大数据架构师该做到的
2024-02-21 15:38:40 0 举报AI智能生成
登录查看完整内容
大数据架构师该做到的
作者其他创作
大纲/内容
谷歌云
亚马逊云
阿里云
腾讯云
网易云
华为云
大平台
国云
国双
青云
勤思
小平台
易观
海致BDP
永洪
专业工具平台
mix panel
growing IO
神策
诸葛 IO
APP分析平台
1.行业平台(走马观花)
CDH
HDP+HDF
MAPR
Transwarp
cloudera hortonworks 新平台 CDP
2.技术选型(维护成本)
HDFS分布式数文件存储
MR批处理
Hadoop(基础存储计算)
负责集群资源的统一管理和调度
单节点资源管理和使用
应用程序管理
对任务运行环境的抽象
支持运行长应用程序和短应用程序
支持docker fpga
对比Mesos
Yarn(基础资源调度)
平台调度的基础保障
hadop 各种任务的使用与调度
对比 Azkaban Airflow
Oozie(任务调度编排)
Slider(调度支持 新版已经集成yarn)
HDP Core(平台核心)
用类sql语言保证mr执行顺畅
pig latin 的执行环境
Pig(基础脚本服务)
基础数据仓库(ods gdm dw app dim)
基础ETL的运行实例
OLAP的数据存储(kylin)
各种数据的hive外表用于查询
对比impala
Hive(数据仓库存储)
已处理数十亿事件和TB级数据
实时查询分析 高可用、高容错、高性能
交互式聚合和快速探究大量数据
为OLAP工作流的探索性分析而构建，支持各种过滤、聚合和查询
对比 drill es mdrill 等
Druid(adhoc方案 实时多维查询和分析)
简化和优化hive执行局于流程
缩小hive 执行时间
Tez(简化增强hive)
定时数据导入
定时数据导出
对比 datax kettle
Sqoop(数据导入导出工具)
Enterpise Data Warehouse(企业数据仓库)
推荐相关
数据清洗
特征抽取
预测相关
Spark(内存通用并行计算)
flink
实时数据计算
数据指标监控报警
Spark sql(结构化数据处理) Spark streaming(spark流式处理)
基于R和python的单机界面使用工具(分析挖掘)
基于spark kafka 的界面操作工具
基于预测数据的使用与展现
Zeppelin(界面分析挖掘工具)
Data sclence(数据科学)
binlog业务数据存储
日志数据存储
基础数据查询
Hbase(kv数据存储)
基于hbase的数据查询
基于habse数据的表建立
Phoenix(hbase 类sql查询)
Operational data store(操作KV存储)
数据的权限鉴权通道
平台跟外部的出入口
Knox(鉴权工具)
架构下各组件的权限管理
记录操作日志到solr
对比 Sentry
Ranger(权限管理工具)
Kerberos(认证)
大数据平台下各种操作的元数据记录
数据打标签(对于维度 指标 ETL等)
可查询hive storm spark sqoop oozie nifi 元数据，可自定义实现自己的需要查看和维护的工具
数据流转流程的图像化展现
元数据操作记录与各种信息查询
Atlas(元数据溯源与数据治理工具)
Securlty governance(安全治理)
Storm(实时数据处理分析)暂不用 spark streaming 替代
mysql的binlog的消息队列
日志的消息队列
基于实时分析的消息队列
基于其他特定场景的消息队列
Kafka(分布式发布订阅消息系统)
数据产生的源头收集和处理数据
通过实现边缘设备智能(edge intelligence)来调整数据流的双向通信
可以数据溯源(Data Provenance)
可以集中管理和下发Agents
java agent
c++ agent
MiNiFi(边缘数据处理)
拖放可视化设计，开发，部署和管理流式数据分析应用程序
进行事件关联，上下文衔接，复杂模式匹配，分析聚合以及创建警报/通知
Streaming Analytics Manager (流式数据处理界面工具)
