参与度\\n\\n## 解决思路：业务导向，“组织、流程、技术”三位一体共同推进\\n\\n* 围绕业务目标，借助组织变革建立跨部门的团队\\n\\n* 建立标准化的工作流\\n\\n* 选择合适的系统工具\\n\\n## 解决思路：长短结合，久久为功，控制预期，革新认知\\n\\n* 前期拉齐团队和领导层认知\\n\\n* 辅助以可见收益的短期项目，增强信心\\n\\n* 不断加深认知，厘清阶段重点，主动关注行业中的新方向",
|
||
"# DataOps 能力框架——核心环节\\n\\n## 2024DataOPS发展大会\\n\\n智驱新程·数驱万务\\n\\n为了不断提高数据产品交付效率与质量，实现高质量数字化发展的目标。DataOps 的数据流水线以数据工程化能力为核心，构建出数据研发管理、数据交付管理、数据运维和价值运营四个环节。\\n\\n### 数据研发管理\\n\\n#### 需求管理\\n\\n采集 → 分析 → 确认 → 实施 → 变更\\n\\n数据需求全流程管理\\n\\n#### 设计管理\\n\\n制度 + 技术\\n\\n管理\\n\\n模型设计\\n\\n加工设计\\n\\n标准设计\\n\\n质量设计\\n\\n安全设计\\n\\n#### 数据开发\\n\\n集成存储、实施、部署、维护数据解决方案\\n\\n数据处理、加工、管理、使用\\n\\n提升数据资源价值\\n\\n#### 自助分析\\n\\n自助式的数据二次处理\\n\\n### 数据交付管理\\n\\n#### 配置管理\\n\\n版本控制\\n\\n环境管理\\n\\n代码版本管理\\n\\n数据版本管理\\n\\n保证\\n\\n各阶段数据随时可用性、可验证性\\n\\n#### 测试管理\\n\\n自动化测试流水线\\n\\n管理\\n\\n单元测试\\n\\n集成测试\\n\\n提前发现问题处理问题\\n\\n保证\\n\\n#### 部署与发布管理\\n\\n自动化部署发布流水线\\n\\n聚焦\\n\\n工具的自动化和标准化\\n\\n保证\\n\\n加快数据部署效率降低人为操作风险\\n\\n### 数据运维\\n\\n#### 监控管理\\n\\n监控体系\\n\\n监控预警\\n\\n开发流水线运行情况质量情况\\n\\n#### 资源管理\\n\\n调度优化合理分\\n\\n数据资源\\n\\n计算资源\\n\\n存储资源\\n\\n优化\\n\\n运维成本\\n\\n#### 变更管理\\n\\n标准化、敏捷化的变更流程\\n\\n应对\\n\\n开发流水线各类变更场景\\n\\n#### 异常管理\\n\\n构建\\n\\n异常管理知识库\\n\\n自动化运维能力\\n\\n提升\\n\\n运维效率\\n\\n#### 持续优化\\n\\n调优\\n\\n流水线任务编排\\n\\n平台配置\\n\\n提升\\n\\n开发流水线性能\\n\\n### 价值运营\\n\\n#### 成本管理\\n\\n细化数据产品交付\\n\\n维护成本核算\\n\\n精细控制资源投入\\n\\n识别、减少浪费\\n\\n#### 持续变革\\n\\n打造反馈机制\\n\\n收集各环节堵点问题\\n\\n持续改进\\n\\n#### 量化驱动\\n\\n数据开发流水线\\n\\n评估\\n\\n交付效率\\n\\n需求响应速度\\n\\n优化\\n\\n工作流程资源分配策略",
|
||
"DataOps 的数据流水线以数据工程化能力为核心，构建出数据研发管理、数据交付管理、数据运维和价值运营四个环节。",
|
||
"DataOps作为一种新兴的数据管理方法",
|
||
"企业数字化转型快速释放数据生产力的最佳方案",
|
||
"数据研发管理环节包括需求管理、设计管理、数据开发和自助分析。",
|
||
"集开发、治理、运营于一体的自动化数据流水线",
|
||
"DataOps作为一种新兴的数据管理方法，强调数据管理自动化。",
|
||
"DataOps能力模型围绕数据开发流程形成了‘4+3’的架构",
|
||
"需求管理流程涉及采集、分析、确认、实施和变更。",
|
||
"数据研发管理",
|
||
"价值运营",
|
||
"数据运维",
|
||
"数据交付管理",
|
||
"DataOps能力框架通过三项核心保障促进企业打造跨域协同机制",
|
||
"DataOps作为一种新兴的数据管理 方法，强调数据管理自动化，既能为数据工作者提供敏捷的数据开发支持，同时也简 化了数据交付的周期，提升数据成产者与数据消费者的协同效率，成为企业数字化转 型快速释放数据生产力的最佳方案。 充分利用AI和大模型技术优化数据策略。AI技术可以通过机器学习和深度学习算 法，自动化地处理和分析大规模的数据，发现数据中的隐藏模式和趋势，为企业提供 更准确、实时的决策支持。数据分析技术也将不断发展，包括数据挖掘、预测分析、 文本分析等，通过对数据的深入分析，帮助企业更好地理解和利用数据。 ## （五）以数据入表为抓手，探索数据核算机制 2023年8月，财政部正式发文《企业数据资源相关会计处理暂行规定》（下称 “暂行规定”），标志着我国数据资源入表正式落地，探索数据资源入表的基础制度和 会计制度，对于释放数据要素价值、推动市场建设、优化资源配置具有重要意义。