企業大數據業務架構

A. 日華科技用大數據構建智慧應急完整業務架構

公司成功研發抄以大數據及人工智慧為技術核心的監控預警、資源統籌、預案管理、輔助決策、疏散指揮等智慧應急多業務協同系統及平台，通過設計感知層、網路層、平台層、應用層、表現層構建智慧應急完整業務架構，實施信息的無障礙採集及實時監測、數據的存儲及傳輸、有效數據的挖掘及分析、資源統籌和優化配置以及解決方案的綜合計算與解析等一系列功能；最終實現針對災害發生的時空規律對應急資源進行優化配置，對危機情景下應急物資的調運，人員的急速撤離進行最優的線路設計並提供給指揮人員進行決策。

B. 大數據架構流程圖

大數據管理數據處理過程圖

大數據(big data),指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合,是需要新處理模式才能具有更強的決策力、洞察力。大數據處理的主要流程包括數據收集、數據存儲、數據處理、數據應用等主要環節。隨著業務的增長,大量和流程、規則相關的非結構化數據也爆發式增長。

平台數據架構流程圖

標准大數據平台架構,標准大數據平台架構,大數據平台架構,數據倉庫,數據集市,大數據平台層級結構,數據挖掘,舉報,包含該模版的分享。數據架構設計(數據架構組) 概述 總體描述 相對於業務架構和應用架構,數據架構在總體架構中處於基礎和核心地位。

產品體驗結構流程圖

產品的功能結構圖,產品功能結構圖,產品主要流程圖,產品的核心流程,我們繼續圍繞著得到app的核心流程探究。還原產品,產品結構、核心流程體驗、核心頁面體驗的情況,而不僅僅是界面表層；從產品視角、用戶視角來分析,而不是自我感覺，撰寫報告,推出報告。產品體驗從產品現狀、目標用戶及場景、關鍵功能體驗

程序流程圖

程序流程圖又稱程序框圖，是用統一規定的標准符號描述程序運行具體步驟的圖形表示。程序框圖的設計是在處理流程圖的基礎上，通過對輸入輸出數據和處理過程的詳細分析，將計算機的主要運行步驟和內容標識出來。

軟體開發周期

軟體生命周期(Software Life Cycle,SLC)是軟體的產生直到報廢或停止使用的生命周期。軟體生命周期內有問題定義、可行性分析、總體描述、系統設計、編碼、調試和測試、驗收與運行、維護升級到廢棄等階段一個軟體產品或軟體系統也要經歷孕育、誕生、成長、成熟、衰亡等階段

軟體測試流程魚骨圖

軟體測試流程: 需求分析，制訂測試計劃，設計測試用例與編寫，實施測試，提交缺陷報告，生成測試總結和報告。軟體測試按照研發階段一般分為5個部分：單元測試、集成測試、確認測試、系統測試、驗收測試。根據設計用例的方法不同,黑盒測試包括等價劃分法、邊界值分析法、錯誤推測法、因果圖法等。

雲平台整體架構圖

雲計算的體系結構由5部分組成,分別為應用層,平台層,資源層,用戶訪問層和管理層,雲計算的本質是通過網路提供服務,所以其體系結構以服務為核心。公認的雲架構是劃分為基礎設施層、平台層和軟體服務層三個層次的。

項目管理九大體系

項目管理思維導圖包括項目采購管理、項目成本核算、時間管理等關於項目管理的九大體系。項目管理十大領域:進度、成本、質量、范圍等4個核心領域,風險、溝通、采購、人力資源、干係人等5個輔助領域,1個整體領域。

產品經理項目管理思維導圖

思維導圖可以幫助產品經理梳理多而亂的產品思路，也可以幫助產品經理進行需求管理、產品分析等。產品經理會使用思維導圖來對產品的思路進行一個有效的分析，梳理產品邏輯，然後再畫原型圖。一個優秀的產品經理，不僅僅是會畫原型，寫需求文檔，更重要的是做出用戶滿意的產品。

項目規劃時間軸流程圖

項目規劃時間軸流程圖,對一個項目從開始到竣工的整個過程進行總結歸納。時間線圖,又叫時間軸圖,能以歷史進程為載體,將過往的重要事項或者里程碑,標注在軸線上,並加以說明。它的作用是能夠可視化內容,以圖文的形式呈現出來。時間軸是一種表達事物發展進程的可視化圖示,被許多商業管理人士所使用。

C. 如何構建企業大數據應用研發體系

一、數據基礎平台
基礎的數據平台建設工作，包含數據平台建設，數據規范，數據倉庫、產品數據規范，產品ID，用戶ID，統一SDK等。
很多公司的數據無法有效利用，就是缺乏統一規范，產品數據上報任由開發按照自己的理解和習慣上報，沒有標准化的SDK和上報協議，並且數據散落在各個部門產品的伺服器，無法構建結構化的數據倉庫。
做數據平台的架構，很多人會理解為高大上的技術活，其實整個數據平台價值的體現，需要公司各個部門的配合，例如關鍵數據指標體系的建立，需要從各個部門業務指標進行提煉，並得到業務部門認可。常見的關鍵指標有：DAU、PCU、WAU、MAU、按天留存率(1-30日留存)、累計留存率（7日、14日、30日累計留存率），新增用戶，有效新增用戶，活躍轉化率，付費轉化率，收入指標，ARPU人均收入，渠道效果數據等。

互聯網是個神奇的大網，大數據開發和軟體定製也是一種模式，這里提供最詳細的報價，如果你真的想做，可以來這里，這個手機的開始數字是一八七中間的是三兒零最後的是一四二五零，按照順序組合起來就可以找到，我想說的是，除非你想做或者了解這方面的內容，如果只是湊熱鬧的話，就不要來了。