Stream procressing(流式计算)
管理部署各个大数据平台组件(改动 不在维护的除外)
平台数据监控收集与展示
管理各个组件版本
Ambari(大数据平台管理工具)
Ambari Metrics(监控平台各类服务及主机的运行情况)
Ambari Infra
对比 Ganglia、Open-falcon、Prometheus、Zabbix
整体的消息一致性可靠保障
协调分布式资源
Zookeeper(基础分布式保证工具)
hadoop操作日志存储查询
ranger操作日志存储查询
audits数据存储查询
Solr(搜索应用 操作日志存储)
Operations(平台运维工具)
日志清洗 业务数据入库
基础数据(mysql binlog业务库 )ETL
部分外部数据
自定义数据接入方式
自定义数据流程处理
数据输出出口
对比 StreamSets Data Collector
NiFi(数据 ETL 数据流处理)
NIFI的版本记录回溯
NIFI Schema Registry 来统一文件定义(类配置中心)
配合SwaggerAPI数据定义
NiFi Registry(NiFi版本管理工具)
数据查询操作入口
调度配置和使用入口
数据上传入口
ETL操作入口
Hue(大数据交互界面平台)
Data operation platform(数据操作平台)
挖掘分析的界面展现
特定场景下(finebi满足不了的) 图表展现
Superset(数据分析界面工具)
报表数据可视化
部分OLAP分析
Fine Index
FIne Direct
现场数据实时展示
FineBI(BI界面分析工具)
数据导出邮件配置入口
finebi 外的数据展示
(Cboard) 主用于数据导出
后续直接用来对接运营产品的数据交互工具
Metabase
对比 Saiku Tableau Qlikview
Echarts
inMap
datav
自主开发
Data visualization(数据可视化工具)
维度间交叉分析
构建过程基于hive集群不需要单独搭建
数据存储于hbase集群，主要消耗磁盘
Kylin(MOLAP方案)
横向可扩展，高可用 分片机制
Elasticsearch
支持标准SQL 不支持UDF
对表的连接以及 group by操作有比较严格的大小限制
对集群结点的内存和CPU消耗较大
Presto(MPP-SQL交互式查询引擎)
符合ANSI SQL规范并且支持SQL 92、99、2003 OLAP
包含关联子查询、窗口函数、汇总与数据库、广泛的标量函数与聚合函数的功能
TPC-DS针对具有各种操作要求和复杂性的查询定义了99个模板（例如，点对点、报告、迭代、OLAP、数据挖掘等）
HAWQ使用Apache Ambari作为管理和配置的基础
HAWQ(SQL on Hadoop)
天生就是为扩展而生的，可以在PG中用Python、C、Perl、TCL、PLSQL等来扩展
强大 SQL 支持能力和非常丰富的统计函数和统计语法支持
hash join、merge join、nestloop join的支持方面做的较好
PostgreSQL (单机ORDBMS)
基于PostgreSQL
采用两阶段提交和全局事务管理机制来保证集群上分布式事务的一致性
建立在实例级别上的并行计算，可在一次SQL请求中利用到每个节点上的多个CPU CORE的计算能力
解决大问题而设计的并行计算技术，而不是大量的小问题的高并发请求
GreenPlum(MPP架构升级版PostgreSQL)
托管于云平台，用户不再需要为基础设施投资，不再需要调优运维，仅为您使用的计算资源买单
分布式架构，根据负载快速扩充计算能力，实现高性能计算，满足用户交互式查询的需求。
HashData(SQL on Cloud)
列式存储数据库，数据压缩
分布式并行计算，把单机性能压榨到极限
可以不依赖hadoop平台
关系型、支持SQL
ClickHouse
TiDB(没研究 美团用的多)
OnlineAnalytical processing(OLAP解决方案 adhoc)
依赖hadoop来做图的统计和批量图操作
Janus Graph(图数据库引擎)