数 据资源入表是指将企业数据资源在财务报表层面真实反应其价值和成本投入，向企业 董事会、管理层和投资方充分披露公司对于数据的重视程度和数据带来的实际价值。 《暂行规定》根据企业使用数据目的的不同，区分为无形资产类数据资产和存 货类数据资产，并分别要求企业参照《企业会计准则第6号——无形资产》和《企业 会计准则第1号——存货》进行处理，同时也要求企业按照规定强制和自愿披露相关 数据资源信息。在《暂行规定》的指导要求下，企业过往在数据建设领域的部分投资 费用可以得到资本化处理，进而改善企业资产负债结构、经营利润等财务数据，同 时，也会进一步激发、促进企业加速完善数据管理体系的建设意愿与进程。",
|
||
"车联网TSP湖仓一体平台的数据治理平台涉及数据资产管理、机构/用户信息系统、数据组织/数据地图、参考数据/生数据管理、流程管理、供需分析、元数据管理、数据建模、技术元数据、问题跟踪、血缘关系/关联分析、流程管理、数据开发、数据服务建模、数据流程、部署、调度、测试及验证、服务接入控制、数据安全与共享、数据分析、数据主题、数据实验、数据共享、共享管理、共享服务",
|
||
"保障版本管理与数据开发、数据测试环节耦合，保障企业任务代码版本统一管理和维护。",
|
||
"数据开发持续将数据转化为满足业务需求的内容",
|
||
"数据开发平台",
|
||
"多家企业参与了标准的评测",
|
||
"数据开发平台体系评估",
|
||
"数据中台功能",
|
||
"《数据开发平台技术要求与测试方法》等标准已完成或在研",
|
||
"多家企业参与评测",
|
||
"标签平台",
|
||
"数据科学平台",
|
||
"数据开发与服务涉及标签平台、大模型增强型知识图谱",
|
||
"知识图谱工具",
|
||
"指标平台",
|
||
"# 信通院数据应用整体工作框架\\n\\n## 助力数据价值的发现、释放和认可\\n\\n### 数据对外赋能\\n\\n* 数据产品对外变现需求对接\\n\\n* 对外数据API能力评测\\n\\n* 外部数据资源接入对接\\n\\n### 数据对内赋能\\n\\n#### 数字营销\\n\\n* 企业数字营销成熟度评估\\n\\n* 数字营销外部数据源对接\\n\\n* 数字营销解决方案能力评测\\n\\n* 数字营销体系建设提升咨询\\n\\n#### 智能风控\\n\\n* 企业智能风控成熟度评估\\n\\n* 智能风控外部数据源对接\\n\\n* 智能风控解决方案能力评测\\n\\n* 智能风控体系建设提升咨询\\n\\n#### 数据驱动的企业管理\\n\\n* 企业数字化管理成熟度评估\\n\\n* 企业数字化管理体系建设咨询\\n\\n* 企业数字化管理解决方案能力评测\\n\\n#### 企业“业数融合”成熟度评估\\n\\n#### 企业数据伦理治理成熟度评估\\n\\n### 数据分析应用\\n\\n#### 技术平台评测\\n\\n* 数据可视化工具\\n\\n* 数字孪生技术平台\\n\\n* 商务智能(BI)工具\\n\\n* 用户行为分析平台\\n\\n* 基于大模型的BI工具\\n\\n* .....\\n\\n#### 体系建设评估\\n\\n* 可视化服务能力\\n\\n* 数据分析服务能力\\n\\n#### 外部供应商评测\\n\\n* 数据分析应用服务商能力评测\\n\\n#### 能力提升咨询\\n\\n* 技术工具及供应商选型咨询\\n\\n* 内部体系建设咨询\\n\\n### 数据开发与服务\\n\\n#### 技术平台评测\\n\\n* 数据开发平台\\n\\n* 数据科学平台\\n\\n* 知识图谱工具\\n\\n* 指标平台\\n\\n* 标签平台\\n\\n* .....\\n\\n#### 体系建设评估\\n\\n* 数据服务体系评估\\n\\n* 数据开发体系评估\\n\\n#### 能力提升咨询\\n\\n* 技术工具及供应商选型咨询\\n\\n* 内部体系建设咨询\\n\\n中国·北京 12.20-12.21 回归数据本质 应用驱动治理\\n\\n2023数据资产管理大会",
|
||
"# 重点工作一：数据开发与服务板块\\n\\n中国·北京 12.20-12.21 回归数据本质 应用驱动治理\\n\\n2023数据资产管理大会\\n\\n## 1 供给侧技术工具\\n\\n### 已完成及在研标准：\\n\\n* 《数据开发平台技术要求与测试方法》\\n\\n* 《数据科学平台技术要求与测试方法》\\n\\n* 《知识图谱工具技术要求与测试方法》\\n\\n* 《用户行为分析工具技术要求》\\n\\n* 《指标平台技术要求》\\n\\n* 《标签平台技术要求》\\n\\n* 《A/B测试工具技术要求》\\n\\n### 参与评测企业：\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n## 2 应用侧体系建设\\n\\n### 体系架构\\n\\n#### 数据服务体系\\n\\n* 数据获取\\n\\n* 数据分析\\n\\n* 服务管理\\n\\n#### 数据开发体系\\n\\n* 开发能力\\n\\n* 流程管理\\n\\n* 环境管理\\n\\n### 已完成及在研标准：\\n\\n* 《数据开发能力成熟度模型》\\n\\n* 《数据服务能力成熟度模型》\\n\\n### 参与评测企业：\\n\\n\\n\\n\\n\\n进行中：\\n\\n\\n\\n"
