课程简介

企业对于实现数字化转型的迫切度不断提升。尤其在在数字化转型过程中，存在数据孤岛、数据成本激增、数据安全隐患、数据化思维不足等问题，在安全、提效、降本等方面急需找到破局方法。

金融数据体系极其复杂，内部关系错综复杂，伴随业务数据越来越多、数据全民意识越来越强，体系化的数据治理已成为不得不交的作业；而现实告诉我们，面对难找、难理解、不敢用、用不起的海量数据，传统的治理措施面临难以落地、落地效果不佳、效果难以量化等困局。海量敏感数据、质量管理、监控和告警等治理，以及数字化转型过程中稳定高效的对外高质量的提供数据服务，都成为了关键问题。

构建金融级数据研发DataOps一体化平台将会是一个破局点，将数据治理体系落地到研发流程中，保证数据价值最大化，降低数据应用成本，结合DMMA方法论与工具，让治理工作潜移默化到每个数据研发工作成员的日常工作流程中。始终以业务价值最大化为目标，对数据研发全生命周期进行管理，更好的服务业务需求，并且能将全行核心数据资产沉淀到平台上。

本次分享将从基础平台、数据中台和AI中台的架构设计出发，在解决安全、提效、降本等方面的实践中，给出与会者一些已有的成效借鉴。

课程收益

1.目标：

大数据架构和平台，探讨如何在重安全和轻成本的前提下，扩大核心数据的影响范围

2.成功（或教训）要点：

（1）金融企业大数据可通过引入数据湖、升级spark、冷热数据管理等提升计算性能、节约存储成本；设计安全原则、构建沙箱环境，确保数据安全的同时提升数据研发效率；夯实中台能力，共享共建，支持前台应用。

（2）实现金融级数据研发DataOps落地经验，保护金融敏感数据安全，将数据治理方法论落地在数据研发全流程，实现流批一体，保证离在线数据口径一致。

 3.启示

将数据治理体系落地到研发流程中，保证数据价值最大化，降低数据应用成本，结合DMMA方法论与工具，让治理工作潜移默化到每个数据研发工作成员的日常工作流程中。始终以业务价值最大化为目标，对数据研发全生命周期进行管理，更好的服务业务需求，并且能将全行核心数据资产沉淀到平台上。

受众人群

大数据爱好者、软件开发工程师、数据库开发人员、数据分析师、网络后台开发人员、运维人员、项目经理和对大数据内容感兴趣并想提升的人员。

课程周期

0.5天/3小时

课程大纲

1.金融大数据的问题与挑战

2.金融dataops体系介绍

a大数据基础平台

b指标研发中台能力建设

3.金融代表性的大数据未来展望

4.QA