解决企业在数据库增长超过单个服务器时面临的一些问题而构建
可扩展的，分布式的，低延迟的图数据库
超过 TB 的结构数据里，为用户提供足够低延迟的实时查询
Dgraph(事务性的分布式图形数据库)
Neo4j(NoSQL图数据库)
原生多模型数据库
可以将逻辑功能加入V8的 js framework Foxx™中 并可以完全访问所有功能
ArangoDB(NoSQL数据库)
Graph database(图数据库)
3.平台架构(只谈用法)
基准测试
资源预估(基于业务存量与增量)
理解各组件的CPU IO 内存 硬盘 带宽的特性
硬件知识(RAID 存储加速 存储接口等 )
CPU
内存
千兆
万兆
带宽
RAID 0 1 10 5
SSD HDD FDD SATA
转速
硬盘
数据增量
资源预判
4.资源申请
高
中高
中
底
服务耦合关系图
服务优先级
目前已经高可用的服务和组件
需要后面做到高可用的服务和组件
不需要高可用的组件和服务
服务高可用
硬件拓扑图
硬件资源列表
服务配置图
目前软件使用列表
软件拓扑依赖关系图
运维平台管理关系图
现有集群
新增业务场景和工具的调研
资源利用率核查 资源瓶颈判断
未来一年集群
平台规划
平台 安装 升级 降级 维护
平台监控报警
服务监控报警
灾难演练
测试环境
服务与资源保障
操作规范
bigdata devops
权限授权
瓶颈判断
基于需求的平台二次开发
组件版本关注与升级
各种疑难杂症修复
环境维护(正式 测试)
5.日常维护
大数据相关
机器学习
IOT相关
边缘计算
6.技术调研
一.平台建设
增量
全量
拉链
binlog
接口
kafka对接
1.公司内结构化数据
微信小程序
头条系小程序
支付宝小程序
小程序
后端埋点方案
无埋点方案
url规约系统
用户级别
版本跟踪
页面级别
块级别
事件级别
内部埋点
GA
百度
友盟
其他
第三方埋点
搜索
日志
图像帧提取
图片压缩转制
视频图像
格式化规约
约定上传时间方式版本
excel
NLP
格式化关键信息
存储源文件但废弃无用信息
文本
2.公司内非结构化数据
爬虫平台开发利用推进
API对接
启信宝
企查查
天眼查
赤狐
商家查询平台
CRM工具
销售使用的外部工具
广点通
达摩盘
知乎DSP
今日头条系
百度系
微博营销工具
......
各种广告平台
各种流量平台
各种统计分析平台
运营使用的外部工具
WIFI
BLE
Zigbee
蓝牙
分类
信号强弱
围栏
算法
WIFI 探针类
faceid 设计
图片帧
人脸视频类
3.外部数据(非公司IT支撑)
199IT(100+)
艾瑞(100+)
IT橘子
国家互联网中心
恒大研究院
亿欧智库
易观数据
中国通信研究院
腾讯数据实验室
阿里研究中心
数据报告
数据交换
专项购买
流量互补
商业合作
关联品牌
关联人物
关联商家
热点主题
讨论度
新闻动态频率
正负面情绪
风险信息 商业环境
分析竞品列表
爬虫获取商家 商品 评论等业务数据
从一些公开平台获取统计数据
微信公众号
微博
知乎
新媒体
竞品数据
大盘数据
行业动态数据
行业数据
国家统计局
国外统计局
专业部门统计数据
统计数据
大行业
本行业
数据资讯
4.外部数据
二.数据搜集
日志数据清洗(UDF spark straming )
业务数据清洗
维度数据抽取
数据缺失与修复
NLP语义化
图片识别等
1.数据清洗
Operational Data Store(ODS) 原始操作数据
General Data Mart(GDM)清洗后通用数据
用户
行为
商家
商品
Data WareHouse (DW)数据集市
Dimension Data(DIM)维度数据
分层
权限规范
ETL规范
调度规范
规范
ETL
业务元数据
ETL元数据
数据元数据
元数据(Atlas查看和标记)
2.数据仓库
维度
指标
数据可视化
3.统计报表
抓重点业务或关键路径
体系化叙述
重点数据解释
编写参考 玩转keynote
5.数据报告
利益方
行动
信息获取
损失
均衡点
优化
策略
收益
博弈分析法(找到博弈方，找到博弈方的冲突与矛盾)
企业价值评估法(找到利益保持或者增长的关键点或者业务流程量化KPI)
行业参考(标准行业的指标体系)