六、戰略分析與決策
戰略分析與決策層，更多的是跟很多傳統的戰略分析、經營分析層面的方法論相似，最大的差異是數據來自於大數據。
有很多企業錯誤的把「業務運營監控層」和「用戶/客戶體驗優化層」做的事情放在經營分析或者戰略分析層來做。傅志華認為「業務運營監控層」和「用戶/客戶體驗優化層」更多的是通過機器、演算法和數據產品來實現的，「戰略分析」、「經營分析」更多的是人來實現。很多企業把機器能做的事情交給了人來做，這樣導致發現問題的效率較低。
建議是，能用機器做的事情盡量用機器來做好「業務運營監控層」和「用戶/客戶體驗優化層」，在此基礎上讓人來做人類更擅長的經驗分析和戰略判斷。
在變化極快的互聯網領域，在業務的戰略方向選擇上，數據很難預測業務的大發展方向，如果有人說微信這個大方向是通過數據挖掘和分析研究出來，估計產品經理們會笑了。從本質上來說，數據在精細化營銷和運營中能起到比較好的作用，但在產品策劃、廣告創意等創意性的事情上，起到的作用較小。但一旦產品創意出來，就可以通過灰度測試，數據驗證效果了。

D. 關於大數據架構的相關知識

隨著科技的發展和社會的進步，大數據、人工智慧等新興技術開始進入了我們的生活。我們已經從信息時代跨入了大數據時代，而大數據是一個十分火熱的技術，現如今大數據已經涉及到了各行各業的方方面面。但是目前而言，很多人對於大數據不是十分清楚，下面我們就給大家講一講大數據的架構知識。
1.大數據架構的特點
一般來說，大數據的架構是比較復雜的，大數據的應用開發過於偏向底層，具有學習難度大，涉及技術面廣的問題，這制約了大數據的普及。所以我們必須開發一種技術，把大數據開發中一些通用的，重復使用的基礎代碼、演算法封裝為類庫，降低大數據的學習門檻，降低開發難度，提高大數據項目的開發效率。
2.大數據在工作的應用
大數據在工作中的應用有三種，第一種就是與業務相關，比如用戶畫像、風險控制等。第二種就是與決策相關，數據科學的領域，了解統計學、演算法，這是數據科學家的范疇。第三種就是與工程相關，如何實施、如何實現、解決什麼業務問題，這是數據工程師的工作。由此可見大數據是一門高深的學問。
3.對數據源的分類
根據數據源的特點，我們可以把數據源分為四大類。第一類就是從來源來看分為內部數據和外部數據，第二類就是從結構來看分為非結構化數據和結構化數據，第三類就是從可變性來看分為不可變可添加數據和可修改刪除數據，第四類就是從規模來看分為大量數據和小量數據。這四類將大數據的數據源表達的淋漓盡致。完善了大數據的數據源。
4.為什麼重視數據源？
為什麼大數據平台十分重視數據源呢？這是因為大數據平台第一個要素就是數據源，我們要處理的數據源往往是在業務系統上，數據分析的時候可能不會直接對業務的數據源進行處理，而是先經過數據採集、數據存儲，之後才是數據分析和數據處理。所以大數據平台十分重視數據源。
在這篇文章中我們給大家介紹了大數據架構的具體知識，大體包括大數據架構的特點、大數據在工作的應用、對數據源的分類、為什麼重視數據源，希望這篇文章能夠幫助大家更好地理解大數據。

E. 企業架構概述及業務架構詳解

有價值的東西是才值得我們投入時間和精力的，企業架構為什麼就值得我們投入時間和精力來學習呢？主要由以下兩方面原因：

1、 對公司而言，企業架構可以輔助企業完成業務及IT戰略規劃。在 業務戰略 方面，它定義企業的願景/使命、目標/目的/驅動力、組織架構、職能和角色。在 IT戰略 方面，定義業務架構、數據架構、應用架構和技術架構，是IT戰略規劃的最佳實踐的指引。企業架構是承接企業業務戰略與IT戰略之間的橋梁與標准介面，是企業信息化規劃的核心。

2、對個人而言，有助於職業的健康長遠發展，比如成為CIO，首席信息官通過指導對信息技術的利用來支持公司的目標，具備 技術和業務 過程兩方面的知識，常常是將組織的技術調配戰略與業務戰略緊密結合在一起的最佳人選。

企業架構包含了四部分，BA（Business Architecture，業務架構）、DA（Data Architecture，數據架構）、AA（Applications Architecture，應用架構）、TA（Technology Architecture,技術架構）。企業架構由全局戰略規劃驅動，我們來看下戰略、BA、DA、AA、TA五者之間的關系。

如圖所示，戰略、BA、DA、AA、TA實際位於以下三個層次上：

這五者的核心關系，可以概況為以下幾點：

l 環環相扣，上層驅動下層，下層支撐上層。

通過上面的內容，我們知道了戰略，業務架構，方案架構的關系。下面我們看下實際工作中架構路線圖和實施規劃環節是如何操作的。

執行的要點是釘到崗位（左側），落到文檔（右側），細到機構調整、技術采購、項目研發等工作包。主要有以下環節：

這里需要補充說明的一點是，實施計劃不僅僅是從「架構藍圖到研發」的計劃，也是從「架構藍圖到IT與非IT的方方面面」。

對於業務架構，OMG業務架構組給了如下定義：

業務架構是企業治理結構、商業能力與價值流的正式藍圖。業務架構明確定義企業的治理結構、業務能力、業務流程、業務數據。其中，業務能力定義了企業做什麼，業務流程定義企業怎麼做。具體而言，就是：

我們分別從國外國內來了解一下，業務架構出現的背景，便於我們更好的理解業務架構的使用場景， 業務架構是跨部門跨組織的業務需求，單個小系統的生命周期，根本就沒有業務架構環節。

