正版新书]数据血缘分析原理与实践成于念,赛助力 著978711175701

目  录<br />前言<br />致谢<br />概念篇<br />第1章  走进数据血缘2<br />1.1  企业目前面临的问题与挑战2<br />1.1.1  互联网行业：数据安全面临<br />严峻挑战3<br />1.1.2  能源化工行业：数据共享互通能力待加强4<br />1.1.3  装备制造行业：产品数据采集难5<br />1.1.4  零售行业：数据分析势在必行5<br />1.1.5  建筑行业：大数据治理能力亟须提升6<br />1.1.6  从问题和挑战中找解决方案7<br />1.2  揭开数据血缘的面纱8<br />1.2.1  什么是数据和数据管理8<br />1.2.2  什么是数据血缘10<br />1.2.3  什么是数据血缘分析11<br />1.2.4  什么是数据血缘可视化14<br />1.2.5  数据血缘的特征16<br />1.2.6  与数据血缘相关的概念20<br />1.3  数据血缘分析是解决数据问题的灵丹妙药23<br />1.3.1  破除数据质疑23<br />1.3.2  数据变更影响范围快速评估24<br />1.3.3  数据资产价值评估度量工具25<br />1.3.4  为数据滥用加上一把“道德”<br />  之锁26<br />1.4  本章小结27<br />第2章  数据血缘中的数据组成部分29<br />2.1  溯源血缘关系的重要依据—<br />  元数据29<br />2.1.1  元数据的概念29<br />2.1.2  元数据的数据血缘特征31<br />2.2  确定血缘关系的黄金数据—<br />  主数据32<br />2.2.1  主数据的概念32<br />2.2.2  主数据的数据血缘特征34<br />2.3  记录业务动态发生的数据—<br />  业务数据35<br />2.3.1  业务数据的概念35<br />2.3.2  业务数据的数据血缘特征35<br />2.4  提供分析决策的重要成果—<br />  指标数据36<br />2.4.1  指标数据的概念36<br />2.4.2  指标数据的数据血缘特征37<br />2.5  本章小结37<br />建设篇<br />第3章  数据血缘分析框架模型40<br />3.1  1个周期：数据全生命周期管理40<br />3.2  3种实体：数据血缘实体结构43<br />3.2.1  数据库血缘44<br />3.2.2  数据表血缘44<br />3.2.3  字段血缘46<br />3.3  5个类型：数据血缘分类48<br />3.3.1  逻辑血缘48<br />3.3.2  物理血缘48<br />3.3.3  时间血缘48<br />3.3.4  操作血缘48<br />3.3.5  业务血缘49<br />3.4  5个层级：构建基础平台，支撑<br />  数据血缘分析49<br />3.4.1  血缘采集层50<br />3.4.2  血缘处理层52<br />3.4.3  血缘存储层52<br />3.4.4  血缘接口层53<br />3.4.5  血缘应用层53<br />3.5  本章小结57<br />第4章  数据血缘实施路径59<br />4.1  数据血缘实施过程中的问题与难点59<br />4.1.1  血缘质量不高59<br />4.1.2  实施路径不清晰61<br />4.1.3  数据血缘关系自动解析难62<br />4.2  数据血缘建设方式63<br />4.2.1  常见的3种建设方式的优劣势63<br />4.2.2  建设方式注意事项65<br />4.3  数据血缘建设步骤65<br />4.3.1  明确数据血缘目标66<br />4.3.2  制定数据血缘需求范围75<br />4.3.3  构建数据血缘系统77<br />4.3.4  完成数据血缘收集85<br />4.3.5  完成数据血缘初始化92<br />4.3.6  实现数据血缘的可视化93<br />4.4  本章小结98<br />技术篇<br />第5章  数据血缘分析应用100<br />5.1  数据开发应用场景100<br />5.2  数据资产应用场景102<br />5.3  数据安全应用场景103<br />5.4  本章小结106<br />第6章  数据血缘技术107<br />6.1  概述107<br />6.2  数据采集技术108<br />6.2.1  ETL技术应用108<br />6.2.2  SQL解析应用109<br />6.3  数据建模110<br />6.3.1  概念建模111<br />6.3.2  逻辑建模111<br />6.3.3  物理建模112<br />6.4  数据可视化技术112<br />6.4.1  数据可视化工具113<br />6.4.2  图形库和框架114<br />6.5  其他相关技术115<br />6.5.1  数据挖掘技术115<br />6.5.2  