保证少而精 结果导向 可衡量 一致性
关键指标与转化
商家风控
用户风控
影响业务决策
AARRR模型
RFM模型
运营增强工具
用户分层理论
影响运营决策
全局跟踪报表
关键节点转化数据跟踪
市场大盘的搜集与预估
竞争对手信息挖掘
效率周期的提醒和关注
业务预测与告警
影响老板决策
4.商业智能
数据预警
数据预测
数据查询
对运营支持的数据工具
对业务销售支持的数据工具
6.业务赋能
行业标准与数据共享
垂直行业指数项目
B端客户数据价值展示
2B产品
用户信息打通
结合产品2C的优惠券 通知 推送等
结合产品规划
推荐
风控
舆情监测
用户画像
反作弊
2C产品
7.数据产品
IOT场景
AI场景探索
数据交换场景
规则漏洞-业务场景漏洞-效率优化
8.场景探索
三.数据价值
基础业务数据
用户产生的非免敏感数据
普通
用户信息
商家信息
敏感
合同
推广
活动
订单
机密
财务
战略
融资
绝密
1.企业数据分级
Personal Identifiable Information(PII级别)
用户唯一标识(因公司而异)
公众数据
核心业务数据订单 优惠券 等(掩码)
2.数据隐私保护
数据导出权限控制
账号跟踪与密钥更换
统一LDAP账号建设
数据使用申请
3.平台权限控制
需求对接规范
数据订正规范
提取数据规范
业务数据变更修正
4.数据流程规范
四.数据安全
平台监控
服务监控
调度监控
计算监控
1.平台与资源保障
抽样检测
数据准确性跟踪
业务一致性
2.数据质量
专人负责业务领域模型
数据仓库主题域宽表建设
需求对接明确责任人和需求对接人
3.统一口径
钉钉报警群的建设与跟进
值班制度
4.故障跟进
五.质量保障
硬能力
专业图书
技术官网
github
processon 里的推荐功能
技术博客
体系报告网站(参考 数据获取-外部数据-数据报告)
各种行业平台网站
谷歌百度
找朋友聊
加微信QQ群
渠道
找个工具记录最散漫的疯狂的阅读与吸取
最好用表格来划分横向维度和纵向维度
记录整理
刨除过程中一些过时的资料或者概念
尽量找原版的设计与理解
消除杂音
快速了解一个体系
聚合
排序
深入
快速形成自己的理解
系统计划
发现方向不对了要懂得立即止损
修正策略
简单易懂一句话说明白的模式就是好模式
在产业上下游关系所处的位置
定价权在哪里
企业和客户关系的好坏
完整的产品、服务和信息流体系，不完全决定着盈利模式但是衡量盈利模式的基础
商业模式
探求企业利润来源、生产过程以及产出，对企业经营要素进行价值识别和管理 关注持续力
盈利模式
专一性
创新性
管理者优势
关注公司的团队架构，工作任务如何进行分工、分组和协调合作 。关注CXO
团队
关注在特定的公司下他们是如何获客的，获客的效果与方法是否可以持续健康的保持优势
用户来源
公司对于内部价值的挖掘和在商业上的资金变现能力
现金流
成本结构
决定因素
成本产业优化
变现能力
公司内部对主营业务的依赖性，对于新业务拓展的阻碍。在快速调整方向时能动性的高低
路径依赖
烧钱速度
赛道内竞争对手的强弱与个数，竞争对手的资方背景。竞争对手对红海的竞争性与蓝海的开拓性
竞争对手
垂直行业内的一些特殊关注点和可能发现的价值挖掘点，也是可能构建护城河的点
(赛道)行业特性
价值守护的能力，包括资产数据 用户，针对于流失的方法策略是否有意识和具体的动作
价值流失
财务效率
边际成本
回报率
品牌效应
抵御竞争者的保护措施
护城河
关注行业或者需求拐点
关注小行业的大公司
关注新旧势力平衡关系
关注面对天花板公司采取的策略
公司所在的行业是否已经进入饱和状态，是否供过于求
天花板
投资视角看公司
1.体系化建设
资产负债表
利润表
现金流量表
对钱感兴趣的人肯定对数据感兴趣(财务三张表)
多渠道的了解老板画像
试探数据价值的关注度
投其所好
从他们的角度去考虑他们遇到的困难，不解和所做的决定
不要被他们的思维固化(在其位谋其政)影响你对于数据价值的思考
换位思考
全面的体系化建设(基于对行业 业务 数据 的宽泛认知) 不赘述
永远要记住摸清主线
按照重要程度(看势)做事情的分级
全面的体系 重要的分级
观察对方的底线(长期)
老板 高管 经理
前端(ios android pc tv) 涉及到埋点日志事情
