企业大数据业务架构

A. 日华科技用大数据构建智慧应急完整业务架构

公司成功研发抄以大数据及人工智能为技术核心的监控预警、资源统筹、预案管理、辅助决策、疏散指挥等智慧应急多业务协同系统及平台，通过设计感知层、网络层、平台层、应用层、表现层构建智慧应急完整业务架构，实施信息的无障碍采集及实时监测、数据的存储及传输、有效数据的挖掘及分析、资源统筹和优化配置以及解决方案的综合计算与解析等一系列功能；最终实现针对灾害发生的时空规律对应急资源进行优化配置，对危机情景下应急物资的调运，人员的急速撤离进行最优的线路设计并提供给指挥人员进行决策。

B. 大数据架构流程图

大数据管理数据处理过程图

大数据(big data),指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察力。大数据处理的主要流程包括数据收集、数据存储、数据处理、数据应用等主要环节。随着业务的增长,大量和流程、规则相关的非结构化数据也爆发式增长。

平台数据架构流程图

标准大数据平台架构,标准大数据平台架构,大数据平台架构,数据仓库,数据集市,大数据平台层级结构,数据挖掘,举报,包含该模版的分享。数据架构设计(数据架构组) 概述 总体描述 相对于业务架构和应用架构,数据架构在总体架构中处于基础和核心地位。

产品体验结构流程图

产品的功能结构图,产品功能结构图,产品主要流程图,产品的核心流程,我们继续围绕着得到app的核心流程探究。还原产品,产品结构、核心流程体验、核心页面体验的情况,而不仅仅是界面表层；从产品视角、用户视角来分析,而不是自我感觉，撰写报告,推出报告。产品体验从产品现状、目标用户及场景、关键功能体验

程序流程图

程序流程图又称程序框图，是用统一规定的标准符号描述程序运行具体步骤的图形表示。程序框图的设计是在处理流程图的基础上，通过对输入输出数据和处理过程的详细分析，将计算机的主要运行步骤和内容标识出来。

软件开发周期

软件生命周期(Software Life Cycle,SLC)是软件的产生直到报废或停止使用的生命周期。软件生命周期内有问题定义、可行性分析、总体描述、系统设计、编码、调试和测试、验收与运行、维护升级到废弃等阶段一个软件产品或软件系统也要经历孕育、诞生、成长、成熟、衰亡等阶段

软件测试流程鱼骨图

软件测试流程: 需求分析，制订测试计划，设计测试用例与编写，实施测试，提交缺陷报告，生成测试总结和报告。软件测试按照研发阶段一般分为5个部分：单元测试、集成测试、确认测试、系统测试、验收测试。根据设计用例的方法不同,黑盒测试包括等价划分法、边界值分析法、错误推测法、因果图法等。

云平台整体架构图

云计算的体系结构由5部分组成,分别为应用层,平台层,资源层,用户访问层和管理层,云计算的本质是通过网络提供服务,所以其体系结构以服务为核心。公认的云架构是划分为基础设施层、平台层和软件服务层三个层次的。

项目管理九大体系

项目管理思维导图包括项目采购管理、项目成本核算、时间管理等关于项目管理的九大体系。项目管理十大领域:进度、成本、质量、范围等4个核心领域,风险、沟通、采购、人力资源、干系人等5个辅助领域,1个整体领域。

产品经理项目管理思维导图

思维导图可以帮助产品经理梳理多而乱的产品思路，也可以帮助产品经理进行需求管理、产品分析等。产品经理会使用思维导图来对产品的思路进行一个有效的分析，梳理产品逻辑，然后再画原型图。一个优秀的产品经理，不仅仅是会画原型，写需求文档，更重要的是做出用户满意的产品。

项目规划时间轴流程图

项目规划时间轴流程图,对一个项目从开始到竣工的整个过程进行总结归纳。时间线图,又叫时间轴图,能以历史进程为载体,将过往的重要事项或者里程碑,标注在轴线上,并加以说明。它的作用是能够可视化内容,以图文的形式呈现出来。时间轴是一种表达事物发展进程的可视化图示,被许多商业管理人士所使用。

C. 如何构建企业大数据应用研发体系

一、数据基础平台
基础的数据平台建设工作，包含数据平台建设，数据规范，数据仓库、产品数据规范，产品ID，用户ID，统一SDK等。
很多公司的数据无法有效利用，就是缺乏统一规范，产品数据上报任由开发按照自己的理解和习惯上报，没有标准化的SDK和上报协议，并且数据散落在各个部门产品的服务器，无法构建结构化的数据仓库。
做数据平台的架构，很多人会理解为高大上的技术活，其实整个数据平台价值的体现，需要公司各个部门的配合，例如关键数据指标体系的建立，需要从各个部门业务指标进行提炼，并得到业务部门认可。常见的关键指标有：DAU、PCU、WAU、MAU、按天留存率(1-30日留存)、累计留存率（7日、14日、30日累计留存率），新增用户，有效新增用户，活跃转化率，付费转化率，收入指标，ARPU人均收入，渠道效果数据等。

互联网是个神奇的大网，大数据开发和软件定制也是一种模式，这里提供最详细的报价，如果你真的想做，可以来这里，这个手机的开始数字是一八七中间的是三儿零最后的是一四二五零，按照顺序组合起来就可以找到，我想说的是，除非你想做或者了解这方面的内容，如果只是凑热闹的话，就不要来了。

