对于专业且经验丰富的数据人来说，结合业务场景和工作经历大部分都已经建立了一套完备的分析思路。就算换了新的工作内容也能结合分析框架轻松适应业务需求。这次想探讨的是针对一线业务同学以及刚接触数据的同学，当接触全新的分析议题时帮助快速建立数据分析框架。

处理数据的深度、广度和精准度是图数据库里最核心的问题。企业在选型时要关注性能、功能和厂商技术服务支持三个方面。即将推出的图查询语言GQL国际标准非常关键，该标准会带动更多的厂家和客户一起推动图数据库发展。

以业务的数据应用驱动数据治理，以业务的数据应用场景关联业务价值，以业务的数据质量牵引问题解决，以问题的解决结果体现治理能力，这样才能更好的体现数据治理的价值。

我在前面已经写过几期关于国产数据库话题的内容，今天这期算是国产数据库话题的最后总结了。

在企业数字化转型建设过程中，经常遇到的问题就是系统上线后推广难、应用难，我们听到最多的就是业务部门经常说的那句话：系统不好用!为什么会出现这种问题?

个人的能力，以及灵活应对变化市场，同时数据库技术逐步更新，以及更智能的数据库产品的加入，导致低端DBA 人员的需求疲软的窘境必然显现。做好思想准备，技术储备，以及提高自我认知，迎接多变的未来吧 !

企业应审慎考虑如何以负责任以及合乎道德的方式将 LLM 整合到业务流程中。各组织应首先了解LLM带来的风险，以及如何管理和降低这些风险。

集团企业拥有多家所属企业，如果用一套集团统一建设的ERP系统或者财务系统覆盖所有子企业这是最理想的情况，但实际中，集团企业的构成往往很复杂，多业态、多国别、多产权结构、多管控模式……信息化情况相应的也非常复杂，存在大量异构系统。

做过企业数字化转型建设的都知道数字化其实就是技术与业务的融合，但问题就是在于怎么融与怎么合，很多人也都在说数字化要从业务中来到业务中去，那么问题就是如何来?再如何去?

数据入表是指对数据资源进行确权、初始计量、后续计量、收入确认载入企业财务报表，是数据资产化的重要环节。

数据库的多种事务隔离级别是想为应用开发者提供不同的并发控制，从而适应各种不同的应用应用场景。

数据架构是企业架构的核心部分，而对于很多人来说，理解其构建过程可能仍是一个难题。很多读者更想进一步探讨的是如何构建出高效的数据架构。为此，我参考了TOGAF的指导原则，为大家整理出了数据架构的主要交付物。

滴滴的时序曲线量从 2017 年 到 2023 年增长了几十倍。整个过程中我们不断地调整和改进以应对这样的增长。例如时序数据库的选型从最初的 InfluxDB，到 RRDtool，又开发了内存 TSDB 分担查询压力，再到 2020 年开始使用 VictoriaMetrics。载体也从全公司最高配的物理机型到现在的全容器部署。其中经历了很多的思考和取舍，下文将按时间顺序，为大家讲述这一系列的故事。

在企业数字化转型建设的进程中，选型是最重要的环节，一旦选型不当或者失误，将直接造成项目烂尾、建设失败，所以一个好的开端就是从选型开始的。

开发和生成数据库中使用的数据概念表示的过程称为数据建模。数据仓库上下文中的数据建模是创建将存储在数据仓库中的数据的逻辑表示的过程。

通过关注场景来使数据策略与整体业务策略保持一致。通过与各行业的各种客户合作，我们了解到最有效的方法之一是通过价值驱动树进行识别。

企业之间的竞争无非是人才之争，数字化转型之根本是也是人才，因为人是企业转型路上最大的变量，当前大部分的传统企业，尤其是中小企业，在数字化组织能力上是缺失的

在数据库国产化的时代里很多朋友染上了性能焦虑症，就怕一旦从Oracle迁移到国产数据库后性能有问题。不过由于大多数人对性能的理解过于片面，因此某些顾虑变成了不合时宜的焦虑。

数据偏见可能也确实会影响我们对业务或组织的理解，并导致许多地方出现盲点。随着机器学习 (ML)、人工智能 (AI) 和其他数据相关技术的大规模使用，数据偏见可能造成的影响是广泛的。

都说企业数字化转型是一项复杂的工程，但在实际的建设过程中大部分的传统企业还是低估了其难度，导致重视程度不够、各种能力缺失，今天老杨就来总结一下企业在数字化转型建设过程中所需的七种能力