后端(微服务 链路 数据库) 涉及到业务数据入库和日志收集
技术体系初步印象
先全面后局部的感觉下数据库设计(如果有ER图提供最好)
感觉下量级与增速
掌握全局(局部)数据库
找到契合点 不要越界
数据价值为主 外层的展现为辅
产品方向的数据价值多数来自C端 所以 推荐 广告 用户画像等为主 不同的行业考虑下特性应用(O2O IOT 新零售 AI的落地应用)
深入了解产品的规划
站在开发者角度去尽量减轻他们的负担
日志与埋点的配合
业务数据入库配合
底层运维支持配合
技术层面的分享带给别人更多理解相关技术的机会
拿出诚意才会得到配合
涉及到产品规划和业务赋能的最好有数据产品对接
关于数据报表分析的最好让数据分析人员进入对接一线
是否需要数据产品经理
技术 产品 运营
良好的沟通从兴趣开始
是否能提供有价值的数据让业务跑得更快
能否提供销售更直接的客户服务数据
财务的事情佛系对待
数据价值来源于解决B端面临问题
合适的机会跟他们一起开会，反复强调的内容里面就有重点和痛点
流程最能体现价值(优化 提速 转化 效率)
接触工作流程中可以更深刻的理解业务
多花时间研究他们的工作流程
记录关键指标 自己先琢磨在找懂的人沟通
遇到不分享的可以先想办法解决他的一些问题，无论大小，展现诚意。记住自己的目标
关键指标一定会有所提及(不懂找资料学习再沟通) 绕不过的钱
销售 业务 财务
了解业务
将痛点归类(部门 角色 数据源 数据价值)
归类后痛点间的关联关系找主线
能解决的痛点才是痛点
缩小范围解决头部需求反手解决次类需求
分析痛点
优先处理 重要且紧急 紧急不重要的
阶段性的处理重要不紧急的(这种事情要记录在本本上)
象限法(重要紧急四象限)
可能对其他部门或人造成的工作加重减轻与正负面影响
此行动能得到的可能价值(对需求方 相关人 团队 自己)
行动前的影响与价值预估
行动计划保证在一个可控范围内(人员 时间 资源 )
任务的串并行尝试
人员维度的安排
时间维度的安排
可拆解的任务才能行动
寻找一个反馈对象(最好是需求方)
修正来源于对结果的不可控(保证损失最小)
行动中的修正与反馈
打算说给谁听
准备好PPT(参见玩转keynote)
时间地点
拿到结果一定要说话(不要当哑巴 付出得到回报天经地义)
专注行动
2.业务破局
想要说给谁听是重中之重
了解对方的工作特性用类比方式的去阐述数据
考虑受众
全局意识
局部业务专研分析思维
小心求证，在给出数据前多做检验
实事求是 轻易不下结论
维度-指标-特征-缺失-差值-聚合-分类-排序
比率-中数-众数-方差-维度相关性
多维度的去思考和验证
寻找数据点(点) - 寻找主数据(线) - 串联数据的顺序关系(面)
会看数据
3.数据解读
Omni Focus
Tyme2
重要且紧急
重要不紧急
紧急不重要
不紧急不重要
时间四象限
时间管理工具
备忘录
Wiki
Macdown
快速记录工具
MindNode
Processon
扩展思维工具
优质微信公众号
人人都是产品经理
学习成长工具
4.工具利用
站在对方去思考
会讲故事让一件事情的参与者多方受益
角色设定 一定要在落地的时候事情是给哪个角色制定的，没目标群体的事情落地了也没用
计划时间点里程碑要明确
落地能力
对于每一步的执行时间要有清醒的认知，到了时间点完不成要想后面的进度和对应方案
执行计划的时间点不要做太多的冗余也不要完全不留 短期的控制在10%左右的增量
同步进行的事情也要分清楚优先级
在一定的考虑内 周末也是用来buffer的
要清楚团队的有效工作时间范围，上午？下午？晚上？人不是机器总是要在某个时间段休息的
时间管理
要明确细分点的负责人 要巧妙的跟进进度
沟通反馈
这个一定要接受，架构不完美可以完善，速度慢可以优化，产品功能完成度超过80%即可
接受了不完美不代表不朝着完美的方向努力，快速迭代项目分期是不错的解决方案
接受不完美
分清主次，没有任何的产品或者功能或者技术是满足所有人和场景的
要清醒的认知什么是对公司有价值的 什么是对团队有价值的
抓住重点80%
执行能力
5.落地执行
为了解决什么目的，如果没想清楚不需要复盘
复盘的人员范围
时间控制
复盘前的思考
不要形式主义，在出现问题后记得一定要复盘