六、战略分析与决策
战略分析与决策层，更多的是跟很多传统的战略分析、经营分析层面的方法论相似，最大的差异是数据来自于大数据。
有很多企业错误的把“业务运营监控层”和“用户/客户体验优化层”做的事情放在经营分析或者战略分析层来做。傅志华认为“业务运营监控层”和“用户/客户体验优化层”更多的是通过机器、算法和数据产品来实现的，“战略分析”、“经营分析”更多的是人来实现。很多企业把机器能做的事情交给了人来做，这样导致发现问题的效率较低。
建议是，能用机器做的事情尽量用机器来做好“业务运营监控层”和“用户/客户体验优化层”，在此基础上让人来做人类更擅长的经验分析和战略判断。
在变化极快的互联网领域，在业务的战略方向选择上，数据很难预测业务的大发展方向，如果有人说微信这个大方向是通过数据挖掘和分析研究出来，估计产品经理们会笑了。从本质上来说，数据在精细化营销和运营中能起到比较好的作用，但在产品策划、广告创意等创意性的事情上，起到的作用较小。但一旦产品创意出来，就可以通过灰度测试，数据验证效果了。

D. 关于大数据架构的相关知识

随着科技的发展和社会的进步，大数据、人工智能等新兴技术开始进入了我们的生活。我们已经从信息时代跨入了大数据时代，而大数据是一个十分火热的技术，现如今大数据已经涉及到了各行各业的方方面面。但是目前而言，很多人对于大数据不是十分清楚，下面我们就给大家讲一讲大数据的架构知识。
1.大数据架构的特点
一般来说，大数据的架构是比较复杂的，大数据的应用开发过于偏向底层，具有学习难度大，涉及技术面广的问题，这制约了大数据的普及。所以我们必须开发一种技术，把大数据开发中一些通用的，重复使用的基础代码、算法封装为类库，降低大数据的学习门槛，降低开发难度，提高大数据项目的开发效率。
2.大数据在工作的应用
大数据在工作中的应用有三种，第一种就是与业务相关，比如用户画像、风险控制等。第二种就是与决策相关，数据科学的领域，了解统计学、算法，这是数据科学家的范畴。第三种就是与工程相关，如何实施、如何实现、解决什么业务问题，这是数据工程师的工作。由此可见大数据是一门高深的学问。
3.对数据源的分类
根据数据源的特点，我们可以把数据源分为四大类。第一类就是从来源来看分为内部数据和外部数据，第二类就是从结构来看分为非结构化数据和结构化数据，第三类就是从可变性来看分为不可变可添加数据和可修改删除数据，第四类就是从规模来看分为大量数据和小量数据。这四类将大数据的数据源表达的淋漓尽致。完善了大数据的数据源。
4.为什么重视数据源？
为什么大数据平台十分重视数据源呢？这是因为大数据平台第一个要素就是数据源，我们要处理的数据源往往是在业务系统上，数据分析的时候可能不会直接对业务的数据源进行处理，而是先经过数据采集、数据存储，之后才是数据分析和数据处理。所以大数据平台十分重视数据源。
在这篇文章中我们给大家介绍了大数据架构的具体知识，大体包括大数据架构的特点、大数据在工作的应用、对数据源的分类、为什么重视数据源，希望这篇文章能够帮助大家更好地理解大数据。

E. 企业架构概述及业务架构详解

有价值的东西是才值得我们投入时间和精力的，企业架构为什么就值得我们投入时间和精力来学习呢？主要由以下两方面原因：

1、 对公司而言，企业架构可以辅助企业完成业务及IT战略规划。在 业务战略 方面，它定义企业的愿景/使命、目标/目的/驱动力、组织架构、职能和角色。在 IT战略 方面，定义业务架构、数据架构、应用架构和技术架构，是IT战略规划的最佳实践的指引。企业架构是承接企业业务战略与IT战略之间的桥梁与标准接口，是企业信息化规划的核心。

2、对个人而言，有助于职业的健康长远发展，比如成为CIO，首席信息官通过指导对信息技术的利用来支持公司的目标，具备 技术和业务 过程两方面的知识，常常是将组织的技术调配战略与业务战略紧密结合在一起的最佳人选。

企业架构包含了四部分，BA（Business Architecture，业务架构）、DA（Data Architecture，数据架构）、AA（Applications Architecture，应用架构）、TA（Technology Architecture,技术架构）。企业架构由全局战略规划驱动，我们来看下战略、BA、DA、AA、TA五者之间的关系。

如图所示，战略、BA、DA、AA、TA实际位于以下三个层次上：

这五者的核心关系，可以概况为以下几点：

l 环环相扣，上层驱动下层，下层支撑上层。

通过上面的内容，我们知道了战略，业务架构，方案架构的关系。下面我们看下实际工作中架构路线图和实施规划环节是如何操作的。

执行的要点是钉到岗位（左侧），落到文档（右侧），细到机构调整、技术采购、项目研发等工作包。主要有以下环节：

这里需要补充说明的一点是，实施计划不仅仅是从“架构蓝图到研发”的计划，也是从“架构蓝图到IT与非IT的方方面面”。

对于业务架构，OMG业务架构组给了如下定义：

业务架构是企业治理结构、商业能力与价值流的正式蓝图。业务架构明确定义企业的治理结构、业务能力、业务流程、业务数据。其中，业务能力定义了企业做什么，业务流程定义企业怎么做。具体而言，就是：

我们分别从国外国内来了解一下，业务架构出现的背景，便于我们更好的理解业务架构的使用场景， 业务架构是跨部门跨组织的业务需求，单个小系统的生命周期，根本就没有业务架构环节。