|
||
],
|
||
"passage_sources": [
|
||
"原始查询-event-f81ab568ce6cfce72175a1087db911f899752c622460211efdc350d6c3167149",
|
||
"原始查询-event-774a6133f9a25821d10ebab0d1745ac30d14a4016da4d3548b102f265e633a22",
|
||
"原始查询-event-20707ee6c13b5870e58f4eb4853f2bd6ddc6b0dff31966717b5f434d0a6dcc20",
|
||
"原始查询-event-5be46591a0a7ccd7266c2f0961280fd5df89d16e316f123585ebe001f09c5fe1",
|
||
"原始查询-event-c2db1984e1da816b055b75fa3cc6c40f8c2d7094fc237c3db4ea6b00f7faf4b7",
|
||
"原始查询-event-0f4eb7cf5f30d4738a7385127c011103981bc088ec749f8af1ed0b6c15144c44",
|
||
"原始查询-event-b08abe3367a833819cdadc8902d43927e0dc1b8a28c6729d5fa9913641ba27a5",
|
||
"原始查询-event-849a3d4c2d25164af0bce9c9cbdbfd592254d7fc9af293f4be1484277c81ac76",
|
||
"原始查询-event-fcc78de5daaa3405a2c6e340aee37d2a90e80892ad8326c4ab92aff1c0e6047b",
|
||
"原始查询-event-cdc6337c8984c01a1379d9afa19eeb4ba81660be38053a846e0f250baf04ee62",
|
||
"原始查询-event-f8d46e99bb67396a63859ea3eafb0dd619b62f57c9337d2e223051e0d4f9a200",
|
||
"原始查询-event-805ccf4b8afad7fdc7adf220f8be68488e531cfbb23f6b8ea12ce6eeb52fea63",
|
||
"原始查询-event-883d48746a2c6d5088fb85af475dede23902ac92177369e7704f30cc11fb98da",
|
||
"原始查询-event-90d9024251e5a8cdeca241f0c6166214b4243126f3384975deec9474b31cf45a",
|
||
"原始查询-event-1399b28642963b0ae525bae264742aabd43a3f9bcb85d98c0ca6566a1c1ba26d",
|
||
"原始查询-event-894a0cd323b92326cbbccb930ff9128a22525c5f987593c94b591e52bd5a86d8",
|
||
"原始查询-text-da7aaabf868de83a9fc286404d784e30982b7ba7a5e56c5c1707922e5e39dcf1",
|
||
"原始查询-text-9c60e1d67a9be847f2b2e95f859a18bf9940b7854a020b276d921f9caa0bc7a6",
|
||
"原始查询-text-b406044bae110b82a0e2675cbde336748e6f77bb6b6c43a3455c3fd3a3515acd",
|
||
"子查询1-event-fa19992ada61ad05720dab20271cecae03b371638867632a55a9e60447d63a9b",
|
||
"子查询1-event-680b2a6330d156d3853a42fa00e510355f92a08a8a568b3adf5d556f8913fa8a",
|
||
"子查询1-event-d691625bd46a5a8840368fcc0f2456ee067bedde79a397596cf3cd225cacb0fc",
|
||
"子查询1-event-e13c374b2e0d28363535b948b82692adf29763d5a43df19b0b7ea4f4c15d016d",
|
||
"子查询1-event-1f46cbdefe4f148723809ffe0260ab720e23fd6fe4ddcb2edd6ce67ba5baf612",