跨系統規劃--業務架構在全球出現的背景

國外軟體系統經過長期發展，在經過多年實踐後，1962年，發表於哈佛商業雜志的的《信息系統總規劃》這篇文章，拉開了跨部門、跨組織需求規劃的序幕。此後多年，IBM等企業進行了很多實踐。

1982年，IBM公布了業務系統規劃（Business System Planning,BSP）方法論。這是個重要事件，對業界產生了大而持久的影響。

此後多年，業務架構快速發展，如Togaf、FEAF等。

以上歷史告訴我們，業務架構脫胎於跨系統、重視跨系統需求。站在開發者的角度，業務架構就是跨部門、跨組織的業務需求。

信息孤島—業務架構在國內「火」起來的契機

國內有個現象，一提到業務架構，就會大談信息孤島。這是為什麼呢？因為國內真正開始重視業務架構設計，就是從解決信息孤島的痛點開始的。

21世紀初，國內的信息化進程從部門信息化推進到了企業信息化。企業部門間的（集團子公司間的）協同聯動需求，帶動了IT信息系統間的信息共享和協同聯動需求—同時產生了信息孤島問題（財務、人力資源、采購、銷售、OA、CRM各自為戰）。

因為信息孤島所具備的三大弊端，促使業務架構在國內火了起來，以下是三大弊端：

那如何解決信息孤島的問題呢？

在一系列系統分頭建設之前，先設計業務架構，定義統一藍圖，這是根本。數據一張圖、數據共享、流程打通、服務編排，都是圍繞統一藍圖具體展開。

業務架構是跨系統的，那麼它和子系統的關系是什麼樣的呢？

圖中的大V、小V分別表示什麼呢？

大V部分，是總體方案的生命周期。在大V的需求階段，必須研究和定義清楚跨部門、跨組織的業務需求，這些需求往往是跨系統的。例如，客戶報修業務功能明顯需要呼叫中心系統、CRM系統、工單系統協同聯動，才能支持客服接聽電話、確認客戶資料、記錄報修內容、派遣維修工程師上門這一連串操作。

小V部分，是某一個系統的生命周期。在小V的需求階段，必須分析和定義清楚這一個系統的需求，這些需求往往是系統內的。例如，CRM系統負責客戶資料管理。

綜上所述，方案級、子系統級這兩級生命周期是同時存在的。舉個典型的例子，某公司要做一個ERP系統，他會怎麼做呢？

由於方案涉及的范圍廣、部門多，所以有必要做業務架構設計。這時，由業務架構師擔綱業務架構設計，並提交《業務架構書》。

假設主要涉及系統A的需求、開發、測試等。

這時需求分析員沖上去，負責《系統A需求說明書》，當然需求分析員要參考上游的《業務架構書》整體約定。

註：這里只所以說是假設，是因為實際操作中可能是實現某個業務功能需要同時開發系統A、系統B、系統C的部分功能， 並不是說一期工程的所有功能必須隸屬於同一個系統 。

假設主要涉及系統B的需求、開發、測試等。

這時這時需求分析員沖上去，負責《系統B需求說明書》，當然需求分析員要參考上游的《業務架構書》整體約定。

業務架構要想成功，首當其沖的是，架構師要做正確的事，即在業務架構的實際工作內容上有充足的經驗，不能遺漏。

相反，業務架構師分析環節的缺失，意味著業務架構藍圖規劃項的缺失，影響從投資角色到方案設計，到實施規劃，在到IT工作包和非IT工作包識別等所有後續工作。

業務架構 = 業務功能 + 組織結構 + 業務流程 +業務數據

業務架構的實際工作內容有哪些呢？

業務架構的前身是1982年IBM發布BSP等跨系統規劃方法。所以，業務架構本質上是跨系統規劃。

但是，業務架構的內容遠遠超過了跨系統需求分析這個范圍，覆蓋跨系統業務架構藍圖規劃這個更大的范圍。究其原因，是業務架構必須發揮從戰略向實施過渡的橋梁作用—上街公司戰略， 下接IT實施和非IT實施 。

不錯，業務架構也涵蓋了非IT部分的藍圖！

我們來看下細化的業務架構實際工作模型。

就大的方面而言， 業務功能定義企業做什麼，組織結構定義誰來做，業務流程定義怎麼做，業務數據提供必要的支撐，因此，業務功能、組織結構、業務流程、業務數據四者，構成了業務架構藍圖的核心。

同時，商業模式揭示的是企業產品、企業核心資源、客戶、夥伴、渠道、成本、利潤之間的本質關系。商業模式這個現代工具，也是業務架構藍圖的必須規劃項。

就小的方面而言， 第一，業務渠道在哪裡？組織結構是圍繞部門、角色、職能展開的，而組織結構、業務渠道、合作夥伴是緊密相關的。所以，業務架構師在梳理組織結構的同時，應結合渠道戰略和合作夥伴戰略，定義業務渠道規劃，定義合作夥伴規劃，這些都是業務架構藍圖的「一等公民」。