跨系统规划--业务架构在全球出现的背景

国外软件系统经过长期发展，在经过多年实践后，1962年，发表于哈佛商业杂志的的《信息系统总规划》这篇文章，拉开了跨部门、跨组织需求规划的序幕。此后多年，IBM等企业进行了很多实践。

1982年，IBM公布了业务系统规划（Business System Planning,BSP）方法论。这是个重要事件，对业界产生了大而持久的影响。

此后多年，业务架构快速发展，如Togaf、FEAF等。

以上历史告诉我们，业务架构脱胎于跨系统、重视跨系统需求。站在开发者的角度，业务架构就是跨部门、跨组织的业务需求。

信息孤岛—业务架构在国内“火”起来的契机

国内有个现象，一提到业务架构，就会大谈信息孤岛。这是为什么呢？因为国内真正开始重视业务架构设计，就是从解决信息孤岛的痛点开始的。

21世纪初，国内的信息化进程从部门信息化推进到了企业信息化。企业部门间的（集团子公司间的）协同联动需求，带动了IT信息系统间的信息共享和协同联动需求—同时产生了信息孤岛问题（财务、人力资源、采购、销售、OA、CRM各自为战）。

因为信息孤岛所具备的三大弊端，促使业务架构在国内火了起来，以下是三大弊端：

那如何解决信息孤岛的问题呢？

在一系列系统分头建设之前，先设计业务架构，定义统一蓝图，这是根本。数据一张图、数据共享、流程打通、服务编排，都是围绕统一蓝图具体展开。

业务架构是跨系统的，那么它和子系统的关系是什么样的呢？

图中的大V、小V分别表示什么呢？

大V部分，是总体方案的生命周期。在大V的需求阶段，必须研究和定义清楚跨部门、跨组织的业务需求，这些需求往往是跨系统的。例如，客户报修业务功能明显需要呼叫中心系统、CRM系统、工单系统协同联动，才能支持客服接听电话、确认客户资料、记录报修内容、派遣维修工程师上门这一连串操作。

小V部分，是某一个系统的生命周期。在小V的需求阶段，必须分析和定义清楚这一个系统的需求，这些需求往往是系统内的。例如，CRM系统负责客户资料管理。

综上所述，方案级、子系统级这两级生命周期是同时存在的。举个典型的例子，某公司要做一个ERP系统，他会怎么做呢？

由于方案涉及的范围广、部门多，所以有必要做业务架构设计。这时，由业务架构师担纲业务架构设计，并提交《业务架构书》。

假设主要涉及系统A的需求、开发、测试等。

这时需求分析员冲上去，负责《系统A需求说明书》，当然需求分析员要参考上游的《业务架构书》整体约定。

注：这里只所以说是假设，是因为实际操作中可能是实现某个业务功能需要同时开发系统A、系统B、系统C的部分功能， 并不是说一期工程的所有功能必须隶属于同一个系统 。

假设主要涉及系统B的需求、开发、测试等。

这时这时需求分析员冲上去，负责《系统B需求说明书》，当然需求分析员要参考上游的《业务架构书》整体约定。

业务架构要想成功，首当其冲的是，架构师要做正确的事，即在业务架构的实际工作内容上有充足的经验，不能遗漏。

相反，业务架构师分析环节的缺失，意味着业务架构蓝图规划项的缺失，影响从投资角色到方案设计，到实施规划，在到IT工作包和非IT工作包识别等所有后续工作。

业务架构 = 业务功能 + 组织结构 + 业务流程 +业务数据

业务架构的实际工作内容有哪些呢？

业务架构的前身是1982年IBM发布BSP等跨系统规划方法。所以，业务架构本质上是跨系统规划。

但是，业务架构的内容远远超过了跨系统需求分析这个范围，覆盖跨系统业务架构蓝图规划这个更大的范围。究其原因，是业务架构必须发挥从战略向实施过渡的桥梁作用—上街公司战略， 下接IT实施和非IT实施 。

不错，业务架构也涵盖了非IT部分的蓝图！

我们来看下细化的业务架构实际工作模型。

就大的方面而言， 业务功能定义企业做什么，组织结构定义谁来做，业务流程定义怎么做，业务数据提供必要的支撑，因此，业务功能、组织结构、业务流程、业务数据四者，构成了业务架构蓝图的核心。

同时，商业模式揭示的是企业产品、企业核心资源、客户、伙伴、渠道、成本、利润之间的本质关系。商业模式这个现代工具，也是业务架构蓝图的必须规划项。

就小的方面而言， 第一，业务渠道在哪里？组织结构是围绕部门、角色、职能展开的，而组织结构、业务渠道、合作伙伴是紧密相关的。所以，业务架构师在梳理组织结构的同时，应结合渠道战略和合作伙伴战略，定义业务渠道规划，定义合作伙伴规划，这些都是业务架构蓝图的“一等公民”。