|
||
"子查询1-event-1578f029da85aa8bf25b11ce5f36f1ce67b9ae446cddd2266825a5881685226a",
|
||
"子查询1-event-6fb21443024d2f95c26d6a0a300a5599a1c9804f500f70fec83d3cb60afdc87a",
|
||
"子查询1-event-ca5b440bd10c54783b74fbb80d480f8eac4e48b69c65baf6375e1a75a9150ad7",
|
||
"子查询1-event-d9972ebdea4e9d9d8a9ba8b2200ac3772dcbd4fee37be649d3a6b0433249b9ab",
|
||
"子查询1-event-5f8a25bcafd3750048a9b422603e9bdc263a540658336ea661cdbd56a2d506ef",
|
||
"子查询1-event-6922af4509f988ce1ada957221398173b60510f1747579b6455dc5602303fdf3",
|
||
"子查询1-event-8a8705dd108bcd8a3ba4b6bea5c08578ba3b5f2731f5c21c5365685fdb6aca0c",
|
||
"子查询1-event-1b37dee3565553299ac978798b7774e0253e345040c4e64a4d7963b342ed41c8",
|
||
"子查询1-text-114fe591e33e8bff142be610475d8035339e334932dc35fd2e89ff078d10fe52",
|
||
"子查询2-event-b2aaa9a459c53453f580cd43db7d9f95949dfeea20f6ba22f02833df4d9e780e",
|
||
"子查询2-event-6077330eb7e5190425a71e8b0d2641e3a55cc646ba8f9b1aedd2a82ebdc78b67",
|
||
"子查询2-event-eac424e27127852d6d3143ccc74114e48274c42e671d3792a6806881167722c6",
|
||
"子查询2-event-5c012b21ae796f181c03cd5141db357cafd2687452fd32096bed22262633a4ce",
|
||
"子查询2-event-b64d3498bfd0df3cec9972f33303b0f5bd62d7381923be351f799658ac82738d",
|
||
"子查询2-event-a0413c1f209b70baa63f77d36a8d9142e9b36631a4ce723acd243fe6edaccc1f",
|
||
"子查询2-event-4de51586600d31b97aa032ecfb161b95106276ef302db2083ef51cca668dd676",
|
||
"子查询2-event-914d415479b8d019ab1049d49ec7493142afaa6187d97dc20e188dc3220ca1c5",
|
||
"子查询2-event-2a637a208936b5c6be9167d073e6391bbb91508d7fab96e173811cab3bb0f25d",
|
||
"子查询2-event-19f1b40fb3b6e108c066100e818e0f12abd36b43a74c4115d58e6926b64a3610",
|
||
"子查询2-event-090b45795b64fa9f5d80f171bc49738a3bb0a9ff19caac94e3eda62b62823da0",
|
||
"子查询2-event-1b9b4584027b943d9d0645dbdba71599b4d1415df67412bed647c637bd8bdf28",
|
||
"子查询2-event-edb0bc5d8512cf9e88b4de9e2dde49667a7880f913a4987970acc07d4a9a4ca2",
|
||
"子查询2-event-92713f0261a3b10f1271b4379c3b16b133ab0fd93687a730dd3d9af65c348884",
|
||
"子查询2-text-3d78dc4b2f00a08592efdb0765121c4c5045d71a80845f44ff381716368c232d",
|
||
"子查询2-text-ec0aff6672edd992c681993faef8fb3b4bcfc466158c873ca32b7f969ce51c3e"
|
||
],
|
||
"pagerank_data_available": true,
|
||
"pagerank_summary": {},
|
||
"concept_exploration_results": {},