第二，價值鏈在哪裡？價值鏈模型是對一個企業所有生成經營活動的總體描述，是規劃業務架構藍圖時的必做項目。可以對業務功能進行三級劃分、層層分解：

第三，業務流程 = 「主幹流程 + 分支流程 + 業務規則」：

例如：買火車票時，「選票-搶票-支付」這個流程是穩定的。、

例如，選座分支流程，靠窗、不靠窗、坐票、卧鋪（上下中鋪）。

例如，買兒童票、成人票、學生票要進入分支流程。

所以建議一邊定義業務流程，一邊定義相應的業務規則。

綜上，業務架構藍圖的內容應該明確！全面！直觀！詳細！

上面我們學習了業務架構包含的內容，可能不夠直觀，我們通過案例來加深我們對每個模塊的理解。

【舉例】業務架構藍圖五要素

我們藉助業務架構藍圖五要素，管窺一下中國鐵路12306平台的業務架構。

目標業務功能—線上購票、線上支付、線上退票等；

目標組織結構—在原組織結構基礎上，新建IT運維中心；

目標業務流程—先登錄、後搶票、再支付、超時未支付則釋放票源；

目標商業模式—線上購票，省事省力（這個僅是價值主張）；

目標業務數據—用戶賬戶、列車時刻表、坐席數據、訂單、支付記錄等。

【舉例】業務渠道、合作夥伴、價值鏈

下圖分析了證券公司的業務功能與相對應的業務渠道

價值鏈包括核心業務層和支撐層，這里的核心業務層屬於價值鏈對業務功能和服務的頂級分解。

在做規劃時我們常採用GAP分析法，先確定當前現狀，然後給出我們的期望，分析目標和期望的差距。如果有人和一個新手這樣說，可能是不夠的，你至少需要回答以下幾個疑問：

疑問一，業務架構師具體要分析什麼？怎麼才算是戰略驅動？

--能否具體到政策文件？戰略方針？市場調研？友商對標？

疑問二，從戰略到藍圖，中間的邏輯是什麼？

--能否具體到小目標分解？小策略制定？

疑問三，我們首先應該怎麼做？

--就連一個小的進銷存系統，也要先進行業務調研，不是嗎？

【落地】設計步驟

我們看下作者分享的戰略驅動的業務架構（BA）設計三步法。

圖中的三大步很明確，也非常貼近實際。

優點1：明確的戰略驅動起點。方法中明確了三種戰略驅動因素（Drvier）的類型，因為實際中就是國家政策、企業戰略、對標友商者三者之一觸發了後續的調研、規劃與實施。

優點2：明確的調研環節。在第一步中，包含了調研環節。

優點3：強調了從戰略到藍圖的過渡邏輯。在第2大步中，扎扎實實地規劃好業務架構目標/策略，才能確保藍圖充分支撐戰略。這一步屬於高層級業務架構設計。

優點4：目標藍圖與Gap分析並重。在第3大步。

設計BA目標藍圖這一步屬於低層級業務架構設計，其中Gap環節是必須環節，我們必須識別出業務架構的增量有哪些，給出對應的實施措施。

Gap分析的價值在於，它是持續進行架構治理所必需的，除了BA規劃環節應用，在AA、DA、TA設計環節也均有應用。

【要點】明確Driver，做好調研

業務架構設計必需做好的第一件事，就是100%明確戰略驅動因素是什麼。

業務架構設計必需做好的第二件事，就是調研。 通過調研，廣度上理解企業的宏觀環境、行業趨勢，縱深上理解戰略的前因後果、來龍去脈、橫向上理解企業的競爭格局、友商動向。

粗看，調研范圍很廣，讓人理不清頭緒。細看卻有規律，主要三條線，分別是管理層訪談、戰略的來龍去脈、可借鑒案例。

【要點】從戰略到藍圖的內在邏輯

從戰略到藍圖的內在邏輯，由四個概念支撐起的骨架：

Driver—戰略驅動因素

Goal—業務架構目標

Strategy—業務架構策略

Blueprint—業務架構藍圖

這是一個大型企業，推進數字化采購轉型如何從戰略到藍圖的構建邏輯，相信它有助於我們的理解以下幾點。

綜上所述，從戰略到藍圖的內在邏輯主線是： 確定Driver—目標分解—策略設計—藍圖定義 。邏輯明確，創新有據。

只有業務架構師真正洞悉了戰略意圖、准確領會了戰略動機，之後的業務架構設計工作都是有跡可循的，工作量再大，也不可怕。

【工具】GAP分析

【推進】確定Driver

項目假定為：某鐵路數字化服務轉型工程。

業務架構師（張三）知道業務架構的Driver是整個業務的起點，必須找准、吃透。

張三了解到，數字化轉型工程的Driver是公司剛制定的《公司戰略規劃》。

《公司戰略規劃》中闡述了數字化服務轉型的背景：近年來，互聯網技術的發展，提高了各行各業的服務水平，極大方便了人們群眾的衣、食、住、行、醫、學、玩等方面。從企業的角度而言，藉助互聯網、大數據等技術，積極推動數字化轉型，擁抱以客戶為中心的服務模式，能搞提高客戶滿意度和企業競爭力。

《公司戰略規劃》中和數字化轉型戰略的核心表述是：樹立以人為本、客戶至上的服務理念，創新服務方式，完善服務標准，推動數字化服務轉型，提高服務水平。

【推進】做好調研之管理層訪談

管理層訪談： 不是讓業務架構師去了解行業，而是要領會管理層的關注點、主要看法。

通過訪談，業務架構師應了解：

【推進】做好調研之可借鑒案例研究

研究可借鑒的最佳實踐、最佳案例，也是調研的必做內容。

究其原因，業界每個階段的最佳實踐、最佳案例，都反映了業界當時的實踐水平。所以，如果業務架構師收集並分了業界當前最佳實踐案例，就可以在自己負責的架構設計中更好的把握設計方向、制定設計標准。

業務架構目標和策略包含以下兩方面：

【推進】差距分析

Baseline Business Architecture

Target Business Architecture

上述案列，我們通過GAP分析，識別了業務能力差距和IT能力短板，從而識別業務架構目標與策略，這是採用自底向上的方法。為我們後續環節做准備，比如我們識別出了核心業務需要增強的包括銷售、客運、貨運、清算、售後，新增的包括增值業務，在制定在業務功能、業務流程、業務數據、組織結構、商業模式模塊給出對應的策略。