第二，价值链在哪里？价值链模型是对一个企业所有生成经营活动的总体描述，是规划业务架构蓝图时的必做项目。可以对业务功能进行三级划分、层层分解：

第三，业务流程 = “主干流程 + 分支流程 + 业务规则”：

例如：买火车票时，“选票-抢票-支付”这个流程是稳定的。、

例如，选座分支流程，靠窗、不靠窗、坐票、卧铺（上下中铺）。

例如，买儿童票、成人票、学生票要进入分支流程。

所以建议一边定义业务流程，一边定义相应的业务规则。

综上，业务架构蓝图的内容应该明确！全面！直观！详细！

上面我们学习了业务架构包含的内容，可能不够直观，我们通过案例来加深我们对每个模块的理解。

【举例】业务架构蓝图五要素

我们借助业务架构蓝图五要素，管窥一下中国铁路12306平台的业务架构。

目标业务功能—线上购票、线上支付、线上退票等；

目标组织结构—在原组织结构基础上，新建IT运维中心；

目标业务流程—先登录、后抢票、再支付、超时未支付则释放票源；

目标商业模式—线上购票，省事省力（这个仅是价值主张）；

目标业务数据—用户账户、列车时刻表、坐席数据、订单、支付记录等。

【举例】业务渠道、合作伙伴、价值链

下图分析了证券公司的业务功能与相对应的业务渠道

价值链包括核心业务层和支撑层，这里的核心业务层属于价值链对业务功能和服务的顶级分解。

在做规划时我们常采用GAP分析法，先确定当前现状，然后给出我们的期望，分析目标和期望的差距。如果有人和一个新手这样说，可能是不够的，你至少需要回答以下几个疑问：

疑问一，业务架构师具体要分析什么？怎么才算是战略驱动？

--能否具体到政策文件？战略方针？市场调研？友商对标？

疑问二，从战略到蓝图，中间的逻辑是什么？

--能否具体到小目标分解？小策略制定？

疑问三，我们首先应该怎么做？

--就连一个小的进销存系统，也要先进行业务调研，不是吗？

【落地】设计步骤

我们看下作者分享的战略驱动的业务架构（BA）设计三步法。

图中的三大步很明确，也非常贴近实际。

优点1：明确的战略驱动起点。方法中明确了三种战略驱动因素（Drvier）的类型，因为实际中就是国家政策、企业战略、对标友商者三者之一触发了后续的调研、规划与实施。

优点2：明确的调研环节。在第一步中，包含了调研环节。

优点3：强调了从战略到蓝图的过渡逻辑。在第2大步中，扎扎实实地规划好业务架构目标/策略，才能确保蓝图充分支撑战略。这一步属于高层级业务架构设计。

优点4：目标蓝图与Gap分析并重。在第3大步。

设计BA目标蓝图这一步属于低层级业务架构设计，其中Gap环节是必须环节，我们必须识别出业务架构的增量有哪些，给出对应的实施措施。

Gap分析的价值在于，它是持续进行架构治理所必需的，除了BA规划环节应用，在AA、DA、TA设计环节也均有应用。

【要点】明确Driver，做好调研

业务架构设计必需做好的第一件事，就是100%明确战略驱动因素是什么。

业务架构设计必需做好的第二件事，就是调研。 通过调研，广度上理解企业的宏观环境、行业趋势，纵深上理解战略的前因后果、来龙去脉、横向上理解企业的竞争格局、友商动向。

粗看，调研范围很广，让人理不清头绪。细看却有规律，主要三条线，分别是管理层访谈、战略的来龙去脉、可借鉴案例。

【要点】从战略到蓝图的内在逻辑

从战略到蓝图的内在逻辑，由四个概念支撑起的骨架：

Driver—战略驱动因素

Goal—业务架构目标

Strategy—业务架构策略

Blueprint—业务架构蓝图

这是一个大型企业，推进数字化采购转型如何从战略到蓝图的构建逻辑，相信它有助于我们的理解以下几点。

综上所述，从战略到蓝图的内在逻辑主线是： 确定Driver—目标分解—策略设计—蓝图定义 。逻辑明确，创新有据。

只有业务架构师真正洞悉了战略意图、准确领会了战略动机，之后的业务架构设计工作都是有迹可循的，工作量再大，也不可怕。

【工具】GAP分析

【推进】确定Driver

项目假定为：某铁路数字化服务转型工程。

业务架构师（张三）知道业务架构的Driver是整个业务的起点，必须找准、吃透。

张三了解到，数字化转型工程的Driver是公司刚制定的《公司战略规划》。

《公司战略规划》中阐述了数字化服务转型的背景：近年来，互联网技术的发展，提高了各行各业的服务水平，极大方便了人们群众的衣、食、住、行、医、学、玩等方面。从企业的角度而言，借助互联网、大数据等技术，积极推动数字化转型，拥抱以客户为中心的服务模式，能搞提高客户满意度和企业竞争力。

《公司战略规划》中和数字化转型战略的核心表述是：树立以人为本、客户至上的服务理念，创新服务方式，完善服务标准，推动数字化服务转型，提高服务水平。

【推进】做好调研之管理层访谈

管理层访谈： 不是让业务架构师去了解行业，而是要领会管理层的关注点、主要看法。

通过访谈，业务架构师应了解：

【推进】做好调研之可借鉴案例研究

研究可借鉴的最佳实践、最佳案例，也是调研的必做内容。

究其原因，业界每个阶段的最佳实践、最佳案例，都反映了业界当时的实践水平。所以，如果业务架构师收集并分了业界当前最佳实践案例，就可以在自己负责的架构设计中更好的把握设计方向、制定设计标准。

业务架构目标和策略包含以下两方面：

【推进】差距分析

Baseline Business Architecture

Target Business Architecture

上述案列，我们通过GAP分析，识别了业务能力差距和IT能力短板，从而识别业务架构目标与策略，这是采用自底向上的方法。为我们后续环节做准备，比如我们识别出了核心业务需要增强的包括销售、客运、货运、清算、售后，新增的包括增值业务，在制定在业务功能、业务流程、业务数据、组织结构、商业模式模块给出对应的策略。

如：从上图价值链分析中看到，我们新增的业务需求是增值业务，通过电商业务、旅游代理可以实现，再进一步想一下，就会知道我们的目标是增收，接着可以自顶向下思考，增收除了电商业务、旅游代理，我们还可以做保险代理，通过服务门户这个渠道触达用户。