|
||
"exploration_round": 0,
|
||
"debug_info": {
|
||
"total_time": 26.516916275024414,
|
||
"retrieval_calls": 1,
|
||
"llm_calls": 4,
|
||
"langsmith_project": "rag-api-service",
|
||
"token_usage_summary": {
|
||
"has_llm": true,
|
||
"has_generator": true,
|
||
"last_call": {
|
||
"prompt_tokens": 4280,
|
||
"completion_tokens": 37,
|
||
"total_tokens": 4317
|
||
},
|
||
"total_usage": {
|
||
"prompt_tokens": 5289,
|
||
"completion_tokens": 223,
|
||
"total_tokens": 5512,
|
||
"call_count": 3
|
||
},
|
||
"model_name": "qwen2-7b-instruct",
|
||
"has_last_usage": true,
|
||
"has_total_usage": true
|
||
},
|
||
"complexity_analysis": {
|
||
"is_complex": true,
|
||
"complexity_level": "complex",
|
||
"confidence": 0.95,
|
||
"reason": "这是一个复杂查询，因为它涉及到数据研发运营一体化（DataOps）这一概念的深入理解，以及它与数据开发范式的关联。需要对DataOps有全面的了解，并且可能需要查询有关数据开发的不同范式，从而确定DataOps在其中的位置。这通常需要生成多个子查询来收集和分析相关信息。"
|
||
},
|
||
"debug_mode_analysis": {
|
||
"debug_mode": "0",
|
||
"debug_override": {},
|
||
"path_override_applied": false
|
||
},
|
||
"sufficiency_analysis": {
|
||
"final_sufficiency": true,
|
||
"sufficiency_check_details": {
|
||
"is_sufficient": true,
|
||
"confidence": 0.9,
|
||
"reason": "事件信息和段落信息包含了回答查询所需的关键内容...",
|
||
"iteration": 0
|
||
},
|
||
"iteration_sufficiency_history": [],
|
||
"sufficiency_progression": {
|
||
"status": "no_sufficiency_checks"
|
||
}
|
||
},
|
||
"routing_analysis": {
|
||
"total_routing_decisions": 1,
|
||
"sub_query_generation_count": 0,
|
||
"parallel_retrieval_count": 0,
|
||
"pagerank_collection_count": 0
|
||
},
|
||
"concept_exploration_analysis": {
|
||
"exploration_enabled": false,
|
||
"exploration_rounds": 0,
|
||
"pagerank_nodes_analyzed": 0,
|
||
"successful_branches_total": 0,
|
||
"total_branches_attempted": 0
|
||
}
|
||
},
|
||
"iteration_history": [
|
||
{
|
||
"iteration": 0,
|
||
"query": "并行检索: 原始查询 + 2 个子查询",
|
||
"passages_count": 49,
|
||
"action": "retrieval"
|
||
},
|
||
{
|
||
"iteration": 0,
|
||
"action": "sufficiency_check",
|
||
"is_sufficient": true,
|
||
"confidence": 0.9,
|
||
"sub_queries_count": 0
|
||
},
|
||
{
|
||
"iteration": 0,
|
||
"action": "final_answer_generation",
|
||
"answer_length": 7495
|
||
}
|
||
]
|
||
} |