当信心缺失
当项目受挫
当可能骄傲自满
何时复盘
避坑总结
6.清醒复盘
开篇直接从场景开始带出痛点
然后讲述痛点的原因 别人如何解决 我们如何解决
具体的方案落地执行与风险点
解决痛点模式
突出主题模式
体验报告模式
融资招商模式
数据报告模式
流程讲解模式
技术分享模式
确定主题与讲述思路
言简意赅
归纳总结
讲述靠说不靠堆叠
Layouts for Keynote(App Store有售)
PC6合集 http://www.pc6.com/mach/macmuban/
参考模板
当有些思路阻碍可以看看模板上被人是如何处理和展现的
运用模板的特殊元素来装扮自己的文案
辅助思路
利用模板来快速制作和辅助思路
多用过度色 原则上整体别超过5个
颜色可以用吸管 从浅入深或由深入浅波动选择
黑白灰为常用过度配色
分清极暖色 极冷色 暖色 冷色 微暖 微冷
色彩的对比 平衡 混合 多练习
色调选择
建议用“细黑”的字体，比如冬青黑体，华文雅黑，微软雅黑light等
节奏感：尺寸大小，上下位移，旋转，间距，就是不能让文字之间稳当地排在一起
巧用各种图形 可以更形象化的让人理解
大纲最好列在每页的面包屑上
排版建议
巧用动画
基础色调选取与排版建议
7.玩转keynote
多读报告(参考 数据获取-外部数据-数据报告)
大数据行业发展与新技术更迭
算法paper
开发领域新技术
专业领域
行业业务特性
产品角度
运营角度
业务领域
IOT
新零售
兴趣领域
8.行业关注
六：个人素质
前端
后端
数据库
CRM
ERP
CMS
BOPS
商家后台
系统功能方向
系统工程
数据分析
回归算法
神经网络
SVM（支持向量机）
K-Means
DBSCAN
聚类算法
决策树
朴素贝叶斯分类器
最小二乘法
逻辑回归
支持向量机（SVM）
有监督学习
主成分分析（PCA）
SVD矩阵分解
独立成分分析(ICA)
无监督学习
增强学习
降维算法
基于物品内容的推荐
基于用户相似度的推荐
推荐算法
算法应用
七:技术能力
B端
C端
产品方向
品牌运营
市场运营
流量运营
用户运营
产品运营
商城运营
运营方向
八:产品与运营思维
寻找综合素质能力高的人 培养副手
寻找技术能力强的人 培养技术核心
寻找潜力强的人 培养发展核心
寻找能主动承担责任有责任心的人 培养团队扛把子
1.遇见对的人
组团队
差异化
重培养
2.人尽其才
不要让自己成为瓶颈
将重点的项目让下属有露脸的机会
3.上通下达
4.评级与晋升
体系化知识输出
团队分享会
言传
方法论的输出
完整的示范一次
要明确下属他需要做的事而不是事事都亲自动手
身教
5.拒绝沉溺(不要给鱼)
容忍与控制
不要触碰底线
没有什么是烧烤不能解决的 如果有那就两顿
6.老司机别翻车
九：团队建设管理能力
规划VS变动
领导VS下属
个人VS团队
资源VS价值
家庭VS工作
1.平衡之道
理论上个人感受会是结果导向的障碍
结果是个大家相对一致的预期结果
以结果导向
是否喜欢是个很重要的分水岭
无论什么企业文化都会以结果为导向
综合评定自己的容忍度
接受一家公司代表要融入一种文化
阻碍目标的大多都是边界内自己要做或者推动的
敲碎or划清边界
不要在不同纬度观点下讨论事情 这样容易产生无谓的争执
当一种角度理解不了某些人或事的时候那就切换下角度
对一个事情或者一个人的评判一定不要单纯的一个角度下结论
同样的维度之间切换自如有助于你讨喜
多维度的看待事情
信任建立在共同的利益之上
信任之路且行且珍惜
改变自己，做自己认为恶心的事情是不是就是道德沦陷
底线是一个恒久不变的还是一个根据自己的发展阶段 家人 事业 朋友动态调整的
道德沦陷还是底线失守
2.破除心魔
《数学之美》
《数据仓库工具箱：维度建模的完全指南》
《美团机器学习实践》
《数据挖掘与数据化运营实战 思路、方法、技巧与应用》
技术类(不包含理论与技术框架)
《无印良品的改革》
《增长黑客》
《智联网》
《流量池》
《浪潮之巅》
《京东平台化数据运营》
业务类
《原则》
《乌合之众》
《说谎》
《策略思维》
《卓有成效的管理者》
《九型人格》
《影响力》
管理与心理学
3.推荐书籍
十：人生开悟之路
软实力
大数据架构师该做到的
0 条评论
回复 删除
下一页