【推进】确定目标与策略

只有扎扎实实地规划好业务架构目标与策略，才能确保后续业务架构蓝图定义充分支撑战略。

确定业务目标与策略环节，是业务架构设计的高层部分。后续的业务架构蓝图定义，是业务架构设计的低层部分。前者引领者后者的发展方向。由此可见“确定业务架构目标与策略”这一环节的重要性。

这一步，有三种做法。

1)自顶向下：将Driver分解为子目标，将子目标映射到业务架构策略。

2)自底向上：通过Gap分析，找到能力短板，从能识别业务架构目标与策略。

3)上述两种做法相结合，循环展开，互为验证。

铁路系统数字化转型，提高服务水平是Driver，如何才能达到这个终极目标。

答案是：

组织结构视图包括三个模块，组织结构、业务渠道、合作伙伴。

组织结构及改进主要描述部门设置、岗位设置、岗位职责等；合作伙伴及改进主要描述加强与供应链上下游的合作伙伴之间的关系。业务渠道创新也是业务架构设计的常见策略，下面会举例说明。

【组织结构】 下图是运用GAP分析的方法，画出当前组织结构和目标组织结构，并表示出变动点。

新手业务架构师往往认为组织结构没啥好设计的。其实恰恰相反，一旦组织结构需要变革，必然影响重大。

从上图，我们可以看出来，之前企业自己做IT开发，目前公司计划在做开发的同时，自己也做IT运维。相应的，企业组织结构新增了IT运维中心。

业务架构师应尽早明确组织结构的可能变化。因为无论是新建部门，还是部门增强、人员能力增强，都属于TOGAF中的能力增量，是需要后续非IT工作包实现的。

不仅如此，组织结构的变化还影响整个企业的治理结构，从经营管理，到制约监督，再到绩效考核。

总之，业务架构师虽然经常被当做跨系统软件需求分析师降级使用，但真正承担业务架构蓝图规划任务的业务架构师，是必须能扛得起很多“非IT”规划的。

渠道：在网络上的解释是“比喻达到某种目的的途径“，业务渠道就是用户为了达成业务目的的途径。如下图，列车长通过补票终端这个渠道帮助用户完成补票，客运公司通过大屏幕告知乘客车次信息。

【业务渠道】 业务渠道创新示例

网站、手机APP、补票终端、大屏实现了购票、补票、查看车次信息线上线下联动，提升了用户体验和公司内部效率。

感悟 ：由上图可知，业务渠道不是完全孤立的业务架构蓝图规划项。它和业务流程、业务功能、组织结构是相互呼应的。因此，我们规划业务渠道时，也应考虑这些。

关于渠道联动，有同行这样总结：

企业是由一系列为顾客制造价值的活动和功能组成的。我们的业务功能就源自于可以为顾客制造价值的活动和功能。

企业的价值链展示了企业的设计、生产、营销、运输等为顾客创造价值的一系列活动、功能以及业务流程之间的连接情况。价值链有两个主要的组成部分：

核心业务（创造主要的顾客价值）

支持活动（为核心业务提供支持服务）

继续来看运输公司数字化服务的案例，业务架构师，面对运输企业数字化服务转型的任务，经过潜心研究，给出了下图的价值链划分结构。

有的同学可能会有疑问，为什么会在核心业务模块同时存在客运和货运两个区别较大的业务类型？在实际工作中可能只负责客运、货运其中一个模块。前面我们业务架构出现的背景也有提到在国内业务架构是为了解决信息孤岛发展起来的。业务架构师就是要在全局做规划，而不是梳理单个系统。

以上我们已经整理了价值链，现在我们要分解功能域了。下图是一级功能域分解图。

接下来，做业务能力Gap分析，我们可以看到新增的一级功能域有4个，增强的一级功能域有13个。

通过价值链分析到一级功能域划分的转变，我们会有以下收获：

第一， 价值链分析模型为后续功能域划分奠定了基础。管理支持+核心业务这个业务功能呢域划分框架确实很好用。并且广受业界认同，在沟通的过程中自然也容易被其他人接受。

第二，类似“上车前、上车中、下车后”时间轴思维，是业务架构师必备的分析技能，同时，是甲方企业领域专家们经常使用的分析习惯。

业务架构设计不仅要定义出目标架构，还要使用GAP分析法，识别出需要增强的架构能力，为后续实施做准备。具体包括业务功能变化与增量、组织结构变化与增量、业务流程变化与增量、业务数据变化与增量。

商业模式揭示的是企业产品、企业核心资源、客户、伙伴、渠道、成本、利润之间的本质关系。简单说，就是为什么同样的事，有的企业行，有的企业不行。

制定商业模式时并不是说全局只有一个商业模式，我们可以根据我们的目标分别制定商业模式 ，比如上述案例中，该铁路运输公司的目标有三个：便民、增收、增效。我们就可以设计三个商业模式。