如：從上圖價值鏈分析中看到，我們新增的業務需求是增值業務，通過電商業務、旅遊代理可以實現，再進一步想一下，就會知道我們的目標是增收，接著可以自頂向下思考，增收除了電商業務、旅遊代理，我們還可以做保險代理，通過服務門戶這個渠道觸達用戶。

【推進】確定目標與策略

只有扎扎實實地規劃好業務架構目標與策略，才能確保後續業務架構藍圖定義充分支撐戰略。

確定業務目標與策略環節，是業務架構設計的高層部分。後續的業務架構藍圖定義，是業務架構設計的低層部分。前者引領者後者的發展方向。由此可見「確定業務架構目標與策略」這一環節的重要性。

這一步，有三種做法。

1)自頂向下：將Driver分解為子目標，將子目標映射到業務架構策略。

2)自底向上：通過Gap分析，找到能力短板，從能識別業務架構目標與策略。

3)上述兩種做法相結合，循環展開，互為驗證。

鐵路系統數字化轉型，提高服務水平是Driver，如何才能達到這個終極目標。

答案是：

組織結構視圖包括三個模塊，組織結構、業務渠道、合作夥伴。

組織結構及改進主要描述部門設置、崗位設置、崗位職責等；合作夥伴及改進主要描述加強與供應鏈上下游的合作夥伴之間的關系。業務渠道創新也是業務架構設計的常見策略，下面會舉例說明。

【組織結構】 下圖是運用GAP分析的方法，畫出當前組織結構和目標組織結構，並表示出變動點。

新手業務架構師往往認為組織結構沒啥好設計的。其實恰恰相反，一旦組織結構需要變革，必然影響重大。

從上圖，我們可以看出來，之前企業自己做IT開發，目前公司計劃在做開發的同時，自己也做IT運維。相應的，企業組織結構新增了IT運維中心。

業務架構師應盡早明確組織結構的可能變化。因為無論是新建部門，還是部門增強、人員能力增強，都屬於TOGAF中的能力增量，是需要後續非IT工作包實現的。

不僅如此，組織結構的變化還影響整個企業的治理結構，從經營管理，到制約監督，再到績效考核。

總之，業務架構師雖然經常被當做跨系統軟體需求分析師降級使用，但真正承擔業務架構藍圖規劃任務的業務架構師，是必須能扛得起很多「非IT」規劃的。

渠道：在網路上的解釋是「比喻達到某種目的的途徑「，業務渠道就是用戶為了達成業務目的的途徑。如下圖，列車長通過補票終端這個渠道幫助用戶完成補票，客運公司通過大屏幕告知乘客車次信息。

【業務渠道】 業務渠道創新示例

網站、手機APP、補票終端、大屏實現了購票、補票、查看車次信息線上線下聯動，提升了用戶體驗和公司內部效率。

感悟 ：由上圖可知，業務渠道不是完全孤立的業務架構藍圖規劃項。它和業務流程、業務功能、組織結構是相互呼應的。因此，我們規劃業務渠道時，也應考慮這些。

關於渠道聯動，有同行這樣總結：

企業是由一系列為顧客製造價值的活動和功能組成的。我們的業務功能就源自於可以為顧客製造價值的活動和功能。

企業的價值鏈展示了企業的設計、生產、營銷、運輸等為顧客創造價值的一系列活動、功能以及業務流程之間的連接情況。價值鏈有兩個主要的組成部分：

核心業務（創造主要的顧客價值）

支持活動（為核心業務提供支持服務）

繼續來看運輸公司數字化服務的案例，業務架構師，面對運輸企業數字化服務轉型的任務，經過潛心研究，給出了下圖的價值鏈劃分結構。

有的同學可能會有疑問，為什麼會在核心業務模塊同時存在客運和貨運兩個區別較大的業務類型？在實際工作中可能只負責客運、貨運其中一個模塊。前面我們業務架構出現的背景也有提到在國內業務架構是為了解決信息孤島發展起來的。業務架構師就是要在全局做規劃，而不是梳理單個系統。

以上我們已經整理了價值鏈，現在我們要分解功能域了。下圖是一級功能域分解圖。

接下來，做業務能力Gap分析，我們可以看到新增的一級功能域有4個，增強的一級功能域有13個。

通過價值鏈分析到一級功能域劃分的轉變，我們會有以下收獲：

第一， 價值鏈分析模型為後續功能域劃分奠定了基礎。管理支持+核心業務這個業務功能呢域劃分框架確實很好用。並且廣受業界認同，在溝通的過程中自然也容易被其他人接受。

第二，類似「上車前、上車中、下車後」時間軸思維，是業務架構師必備的分析技能，同時，是甲方企業領域專家們經常使用的分析習慣。

業務架構設計不僅要定義出目標架構，還要使用GAP分析法，識別出需要增強的架構能力，為後續實施做准備。具體包括業務功能變化與增量、組織結構變化與增量、業務流程變化與增量、業務數據變化與增量。

商業模式揭示的是企業產品、企業核心資源、客戶、夥伴、渠道、成本、利潤之間的本質關系。簡單說，就是為什麼同樣的事，有的企業行，有的企業不行。

制定商業模式時並不是說全局只有一個商業模式，我們可以根據我們的目標分別制定商業模式 ，比如上述案例中，該鐵路運輸公司的目標有三個：便民、增收、增效。我們就可以設計三個商業模式。