区块链技术116<br />6.5.3  人工智能技术117<br />6.5.4  大数据技术118<br />6.6  本章小结119<br />第7章  数据血缘产品121<br />7.1  国外主流数据血缘产品介绍121<br />7.1.1  开源的Apache Atlas平台121<br />7.1.2  社交网站LinkedIn的数据<br />  平台123<br />7.2  国内主流数据血缘产品介绍126<br />7.2.1  马哈鱼数据血缘平台126<br />7.2.2  FineBI数据可视化工具129<br />7.2.3  亿信元数据管理平台129<br />7.2.4  飞算SoData数据机器人130<br />7.3  其他数据血缘产品介绍131<br />7.3.1  Informatica数据平台131<br />7.3.2  Alation数据平台131<br />7.3.3  Collibra数据平台132<br />7.4  本章小结133<br />第8章  数据治理中的数据血缘<br />  应用134<br />8.1  数据治理体系简介134<br />8.1.1  数据管理、数据治理与数据<br />  资产管理134<br />8.1.2  DAMA的数据治理体系136<br />8.1.3  DMM和DCMM138<br />8.1.4  华为的数据治理体系139<br />8.1.5  阿里的数据治理体系140<br />8.2  数据治理与数据血缘的关系140<br />8.3  数据血缘在数据治理中的应用141<br />8.3.1  数据血缘在数据质量提升中的<br />  应用141<br />8.3.2  数据血缘在数据架构中的应用143<br />8.3.3  数据血缘在数据建模和设计<br />  中的应用144<br />8.3.4  数据血缘在数据安全中的应用145<br />8.4  本章小结146<br />第9章  数据血缘的平台建设147<br />9.1  数据血缘相关平台介绍147<br />9.1.1  元数据管理平台147<br />9.1.2  主数据管理平台149<br />9.1.3  数据仓库155<br />9.1.4  数据治理平台158<br />9.1.5  数据管理驾驶舱161<br />9.2  数据相关平台建设路径163<br />9.2.1  需求分析及调研164<br />9.2.2  开发及测试165<br />9.2.3  上线试运行166<br />9.2.4  开展项目验收168<br />9.2.5  持续优化迭代169<br />9.3  本章小结171<br />案例篇<br />第10章  互联网行业：字节跳动的<br />  数据血缘建设案例174<br />10.1  数据血缘建设背景175<br />10.2  数据血缘构建解析175<br />10.2.1  数据血缘采集175<br />10.2.2  数据血缘的关键指标176<br />10.3  数据血缘的未来趋势177<br />第11章  服务行业：四大全球知名<br />  企业的数据实践179<br />11.1  民宿短租公寓预订平台<br />  Airbnb179<br />11.2  电子商务平台Amazon180<br />11.3  会员订阅制的流媒体播放平台<br />  Netflix180<br />11.4  叫车服务公司Uber181<br />第12章  制造行业：全球知名企业<br />  的数据实践182<br />12.1  百年企业通用电气182<br />12.2  “欧洲工业之母”西门子183<br />第13章  零售快消行业：全球知名<br />  企业的数据实践184<br />13.1  大型零售商沃尔玛185<br />13.2  西班牙快时尚零售商Zara185<br />展望篇<br />第14章  未来展望188<br />14.1  数据血缘与数据智能的结合189<br />14.2  数据血缘与数据隐私的平衡189<br />14.3  数据血缘在人工智能中的应用190<br />14.4  数据血缘在模型开发和模型审计<br />  中的应用191<br />14.5  数据血缘在模型解释和模型可解释<br />  性中的应用191<br />14.6  数据血缘在智能决策中的应用192<br />14.7  数据血缘与区块链的关系192<br />14.7.1  数据的确权问题192<br />14.7.2  数据的经济特征问题193<br />14.7.3  数据的价值测量问题194<br />后记1  数据血缘救赎之路196<br />后记2  从ERP咨询到数据治理199

数据资产化是大趋势，也是未来企业必须做的事情。而数据要想真正实现资产化，必须要有高质量的数据作为基础。数据血缘将成为高质量数据的最底层保障。数据血缘的重要性正在慢慢显现，建议所有数据相关的从业者都不要错过这波红利，也许这本书将为你的职业生涯打开新篇章。