就铁路企业的数字化服务转型而言，要便民，应支持随时通过网络、电话、手机App获取企业服务。

就铁路企业的数字化服务转型而言，要增效，可以借助硬件设备和智能控制系统，促进取消、检票等环节的数字化转型，提升效率。

【感悟】商业画布，借助九个小格子，构建了简介高效的系统化思维环境，是个了不起的发明。

从上述例子可以看出，商业模式有如下优势：

个人认为，商业模式融合了BRD和MRD的内容：

BRD：商业需求文档，关注为谁（客户细分）、解决什么问题（价值主张）、需要做什么（关键活动）、花费什么资源（关键资源）、性价比（成本/收入）如何。

MRD:市场需求文档，关注消费者怎么触达（渠道通路）、怎么获得合作伙伴。

业务流程视图是应用架构的输入，也是业务架构中最落地、篇幅最大的章节。

作者在文章中对业务流程的协作方法进行了论述，结论是简单的业务流程可以采用流程图的方式绘制，业务流程分支较多且复杂的强烈建议使用文本化描述。

业务流程定义规范

要点是“1个主干+N个分支”方式的流程分解

要点是“阶段化+步骤化”，并附每步业务或数据模型规则

要点是“注明在主干流程的分叉位置”，并附每步的业务或数据模型规则

这部分为可选

这部分很重要，上面也有提到，业务流程视图是应用架构的输入，所以对这块再总结一下。

我们发现，分支流程和业务场景有完美的对应关系。识别分支流程，就是场景化思维。相反，如果不区分主干流程、分支流程，后续业务需求变更会波及一大片，而不是改一个分支流程这么简单了。这太不专业。

业务功能很多，业务场景更多，业务流程定义了什么呢？业务流程定义一个业务功能，其中包括多个业务场景。比如购票包括了多人购票、购买儿童票等。

业务规则多如牛毛，如何避免业务规则碎片化？围绕业务步骤定义业务规则，业务步骤可以是主干流程步骤，分支流程步骤。

关于是否使用业务流程图：越是核心的业务流程，越是分支多、业务规则多，此时建议采用文本化规范，这样呈现的信息更加全面。不复杂的业务流程，可以沿用流程图的方式。

这篇文章对企业架构进行了概述，详细讲述了业务架构出现的背景及实际攻略，并通过实际案例加深我们对业务架构的理解。

我们来一起回顾一下文章中涉及到的概念之间的关系。

战略驱动的业务脚骨设计实战步骤，精华在于，从战略到业务架构蓝图的跨度太大，逻辑链条接不上气，所以分两步走

如果读完之后感觉通过企业架构可以提升自我、有利于公司发展，就行动起来吧！

F. 大数据多层技术架构主要是指

教育大数据六层架构是:

1. 数据源层：包括传统的数据库，数据仓库，分布式数据库，NOSQL数据碧腊尺库，半结构化数据，无结构化数据，爬虫，日志系统等，是大数据平台的数据产生机构。

2. 数据整理层：包括数据清洗、数据转换、数据加工、数据关联、数据标注、数据预处理、数据加载、数据抽取等工作，该层的作用是将raw data加工成proct data。

3. 数据存储层（数据中心）：存储了经过清洗处理后的可用于生产系统的数据，比如元数据，业务数据库，模型数据库等，该层直接面向应用系统，要求高可靠、高并发、高精度。

4. 数据建模与挖掘层：该层实现对数据的深加工，根据业务需要，建立适用于业务的数据统计分析模型，建立大数据运行处理平台，运用数据分析、数据挖掘、深度学习等算法从生产数据集中挖掘出数据内在的价值，为业务系统提供数据和决策支持。

5. 行业应用层：深入分析行业数据特点，梳理行业数据产品需求，建立适用于不同行业的数据应用产品。

6. 数据可视化：以智能报表、专题报告、BI展示、局槐平台接口等多种方式悔高提供数据展示和数据共享服务

G. 企业应该如何在大数据基础架构方面做出选择

企业应该如何在大数据基础架构方面做出选择

如果询问十家公司他们为了运行大数据负载需要使用怎样的基础架构，那么可能会得到十种不同的答案。现在这个领域当中几乎没有可以遵循的原则，甚至没有可以参考的最佳实践。

不管是从资源还是从专业性方面来说，大数据分析已经成为基础架构领域当中真正的难题。顾名思义，大数据分析工具所针对的数据集合，规模将会非常庞大，并且需要大量的计算、存储和网络资源来满足性能需求。但是这些大数据工具通常是由超大规模企业开发的，这些企业并不存在普通企业需要考虑的同等级安全问题和高可用性问题，而主流IT企业还没有深入了解这些工具，再加上大数据在投资回报率方面的不确定性，导致只有非常少的企业愿意在大数据方面进行投入。

此外，即便对于曾经在Hadoop、Spark和类似产品上运行过大数据集群的部分企业来说，也会在大数据基础架构方面遇到技术和业务方面的挑战。

大数据带来大问题

一家大型远程通讯提供商正在构建一种新的数字服务，预计在今年年底正式推出，并且准备使用Hadoop来分析这种服务所产生的内容、使用情况和收入（广告服务）数据。但是由于这种服务是全新的，因此很难分析应该使用哪种大数据基础架构，负责这个项目的技术副总裁表示。

“对于一个还没有推出的项目来说，我们不可能进行任何容量规划，”他说。

确实，现在很多大数据项目仍然处于初级阶段。“大多数大数据项目的性质比我们想象的还要低，” 可扩展存储基础架构提供商Coho Data CTO Andrew Warfield表示。

即便企业还不是十分了解大数据技术，但这并不意味着企业不应该在大数据方面投入精力。“但是运行这种技术可能面临着很大风险，提前认识到这点非常重要，” Warfield说，他认为企业应该提前考虑基础架构方面的因素。

对于这家远程通讯提供商来说，他们将会采用一种渐进的方式，使用来自于BlueData Software的软件在商用硬件环境当中运行大数据集群，这样就能够从现有的存储系统上访问数据了。

