在数据中台产品研发方面,龙石数据坚持“批评与自我批评”和“慢即是快”。这种方法借鉴了茅台酒的酿造智慧,通过规划、设计、发酵、研发、试运行五个严谨的工序,打造出屡屡给用户带来惊喜的优质产品。 规划:问题导向的起点 成功的产品研发始于对用户需求的深刻洞察。在规划阶段,研发团队需要彻底理清用户痛点及其解决方案,这是整个产品生命周期的基石。只有在这个阶段把问题想透,后续工作才能有的放矢。 设计:用户视角的原型创造 进入设计阶段后,团队需要将解决方案转化为具体的产品原型。这一过程必须始终站在用户角度,确保每个交互细节都符合用户习惯,使最终产品用起来得心应手。优秀的设计不仅解决功能需求,更要创造流畅的使用体验。 发酵:冷静期的自我审视 最具特色的"发酵"阶段体现了独特的研发智慧。设计完成后,团队会将方案搁置1-2个月,待最初的热情冷却后再进行最终评审。这段冷静期是"自我批评"的关键时刻,团队需要客观评估设计方案是否真正有用、好用。只有通过这轮严格筛选的功能才会进入研发,这种做法大幅降低了后期返工的风险。 研发:精准实现设计方案 研发阶段是方案的落地过程。由于前期的充分准备,这阶段的开发工作能够高效推进,避免因需求变更导致的资源浪费。 试运行:真实场景的批评改进 最后的试运行阶段邀请项目经理和意向客户在实训场景中体验产品。这是接受"批评"的重要环节,来自真实用户的反馈为产品优化提供了宝贵方向。通过这轮检验的产品,往往能超出用户预期,创造令人惊喜的体验。
2025-07-04 14:23 46
在数字化浪潮奔涌的当下,数据管理部门正站在 AI 技术应用的关键转折点。AI 之于数据管理,蕴藏着双重核心价值: 技术价值赋能数据治理全流程自动化,从数据采集、分析到质量监测,全面提升技术人员工作效率; 业务价值则聚焦于打破数据使用壁垒,以智能问数为利器,让业务人员能随时获取所需数据,以报表、趋势图等多样形式呈现。在这两大价值维度中,优先服务业务人员,落地 AI 智能问数成为数据管理部门释放 AI 潜力的重要突破口。 传统数据共享交换模式下,业务部门的数据获取之路充满荆棘。从申请数据资源开始,数据需经平台流转至业务部门前置机,再由技术人员进行繁琐的数据提取、加工处理,最终才能交付业务人员使用。这一过程,短则耗时一两天,复杂需求甚至需数十天,不仅耗费大量时间成本,人工投入也居高不下。无论是制作数据清单 Excel、生成数据报表,还是开发业务系统,每一个环节都可能成为数据应用的阻碍。 而 AI 智能问数的出现,重构了企业用数的规则。业务部门申请数据资源后,可直接在平台上发起提问,无需技术人员二次加工。以市场销售数据为例,业务人员能瞬间获取诸如 “今年销售总额是多少”“客户在各个省的分布情况如何”“去年每个月销售额变化趋势怎样” 等关键信息,真正实现了 “想问即得”。这种便捷性极大地满足了管理层灵活多变的决策需求。 当数据管理部门着手落地 AI 智能问数时,团队协作的选择成为关键。有企业曾让 AI 团队与数据治理团队同时开展 AI 智能问数研究,最终数据治理团队脱颖而出,交出了更出色的答卷。深入探究背后原因,AI 智能问数的五大核心要素恰好契合数据治理团队的专业优势。 1)补全数据业务含义,能让 AI 精准理解数据背后的业务逻辑; 2)构建适配 AI 访问的数据模型,如拉宽表、数据翻译等操作,为 AI 快速准确响应提供数据基础; 3)提升数据质量,确保 AI 输出结果真实可靠; 4)设置数据访问权限,保障数据安全合规; 5)建立长效运营机制,则为 AI 智能问数的持续优化与稳定运行保驾护航。 这一实践充分印证了 AI 与数据之间双向赋能的紧密关系。对于数据管理部门而言,落地 AI 并非简单的技术叠加,而是需要以业务需求为导向,依托数据治理的深厚功底,重点推进 AI 智能问数等核心应用。唯有如此,才能让 AI 真正成为数据管理的强大助力,在提升数据使用效率的同时,为企业决策提供更智能、更高效的支持。
2025-06-26 10:30 136