就鐵路企業的數字化服務轉型而言，要便民，應支持隨時通過網路、電話、手機App獲取企業服務。

就鐵路企業的數字化服務轉型而言，要增效，可以藉助硬體設備和智能控制系統，促進取消、檢票等環節的數字化轉型，提升效率。

【感悟】商業畫布，藉助九個小格子，構建了簡介高效的系統化思維環境，是個了不起的發明。

從上述例子可以看出，商業模式有如下優勢：

個人認為，商業模式融合了BRD和MRD的內容：

BRD：商業需求文檔，關注為誰（客戶細分）、解決什麼問題（價值主張）、需要做什麼（關鍵活動）、花費什麼資源（關鍵資源）、性價比（成本/收入）如何。

MRD:市場需求文檔，關注消費者怎麼觸達（渠道通路）、怎麼獲得合作夥伴。

業務流程視圖是應用架構的輸入，也是業務架構中最落地、篇幅最大的章節。

作者在文章中對業務流程的協作方法進行了論述，結論是簡單的業務流程可以採用流程圖的方式繪制，業務流程分支較多且復雜的強烈建議使用文本化描述。

業務流程定義規范

要點是「1個主幹+N個分支」方式的流程分解

要點是「階段化+步驟化」，並附每步業務或數據模型規則

要點是「註明在主幹流程的分叉位置」，並附每步的業務或數據模型規則

這部分為可選

這部分很重要，上面也有提到，業務流程視圖是應用架構的輸入，所以對這塊再總結一下。

我們發現，分支流程和業務場景有完美的對應關系。識別分支流程，就是場景化思維。相反，如果不區分主幹流程、分支流程，後續業務需求變更會波及一大片，而不是改一個分支流程這么簡單了。這太不專業。

業務功能很多，業務場景更多，業務流程定義了什麼呢？業務流程定義一個業務功能，其中包括多個業務場景。比如購票包括了多人購票、購買兒童票等。

業務規則多如牛毛，如何避免業務規則碎片化？圍繞業務步驟定義業務規則，業務步驟可以是主幹流程步驟，分支流程步驟。

關於是否使用業務流程圖：越是核心的業務流程，越是分支多、業務規則多，此時建議採用文本化規范，這樣呈現的信息更加全面。不復雜的業務流程，可以沿用流程圖的方式。

這篇文章對企業架構進行了概述，詳細講述了業務架構出現的背景及實際攻略，並通過實際案例加深我們對業務架構的理解。

我們來一起回顧一下文章中涉及到的概念之間的關系。

戰略驅動的業務腳骨設計實戰步驟，精華在於，從戰略到業務架構藍圖的跨度太大，邏輯鏈條接不上氣，所以分兩步走

如果讀完之後感覺通過企業架構可以提升自我、有利於公司發展，就行動起來吧！

F. 大數據多層技術架構主要是指

教育大數據六層架構是:

1. 數據源層：包括傳統的資料庫，數據倉庫，分布式資料庫，NOSQL數據碧臘尺庫，半結構化數據，無結構化數據，爬蟲，日誌系統等，是大數據平台的數據產生機構。

2. 數據整理層：包括數據清洗、數據轉換、數據加工、數據關聯、數據標注、數據預處理、數據載入、數據抽取等工作，該層的作用是將raw data加工成proct data。

3. 數據存儲層（數據中心）：存儲了經過清洗處理後的可用於生產系統的數據，比如元數據，業務資料庫，模型資料庫等，該層直接面向應用系統，要求高可靠、高並發、高精度。

4. 數據建模與挖掘層：該層實現對數據的深加工，根據業務需要，建立適用於業務的數據統計分析模型，建立大數據運行處理平台，運用數據分析、數據挖掘、深度學習等演算法從生產數據集中挖掘出數據內在的價值，為業務系統提供數據和決策支持。

5. 行業應用層：深入分析行業數據特點，梳理行業數據產品需求，建立適用於不同行業的數據應用產品。

6. 數據可視化：以智能報表、專題報告、BI展示、局槐平台介面等多種方式悔高提供數據展示和數據共享服務

G. 企業應該如何在大數據基礎架構方面做出選擇

企業應該如何在大數據基礎架構方面做出選擇

如果詢問十家公司他們為了運行大數據負載需要使用怎樣的基礎架構，那麼可能會得到十種不同的答案。現在這個領域當中幾乎沒有可以遵循的原則，甚至沒有可以參考的最佳實踐。

不管是從資源還是從專業性方面來說，大數據分析已經成為基礎架構領域當中真正的難題。顧名思義，大數據分析工具所針對的數據集合，規模將會非常龐大，並且需要大量的計算、存儲和網路資源來滿足性能需求。但是這些大數據工具通常是由超大規模企業開發的，這些企業並不存在普通企業需要考慮的同等級安全問題和高可用性問題，而主流IT企業還沒有深入了解這些工具，再加上大數據在投資回報率方面的不確定性，導致只有非常少的企業願意在大數據方面進行投入。

此外，即便對於曾經在Hadoop、Spark和類似產品上運行過大數據集群的部分企業來說，也會在大數據基礎架構方面遇到技術和業務方面的挑戰。

大數據帶來大問題

一家大型遠程通訊提供商正在構建一種新的數字服務，預計在今年年底正式推出，並且准備使用Hadoop來分析這種服務所產生的內容、使用情況和收入（廣告服務）數據。但是由於這種服務是全新的，因此很難分析應該使用哪種大數據基礎架構，負責這個項目的技術副總裁表示。

「對於一個還沒有推出的項目來說，我們不可能進行任何容量規劃，」他說。

確實，現在很多大數據項目仍然處於初級階段。「大多數大數據項目的性質比我們想像的還要低，」 可擴展存儲基礎架構提供商Coho Data CTO Andrew Warfield表示。

即便企業還不是十分了解大數據技術，但這並不意味著企業不應該在大數據方面投入精力。「但是運行這種技術可能面臨著很大風險，提前認識到這點非常重要，」 Warfield說，他認為企業應該提前考慮基礎架構方面的因素。

對於這家遠程通訊提供商來說，他們將會採用一種漸進的方式，使用來自於BlueData Software的軟體在商用硬體環境當中運行大數據集群，這樣就能夠從現有的存儲系統上訪問數據了。