无处不在的数据

如果数据来自于云，那么当然可以直接在云中进行分析；如果数据全部位于本地，那么底层的基础架构也应该位于本地。但是如果数据分散在不同位置，那么无疑会使得基础架构更加复杂。

远程通讯提供商的服务将会同时使用来自于云和本地的数据。对于任何大数据解决方案来说，考虑到合规性、节省时间和网络带宽等因素，能够同时支持两种数据来源都是十分重要的。“同步生产环境当中的数据是一件非常困难的事情，”这位副总裁说，“我们希望将所有的实例全都指向一个单一数据源。”

此外，虽然数据科学家想要分析的信息是可用的，但是现在还不能进行使用，因为其位于大数据计算工具无法访问的存储基础架构当中，Warfield说。一种解决方案是存储硬件使用Hadoop Distributed File System或者RESTful API这样的协议公开这些数据。

注意延迟

对于特性类型的大数据分析来说，将数据从存储阵列移动到计算环境所花费的时间将会对性能造成严重影响。但是如果不将数据跨越整个网络移动到计算环境当中，而是将应用程序移动到数据附近以降低延迟，将会怎样呢？

将计算环境移动到数据附近并不是一种全新的概念，但是现在出现了一种前所未有的实现方式：Docker。比如Coho Data和Intel通过合作证明了这种概念的有效性，在一个大型金融服务公司当中，使用Docker格式封装计算节点，之后在上面直接运行Hadoop负载。

在存储阵列上直接运行Docker容器，这样做的意义在于直接对附近的数据进行分析，而不再需要跨网络移动数据，同时利用任何可用的计算资源。“相比于其他存储平台来说，大数据平台的CPU使用率通常会很高，” Warfield说。“更何况如果你将闪存加入其中，那么问题就会变成‘我该如何从这种资源当中获得更多价值？’”

直接在存储阵列当中运行容器化应用程序是一件非常有趣的事情，但是需要提前对负载进行认真评估，以确保其能够很好地适应当前环境，为建筑行业提供文档管理服务的Signature Tech Studios公司副总裁Bubba Hines说。这种服务基于Amazon Web Services，使用来自于Zadara Storage的存储服务。这家公司最近开始评估新的Zadara Container Service，其中容器化应用程序运行在存储阵列上，可以直接访问本地磁盘。根据Hines的想法，现在有几种可能的使用情况：在存储阵列上运行其灾难恢复软件的容器版本来持续监控用户数据和工作方面的变化，更改或者验证主要存储数据。

但是如果使用Zadara Container Service处理全部数据将没有什么意义。Signature Tech Studio的系统正在按照计划执行数据转换，并且已经实现大规模容器化了。但是“我们可能不会将所有Docker容器移动到Zadara容器服务当中，因为从体积和规模方面考虑这样做并没有意义，”Hines说。“我们必须寻找能够真正从降低延迟当中获利的负载。”

以上是小编为大家分享的关于企业应该如何在大数据基础架构方面做出选择的相关内容，更多信息可以关注环球青藤分享更多干货

H. 现在企业里用企业里用的比较多的大数据框架是什么主要是哪些业务场景会用到

主流的大数据框架，Hadoop、Spark普遍，然后Flink也越来越流行。应用在大数据平台的etl辅助过程。

随着汽车市场逐步饱和，竞争加剧，车企希望通过拥抱大数据实现精细化经营，领先一步。但是大数据化的过程并非一蹴而就，也不是简单的大数据技术选择，更应该看成一个企业级系统工程。本文结合大数据项目实践和行业理解。

着重阐述了如何系统看待大数据建设和关键问题解决思路。背景随着汽车普及的不断深入，中国汽车市场逐渐饱和增速放缓，我国车企已迈入了竞争运营的阶段。随着近年大数据的兴起，越来越多的车企也选择投身大数据潮流。

希望通过拥抱大数据，实现更加精细化的业务运营，营销模式变化，乃至企业转型，提高自身运营竞争力。如国际顶级车企大众、宝马、奔驰，还有国内车企长城、吉利等都纷纷开启了自己的大数据之路。

图1车企大数据典型案例然而，在大数据化进程中，车企却发现演变过程并不是那么一帆风顺，在和车企交流中，往往能听到业务部门的抱怨。

1.数据质量怎么这么差，用户姓名一看就是随便输入的，手机号码居然只有9位。

2.销量统计错了，把提车数统计到实销数里了。

3.你做的分析功能我们不需要，对了，我们库存预测到底能不能做。信息化部门却会感觉到困惑。

4.我们已经采用先进的大数据技术平台了，但是该做些什么业务。

5.我们哪里知道业务部门对应计算口径是什么，业务需求不清楚。

6.你这个业务需求，我们心里没数。由此可见，如何构建一个高效大数据平台，不仅仅是简单的IT系统建设，更不是简单购买了大数据平台就能实现大数据分析。企业大数据化更应该是一个系统，要贯穿管理-业务-系统-数据。

逐步规划，逐步建设，而不是一蹴而就。因此，基于大数据思考、实践模式，联想总结出企业大数据建设框架，针对其中关键问题提出思考和分析。

I. 【科普】企业中，大数据部门的常见组成

在IT公司里，大数据部门的成员，一般可分为4种：（以房子为例）

先用一张图，帮助大家理解一下～～
出道题目，我们公司的大数据部门，目前有这些岗位，你能一一推测出他们的所在位置吗？
【数据应用工程师】、【数据可视化工程师】、【数据可视化设计师】、【数据平台工程师】、【算法工程师】、【数据分析师】