最近,龙石数据在为很多企业提供免费调研和数据治理方案时发现,无论是中小企业还是500强企业,都对数字化转型非常迷茫和焦虑。 结论是:大多数企业不适合全面推进数字化转型,不能被口号给骗了,动不动就要智能化升级,还没走稳就想跑。 要知道华为在数字化转型上的投入是销售收入的2%(P90)。 对于中小企业,在缺乏整体战略规划和强力组织支撑的情况下,建议根据自身情况,从主业务流程贯通、跨部门数据共享、核心业务指标监测,以及数字化人才培养等方面小步快跑式的缓慢推进数字化转型,任正非讲慢就是快(P143)。 推荐大家看看华为原CIO周良军先生在《华为数字化转型》一书中总结的“钻石"模型。 在这个模型中,下面的“三力"讲的是数字化转型的“道",上面的”三驱"讲的是数字化转型的“术”。 在这里简单介绍一下这本书里的金句。 战略力方面:华为早在90年代就把数字化转型作为公司战略核心,也只有把数字化转型作为战略核心,数字化转型才有用武之地(P36)。 数字领导力方面:一把手的深度参与是数字化转型成功的前提,如果数字化转型失败,那么问题一定出在前三排,根因都在主席台(P62)。 变革力方面:数字化转型是一个复杂的管理变革工程,从战略规划到执行落地,关键不在于数字化,而在于转型变革。而变革的本质是利益再分配(P110)。 流程驱动的数字化转型是实现"以客户为中心"的端到端业务贯通,贯通流程的目标只有两个:一是多打粮食,也就是提升业绩;二是增加土壤肥力,也就是提升组织能力(P149)。 数据驱动的数字化转型主要任务是提升核心数据质量,实现数据跨部门共享,支撑业务洞察和决策分析(P204)。 智能驱动的数字化转型主要包括业务场景智能、业务决策智能、人际协作智能、这是数字化转型的高级目标(P241)。
2025-04-09 10:56 209
根据龙石数据多年专注数据治理的经验来看,数据治理效果不好的原因有三个:不懂、不持续、缺人才,其中最重要的就是缺人才。 一、不懂,就会觉得难,以为采购一个平台,上一个项目就能解决所有的问题。其实,这个项目最多只能算是起了一个头。如果做得不好,反而让大家对数据治理失去了信心。所以,我们自己一定要懂,最起码懂个大概,知道我要实现什么短期效果,实现什么长期效果,简单点怎么做,完善一些又怎么做。 二、不持续,不持续的核心原因有两个:一是成本太高,二是自己缺思路;自己缺思路就会导致选择了不符合自身需求的方案,也就导致了投入与效果的错配,也就会感觉投入与产出的性价比不高,导致对数据治理失去信心。 三、缺人才,缺人才就会导致自己人不懂数据治理,没法选择一条适合自己的方案和路径,也就导致数据治理的不持续,没法发挥数据治理的应有效果。所以,人才是数据治理的根本。所以,对企业数字化转型来说,我认为提升数据治理的成效是治标,提升自己团队的数据治理能力才是治本。 所以,我们在服务客户时,最重要的工作就是帮客户和合作伙伴建立自己的数据治理能力。我们是从4个方面帮学员提升数据治理的能力的: 一是实战培训,就是我们准备好场景和模拟数据,让学员先自己根据文档来练习,对数据治理建立一个感观的认识,让我们不再畏惧它; 二是理论培训,我们的咨询专家会给学员讲讲数据治理的理论知识,包括元数据、数据标准、数据质量、数据安全、数据标签、数据指标等概念,让学员熟悉数据治理的理论; 三是实施方法培训,我们会根据我们的经验,系统化地教会学员怎么一步步地做好数据治理,包括怎么做调研,怎么建立数据制度,甚至怎么提升组织的数据意识,以及在遇到各种阻力时该怎么办; 四是考试认证,如果学员还想进一步提升,也可以选择DCMM和DAMA的系统化的培训,并且参加权威考试,拿到认证证书。 当然,整个培训过程中,我们会使用AI来对学习成果进行评估,会进行打分。所以,这个学习会比较严格,也会有些压力,需要大家认认真真地去学,才能学得扎实。 最后,如果你们单位做了数据治理,效果不太理想,或者做得很好,都欢迎与我们联系,我们可以一起总结失败教训和分享成功经验。
2025-03-27 13:31 202
