课程大纲：

大数据技术课程

【课程背景】
大数据技术是指从各种各样类型的巨量数据中，快速获得有价值信息的技术。解决大数据问题的核心是大数据技术。大数据(bigdata)或称巨量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。大数据分析相比于传统的数据仓库应用，具有数据量大、查询分析复杂等特点。
大数据为企业创造了新的商机。挖掘数据价值是传统企业转型和互联网企业创新的必由之路。然而，复杂的结构化和非结构化数据不能被传统技术处理。大数据挖掘，面对电子邮件、照片、视频、音频、文本等海量信息，新数据可以迅速生成，不同类型的数据混合在一起。对海量数据进行准确、可靠的分析和处理，获取高价值信息，将为企业带来丰厚的利润。
数据产品，承载着大数据中蕴含的逻辑，是一个大数据产业链价值的最终体现。对于一条完整的大数据产业链来说，其本质就是对数据不断挖掘，发现其中的规律，并封装成数据产品，最后用数据产品变现的过程。
课程将以大数据模型与分析为核心要点，帮助学员认识大数据建设的基础、了解数据建模与分析，在企业数字化变革的重要性是什么？信息科技部门在大数据平台建设过程中，应该扮演什么角色？如何利用现代化信息科技，提升数据建模、挖掘与分析成功的机会？使学员能够知其然，更能知其所以然。能够具备引领企业实现成功的数字转型，同时协助企业提升商业模式创新能力，快速占领行业制高点！

【课程收益】
-了解企业实施大数据平台的原由，影响，以及可预期的成效
-熟悉6大高质量数据的标准
-了解“数据建模”在企业大数据应用过程中的定位与重要性
-了解数据建模的方法论与实践案例
-了解业界常用的数据分析工具与方法

【课程对象】
信息科技运维部门主管，信息科技研发部门主管，信息科技部首席/资深系统架构师，CIO（首席信息官）、CTO（首席技术官）、企业安全架构师，信息科技部资深软件设计师，信息科技部资深软件设计师

【课程大纲】
一、“大数据”的内涵为何？
a)“大数据”的构成元素为何？
b)“大数据”具备什么特性？
c)“高质量”数据的标准为何？
i.有效性
ii.准确性
iii.完整性
iv.一致性
v.可追溯性
vi.及时性

二、“数据建模”的内涵为何？
a)为什么需要建立模型？
b)建立模型的原则为何？
i.探索–排序思维
ii.概念–步骤导向
c)常用的建模工具介绍
i.思维导图
ii.概念图
iii.系统导图
iv.心智模型
v.概念模型

三、业务数据建模实践
a)业务数据建模的定义与内涵
b)如何进行业务数据建模？
i.信息流定义
ii.信息输入
iii.信息输出
iv.信息处理规范
v.信息参与角色
c)数据建模完成后的接续动作为何？
i.建立系统框架
ii.构建应用架构
1.数据架构
2.技术架构

四、数据模型实践
a)数据建模的定义与内涵为何？
b)常见数据场景介绍与案例分享
c)数据建模的步骤为何？
i.制定目标
ii.数据理解与准备
iii.建立模型
iv.模型评估
v.结果呈现
vi.模型部署
d)数据建模常用的方法与工具
i.ML
ii.SmartBi
e)如何规避常见的数据建模误区？
i.与现有数据治理冲突？
ii.数据安全过度考量？

五、数据分析的*实践与方法
a)逻辑树分析
b)PEST行业分析
c)多维度拆解分析
d)对比分析
e)归因分析（假设检验）
f)AARRR分析
g)RFM分析
h)*分析
i)周期性分析

六、业务场景实践
a)业务场景的定义与内涵
i.何谓“业务场景”？
ii.组成“业务场景”的关键要素为何？
iii.案例分享
b)“业务场景”应具备哪些要素？
i.谁在里面？
ii.在什么环境下？
iii.在做什么？遇到什么问题？
iv.如何互动？
v.会产生什么价值？
c)如何创建“业务场景”？
i.识别主题
ii.判断角色与场景入口
iii.延伸场景，梳理“角色”的步伐
iv.针对需求思考解决方案
d)业务场景开发指南
i.分析业务场景的6步法
ii.UML用例图/行为图解析
iii.价值流分析
e)案例分享与讨论

七、数据挖掘与分析的发展方向与趋势为何？
a)定向算力（案例分享–特斯拉无人驾驶）
b)机器学习（案例分享–富士康精密制造）
c)系统自愈（案例分享–富士康无灯工厂）
d)预警机制（案例分享–AWS数据中心运维）

八、课程总结
a)学员心得分享
b)重点摘要
c)答客问

大数据技术课程