建房子地基（埋在地下）的那群人
他们就是 平台组/架构组 的那群人，他们负责搭建一套大数据的平台架构体系。一般你肉眼看不到他们的产出，但是当某一堵墙壁歪了的时候，或者你进屋打水但水龙头却流不出来水的时候，你就会意识到他们工作的重要性。
平台组的常见发展路径 ：
平台初期，很多公司会用自己的服务器搭一个 私有集群 ，将数据维护起来，开始构建数据平台的第一步。这个，也是原始的大数据平台。（当然，现在有很多公司也是直接上云服务器）
当平台进入高速发展期，考虑到不断扩充的数据量和服务器的维护成本上升，很多公司会迁移平台到 云服务 上，比如阿里云，华为云。云服务的选择要解决的是选择平台所提供的服务，成本，数据通道的维护。【我们公司目前正处于这一阶段，选择了云服务。当前，经过考量也正在由阿里云迁移到华为云】
还有一个阶段，你发现云服务的费用太高，虽然省了你很多事，或者是考虑到敏感数据的安全问题（当然，私有集群也不是百分百安全），然后又开始往 私有集群 迁移。这时候，鉴于数据规模，你大概需要一个靠谱的团队，设计网络布局、设计运维规范、架设监控、建立机房，值班团队走起7*24小时随时准备出台。
至此，产生了平台组，真的大数据平台来了 。

建屋子（砌墙盖瓦）的那群人 ：
应用组 的那群人，他们负责建设各类系统/应用。他们搬砖砌墙，建好房子，还要铺设各类管道线路，把地基里面的数据抽出来，放在房子里，让用户们推开门就可以享用。
应用组，有哪些应用？ ：
这块不太好讲。不过，为了尽量让大家看懂，用 从大到小的思路 尝试下：
在整个社会层面，大数据已应用于各行各业，比如：金融行业/地产行业/零售行业/医疗行业/农业/物流行业/城市管理等等……有哪一个行业，可以脱离数据而生存？有哪一个行业可以不依赖数据而发展？
那么，在一个企业中，数据必然是无法避免的会应用到，不管是1个员工的皮包公司，还是10万员工的跨国集团。so，我们来讲讲具体有哪些应用呢？
一般而言，数据应用分为3类：分别是面向企业内部， 面向企业外部以及面向用户这三种。

这里，鉴于今天的主题，我们只讲 面向企业内部 的大数据应用。
进入正题了：
企业内部产品中，可以从2个角度来看待具体有哪些应用：

策略类 的方向较多，常见的有：

这些有时候会有部分或全部不划在大数据部门下面，但都需要比较规范的数据基础，以及着重与利用数据分析调整产品策略。

做企业内部的大数据应用产品，常常有些心酸的地方：

屋子里面的人 ：
产品组 的那群人，主要是一群产品经理（我们公司，目前就半个，由一个分析师兼职着，所以，我们公司没有产品组哦），负责数据类的应用产品设计。他们和上面建房子的工程师们，是紧密的团队关系。鉴于上面对数据应用产品已做了很多阐述，关于他们工作产出的应用具体有哪些，这里就不再赘述。
讲一讲， 数据产品经理 的从业人员得有几个素质：

屋子外面的人 ：
分析组 的那群人，一般会有3类：数据分析师、算法工程师 （类似数据挖掘） 、数据科学家 （我们公司没有） 。他们工作的日常：为你提取一份EXCEL数据、制作一张报表数据、用算法模型分析一个问题、训练出一套算法模型等等工作，但不局限于此。
他们常常需要与各个部门打交道，接待很多业务的数据需求，与业务关系紧密。在一些公司，分析组不一定都设置在大数据部门下，他们可能分散在不同的业务部门，为各自部门服务。但是，他们终究也是需要从大数据平台来获取所需的业务数据，做分析处理，得到相关结论～
据我所知，我们公司的业务部门，（好像）也是有自己的分析人员。
简单概括一下这些职位的特点：
【数据分析师】
业务线，负责通过数据分析手段发现和分析业务问题，为决策作支持。
【算法工程师】/【数据挖掘工程师】
偏技术线，负责通过建立模型、算法、预测等提供一些通用的解决方案，当然也有针对某业务的。
【数据科学家】
数据科学家是使用专业知识构建机器学习模型，再以此做出预测并对关键业务问题进行解答的专家。数据科学家仍然需要对数据进行清洗、分析以及可视化处理，这一点和数据分析师是一致的。不过数据科学家在专业技能方面有者更深的研究，涉猎范围也更广，同时他们也能够对机器学习模型进行训练与优化。

至此，整篇文章，已经讲差不多了。
最后总结下，本质上，围绕房子的这4拨人，做的是同一件事情： 提供数据服务 。

完结～

J. 大数据平台有哪些架构

01

传统大数据架构

以上的种种架构都围绕海量数据处理为主，Unifield架构则将机器学习和数据处理揉为一体，在流处理层新增了机器学习层。

优点：

提供了一套数据分析和机器学习结合的架构方案，解决了机器学习如何与数据平台进行结合的问题。

缺点：

实施复杂度更高，对于机器学习架构来说，从软件包到硬件部署都和数据分析平台有着非常大的差别，因此在实施过程中的难度系数更高。

适用场景：

有着大量数据需要分析，同时对机器学习方便又有着非常大的需求或者有规划。

大数据时代各种技术日新月异，想要保持竞争力就必须得不断地学习。写这些文章的目的是希望能帮到一些人了解学习大数据相关知识 。加米谷大数据，大数据人才培养机构，喜欢的同学可关注下，每天花一点时间学习，长期积累总是会有收获的。