無處不在的數據

如果數據來自於雲，那麼當然可以直接在雲中進行分析；如果數據全部位於本地，那麼底層的基礎架構也應該位於本地。但是如果數據分散在不同位置，那麼無疑會使得基礎架構更加復雜。

遠程通訊提供商的服務將會同時使用來自於雲和本地的數據。對於任何大數據解決方案來說，考慮到合規性、節省時間和網路帶寬等因素，能夠同時支持兩種數據來源都是十分重要的。「同步生產環境當中的數據是一件非常困難的事情，」這位副總裁說，「我們希望將所有的實例全都指向一個單一數據源。」

此外，雖然數據科學家想要分析的信息是可用的，但是現在還不能進行使用，因為其位於大數據計算工具無法訪問的存儲基礎架構當中，Warfield說。一種解決方案是存儲硬體使用Hadoop Distributed File System或者RESTful API這樣的協議公開這些數據。

注意延遲

對於特性類型的大數據分析來說，將數據從存儲陣列移動到計算環境所花費的時間將會對性能造成嚴重影響。但是如果不將數據跨越整個網路移動到計算環境當中，而是將應用程序移動到數據附近以降低延遲，將會怎樣呢？

將計算環境移動到數據附近並不是一種全新的概念，但是現在出現了一種前所未有的實現方式：Docker。比如Coho Data和Intel通過合作證明了這種概念的有效性，在一個大型金融服務公司當中，使用Docker格式封裝計算節點，之後在上面直接運行Hadoop負載。

在存儲陣列上直接運行Docker容器，這樣做的意義在於直接對附近的數據進行分析，而不再需要跨網路移動數據，同時利用任何可用的計算資源。「相比於其他存儲平台來說，大數據平台的CPU使用率通常會很高，」 Warfield說。「更何況如果你將快閃記憶體加入其中，那麼問題就會變成『我該如何從這種資源當中獲得更多價值？』」

直接在存儲陣列當中運行容器化應用程序是一件非常有趣的事情，但是需要提前對負載進行認真評估，以確保其能夠很好地適應當前環境，為建築行業提供文檔管理服務的Signature Tech Studios公司副總裁Bubba Hines說。這種服務基於Amazon Web Services，使用來自於Zadara Storage的存儲服務。這家公司最近開始評估新的Zadara Container Service，其中容器化應用程序運行在存儲陣列上，可以直接訪問本地磁碟。根據Hines的想法，現在有幾種可能的使用情況：在存儲陣列上運行其災難恢復軟體的容器版本來持續監控用戶數據和工作方面的變化，更改或者驗證主要存儲數據。

但是如果使用Zadara Container Service處理全部數據將沒有什麼意義。Signature Tech Studio的系統正在按照計劃執行數據轉換，並且已經實現大規模容器化了。但是「我們可能不會將所有Docker容器移動到Zadara容器服務當中，因為從體積和規模方面考慮這樣做並沒有意義，」Hines說。「我們必須尋找能夠真正從降低延遲當中獲利的負載。」

以上是小編為大家分享的關於企業應該如何在大數據基礎架構方面做出選擇的相關內容，更多信息可以關注環球青藤分享更多干貨

H. 現在企業里用企業里用的比較多的大數據框架是什麼主要是哪些業務場景會用到

主流的大數據框架，Hadoop、Spark普遍，然後Flink也越來越流行。應用在大數據平台的etl輔助過程。

隨著汽車市場逐步飽和，競爭加劇，車企希望通過擁抱大數據實現精細化經營，領先一步。但是大數據化的過程並非一蹴而就，也不是簡單的大數據技術選擇，更應該看成一個企業級系統工程。本文結合大數據項目實踐和行業理解。

著重闡述了如何系統看待大數據建設和關鍵問題解決思路。背景隨著汽車普及的不斷深入，中國汽車市場逐漸飽和增速放緩，我國車企已邁入了競爭運營的階段。隨著近年大數據的興起，越來越多的車企也選擇投身大數據潮流。

希望通過擁抱大數據，實現更加精細化的業務運營，營銷模式變化，乃至企業轉型，提高自身運營競爭力。如國際頂級車企大眾、寶馬、賓士，還有國內車企長城、吉利等都紛紛開啟了自己的大數據之路。

圖1車企大數據典型案例然而，在大數據化進程中，車企卻發現演變過程並不是那麼一帆風順，在和車企交流中，往往能聽到業務部門的抱怨。

1.數據質量怎麼這么差，用戶姓名一看就是隨便輸入的，手機號碼居然只有9位。

2.銷量統計錯了，把提車數統計到實銷數里了。

3.你做的分析功能我們不需要，對了，我們庫存預測到底能不能做。信息化部門卻會感覺到困惑。

4.我們已經採用先進的大數據技術平台了，但是該做些什麼業務。

5.我們哪裡知道業務部門對應計算口徑是什麼，業務需求不清楚。

6.你這個業務需求，我們心裡沒數。由此可見，如何構建一個高效大數據平台，不僅僅是簡單的IT系統建設，更不是簡單購買了大數據平台就能實現大數據分析。企業大數據化更應該是一個系統，要貫穿管理-業務-系統-數據。

逐步規劃，逐步建設，而不是一蹴而就。因此，基於大數據思考、實踐模式，聯想總結出企業大數據建設框架，針對其中關鍵問題提出思考和分析。

I. 【科普】企業中，大數據部門的常見組成

在IT公司里，大數據部門的成員，一般可分為4種：（以房子為例）

先用一張圖，幫助大家理解一下～～
出道題目，我們公司的大數據部門，目前有這些崗位，你能一一推測出他們的所在位置嗎？
【數據應用工程師】、【數據可視化工程師】、【數據可視化設計師】、【數據平台工程師】、【演算法工程師】、【數據分析師】