现在提到数据治理,大家都觉得迷茫,行业里创造了太多的概念,弄得专业人士都说不清数据治理到底是个啥。 点击图片观看视频讲解👆 要让数据治理变得简单,可以从4个方面着手: 1、确定一个清晰的目标。 2、制定一个可行的机制。 3、找到一个简单的方法。 4、选择一个好用的工具。 目标和机制需要根据组织的情况来确定,这里不做赘述。 1.从方法上来讲,我们在19年将它定义为5个字,“理、采、存、管、用”: 理,就是弄清楚我们有哪些数据; 采,就是把分散的数据集中到一起; 存,就是把数据集中存储起来; 管,就是进行数据质量、数据标准和数据安全的管理; 用,就是通过数据标签、数据指标、数据共享、数据报表等方式将数据用起来。 目前,市场上大多数的数据治理项目只是做了“理、采、存、用”,也能将数据用起来,但如果不把管数也做起来,就不能建立数据治理的长效机制,无法统一标准、提升质量和保障安全,为持续用数保驾护航。 2.从工具上来讲,我们借鉴工厂流水线的方法来治理数据。例如针对新生入学这个场景,我们先确定数据来源,再创建数据模型,然后做数据归集、数据清洗和数据融合,同时,配套数据标准、数据安全和数据质量方面的保障,然后,再开发数据标签、数据指标和API接口,最后,建成主题库、可视化报表和业务系统。 这样一眼就可以看清楚数据治理的全部过程和数据成果,真正做到让数据好管好用,这也是龙石数据的愿景和使命。
2025-03-24 16:27 669
什么是数据治理?就算是从业了20多年的人,也真的很难用一两句话讲清楚。前几天和一位专家交流的时候,突然发现数据治理与粮食加工特别像! 数据也和粮食一样需要“收割、清理、储存、加工和防护”。下面这个表格中列出了数据治理和粮食加工的对应关系: 例如: 1.数据汇聚对应着粮食收割,把数据和粮食收上来。 2.数据清洗对应着粮食清理。 3.数据安全管理对应着粮食的防火、防潮、防鼠、防盗。 4.数据汇聚:从业务系统、传感器等渠道收集数据,类似于粮食收割,将粮食从田间收割上来。 5.数据清洗:对数据进行去重、转码、融合和标准化处理,类似于粮食清理,包括脱壳、晾晒和去除杂质。 6.数据标签:根据数据的属性和用途打标签,类似于粮食分类,按等级分为优质米、劣质米,按产地分为东北大米、泰国香米等。 7.数据仓库:将清洗后的数据存储到数据仓库中,类似于粮食存储,根据实际情况选择陶缸、地窖、棚仓或现代房仓进行存储。 8.质量管理:通过监控和修复数据问题,确保数据质量,类似于粮食质量监控,定期检查霉变、虫害等情况。 9.安全管理:对数据进行分级分类、访问控制、加密脱敏等保护措施,类似于粮食防护,包括防火、防潮、防鼠、防盗等。 10.数据开发:将原始数据转变为可用的数据资产,类似于粮食加工,将水稻脱壳成大米,小麦研磨成面粉。 11.数据利用:将加工后的数据用于决策分析、AI模型训练等,类似于粮食食用,将大米煮成米饭,面粉做成包子。 点击图片观看详细视频讲解👆 所以,粮食加工养活了人类,而数据治理则养活了AI,人类可以种粮食,AI可不可以种植数据,实现自给自足呢? 欢迎大家前来讨论、交流。
2025-03-21 18:31 233
DeepSeek这次为中国科技赢得了国际声誉,也用实际行动回应了漂亮国对中国的算力封锁。它证明了,AI的发展不仅仅依赖于算力,更依赖于算法创新和高效的数据治理。 今天,我想和大家分享两个关于DeepSeek(人工智能)与数据治理行业关系的思考。 最近很多朋友关心我们,问人工智能会不会颠覆我们数字治理行业?我认为不会。 点击图片观看详细视频讲解☝️ AI不会去颠覆任何行业,它只是一个工具。一个强大的工具而已。我们没必要将它神化。 可以从四个方面来理解这件事。 第一,AI是效率工具。 它能够帮我们来提高我们数据治理的效率,甚至呢我们也可以用AI来驱动数据中台来干活。 第二,AI是智能工具。 它可以自动化的帮我们生成一些数据质量检验的规则,也可以帮我们自动生成一些数据分析的脚本,降低我们数据治理的技术门槛。 第三,AI的训练和微调都离不开高质量数据。 原来我们做数据治理是为人服务的,但是现在不一样,我们现在也可以为AI提供服务,AI是我们数据治理的新用户。 第四,数据治理是构建知识库的前提。 现在大家都在接入DeepSeek,使用DeepSeek来构建自己的私有知识库,但是只有加工好的数据哎,才能成为知识库。那么数据治理天然就是做这个的,所以我们现在也在接入DeepSeek和数据中台,研发我们的知识库开发工具,希望能够帮助大家更快的更高质量的来构建自己的知识库。等我们打磨好我们再分享给大家。 所以一句话总结,我认为AI与数据治理之间是一个互相赋能的关系,它不是谁在颠覆谁,是双向奔赴。
2025-03-18 10:14 647
热门文章