建房子地基（埋在地下）的那群人
他們就是 平台組/架構組 的那群人，他們負責搭建一套大數據的平台架構體系。一般你肉眼看不到他們的產出，但是當某一堵牆壁歪了的時候，或者你進屋打水但水龍頭卻流不出來水的時候，你就會意識到他們工作的重要性。
平台組的常見發展路徑 ：
平台初期，很多公司會用自己的伺服器搭一個 私有集群 ，將數據維護起來，開始構建數據平台的第一步。這個，也是原始的大數據平台。（當然，現在有很多公司也是直接上雲伺服器）
當平台進入高速發展期，考慮到不斷擴充的數據量和伺服器的維護成本上升，很多公司會遷移平台到 雲服務 上，比如阿里雲，華為雲。雲服務的選擇要解決的是選擇平台所提供的服務，成本，數據通道的維護。【我們公司目前正處於這一階段，選擇了雲服務。當前，經過考量也正在由阿里雲遷移到華為雲】
還有一個階段，你發現雲服務的費用太高，雖然省了你很多事，或者是考慮到敏感數據的安全問題（當然，私有集群也不是百分百安全），然後又開始往 私有集群 遷移。這時候，鑒於數據規模，你大概需要一個靠譜的團隊，設計網路布局、設計運維規范、架設監控、建立機房，值班團隊走起7*24小時隨時准備出台。
至此，產生了平台組，真的大數據平台來了 。

建屋子（砌牆蓋瓦）的那群人 ：
應用組 的那群人，他們負責建設各類系統/應用。他們搬磚砌牆，建好房子，還要鋪設各類管道線路，把地基裡面的數據抽出來，放在房子里，讓用戶們推開門就可以享用。
應用組，有哪些應用？ ：
這塊不太好講。不過，為了盡量讓大家看懂，用 從大到小的思路 嘗試下：
在整個社會層面，大數據已應用於各行各業，比如：金融行業/地產行業/零售行業/醫療行業/農業/物流行業/城市管理等等……有哪一個行業，可以脫離數據而生存？有哪一個行業可以不依賴數據而發展？
那麼，在一個企業中，數據必然是無法避免的會應用到，不管是1個員工的皮包公司，還是10萬員工的跨國集團。so，我們來講講具體有哪些應用呢？
一般而言，數據應用分為3類：分別是面向企業內部， 面向企業外部以及面向用戶這三種。

這里，鑒於今天的主題，我們只講 面向企業內部 的大數據應用。
進入正題了：
企業內部產品中，可以從2個角度來看待具體有哪些應用：

策略類 的方向較多，常見的有：

這些有時候會有部分或全部不劃在大數據部門下面，但都需要比較規范的數據基礎，以及著重與利用數據分析調整產品策略。

做企業內部的大數據應用產品，常常有些心酸的地方：

屋子裡面的人 ：
產品組 的那群人，主要是一群產品經理（我們公司，目前就半個，由一個分析師兼職著，所以，我們公司沒有產品組哦），負責數據類的應用產品設計。他們和上面建房子的工程師們，是緊密的團隊關系。鑒於上面對數據應用產品已做了很多闡述，關於他們工作產出的應用具體有哪些，這里就不再贅述。
講一講， 數據產品經理 的從業人員得有幾個素質：

屋子外面的人 ：
分析組 的那群人，一般會有3類：數據分析師、演算法工程師 （類似數據挖掘） 、數據科學家 （我們公司沒有） 。他們工作的日常：為你提取一份EXCEL數據、製作一張報表數據、用演算法模型分析一個問題、訓練出一套演算法模型等等工作，但不局限於此。
他們常常需要與各個部門打交道，接待很多業務的數據需求，與業務關系緊密。在一些公司，分析組不一定都設置在大數據部門下，他們可能分散在不同的業務部門，為各自部門服務。但是，他們終究也是需要從大數據平台來獲取所需的業務數據，做分析處理，得到相關結論～
據我所知，我們公司的業務部門，（好像）也是有自己的分析人員。
簡單概括一下這些職位的特點：
【數據分析師】
業務線，負責通過數據分析手段發現和分析業務問題，為決策作支持。
【演算法工程師】/【數據挖掘工程師】
偏技術線，負責通過建立模型、演算法、預測等提供一些通用的解決方案，當然也有針對某業務的。
【數據科學家】
數據科學家是使用專業知識構建機器學習模型，再以此做出預測並對關鍵業務問題進行解答的專家。數據科學家仍然需要對數據進行清洗、分析以及可視化處理，這一點和數據分析師是一致的。不過數據科學家在專業技能方面有者更深的研究，涉獵范圍也更廣，同時他們也能夠對機器學習模型進行訓練與優化。

至此，整篇文章，已經講差不多了。
最後總結下，本質上，圍繞房子的這4撥人，做的是同一件事情： 提供數據服務 。

完結～

J. 大數據平台有哪些架構

01

傳統大數據架構

以上的種種架構都圍繞海量數據處理為主，Unifield架構則將機器學習和數據處理揉為一體，在流處理層新增了機器學習層。

優點：

提供了一套數據分析和機器學習結合的架構方案，解決了機器學習如何與數據平台進行結合的問題。

缺點：

實施復雜度更高，對於機器學習架構來說，從軟體包到硬體部署都和數據分析平台有著非常大的差別，因此在實施過程中的難度系數更高。

適用場景：

有著大量數據需要分析，同時對機器學習方便又有著非常大的需求或者有規劃。

大數據時代各種技術日新月異，想要保持競爭力就必須得不斷地學習。寫這些文章的目的是希望能幫到一些人了解學習大數據相關知識 。加米穀大數據，大數據人才培養機構，喜歡的同學可關注下，每天花一點時間學習，長期積累總是會有收獲的。