中台落地手记：业务服务化与数据资产化

后记

10.4 运营中台的运营规划

10.3.3 AI中台

10.3.2 业务中台

10.3.1 数据中台

10.3 各类中台形态

10.2 运营中的营收：提升价值

10.1 运营中的运维：维护优势

第10章 中台运营及周边

9.3.2 运营中台两地三中心数据容灾方案

9.3.1 运营中台安全告警系统

9.3 运营中台安全措施

9.2 大数据平台安全开源方案：Apache Ranger

9.1.3 隐私安全

9.1.2 数据安全

9.1.1 平台安全

9.1 安全体系范畴

第9章 安全措施

8.3.2 安全数据挖掘：运行事件预测

8.3.1 客户数据挖掘：分类营销

8.3 运营中台业务数据挖掘

8.2.5 模型保存及导入

8.2.4 评估模型的泛化程度

8.2.3 对模型进行训练

8.2.2 特征工程

8.2.1 数据清洗处理

8.2 机器学习通用步骤

8.1.3 强化学习

8.1.2 非监督学习

8.1.1 监督学习

8.1 利用机器学习进行数据挖掘

第8章 深入挖掘业务数据

7.4.2 性能调优

7.4.1 典型问题解决方案

7.4 运营中台数据资产化过程

7.3.2 有状态计算引擎：Apache Flink

7.3.1 无状态计算引擎：Apache Storm

7.3 流式计算

7.2.3 预计算类引擎

7.2.2 非事务优先类引擎

7.2.1 事务优先类引擎

7.2 在线计算

7.1.2 Apache Spark内存计算引擎

7.1.1 MapReduce经典计算引擎

7.1 离线计算

第7章 数据计算开发

6.4.4 基于Hudi的数据湖建设

6.4.3 基于Flink+TiDB的实时数据仓库

6.4.2 基于Kylin的准实时数据仓库

6.4.1 基于Hive的离线数据仓库

6.4 运营中台数据仓库和数据湖的建设情况

6.3.2 Hudi读取

6.3.1 Hudi存储

6.3 开源数据湖方案：Apache Hudi

6.2.3 大数据平台

6.2.2 Kappa架构

6.2.1 Lambda架构

6.2 数据湖与大数据

6.1.2 数据仓库分类

6.1.1 数据仓库分层

6.1 数据仓库

第6章 数据湖和数据仓库数据处理

5.5.4 自研数据质量控制子系统

5.5.3 自研元数据管理子系统

5.5.2 与业务模型对应的数据模型子系统

5.5.1 建立内部数据标准

5.5 运营中台数据预处理

5.4.3 数据质量管理开源方案：Apache Griffin

5.4.2 数据质量控制方案

5.4.1 数据质量维度度量

5.4 数据质量控制子系统

5.3.3 元数据管理开源方案：Apache Atlas

5.3.2 元数据管理的意义

5.3.1 元数据的内涵

5.3 元数据管理子系统

5.2.4 通用建模步骤

5.2.3 非关系型数据建模

5.2.2 数据仓库建模

5.2.1 关系型数据建模

5.2 数据建模子系统

5.1 数据标准建立

第5章 数据预处理

4.4 运营中台数据收集过程

4.3.6 Alibaba Canal

4.3.5 Apache Kafka

4.3.4 爬虫系统工具

4.3.3 Alibaba DataX

4.3.2 Apache Sqoop

4.3.1 Apache Flume

4.3 收集工具介绍

4.2 多数据结构收集数据

4.1 多渠道收集数据

第4章 收集各类数据

3.6.6 SPI与插件化方案

3.6.5 通信方案

3.6.4 搜索方案

3.6.3 缓存方案

3.6.2 整体微服务架构

3.6.1 微服务划分

3.6 运营中台基于微服务技术搭建业务中台

3.5 无服务架构Serviceless

3.4 服务网格Service Mesh

3.3.3 分布式计算

3.3.2 分布式事务

3.3.1 网络延迟

3.3 微服务难点剖析

3.2.7 安全控制

3.2.6 链路追踪

3.2.5 服务保护

3.2.4 负载均衡

3.2.3 配置管理

3.2.2 服务注册与发现

3.2.1 网关平台

3.2 Spring框架：Spring Cloud

3.1.4 Dubbo使用举例

3.1.3 关键生态组件介绍

3.1.2 核心流程介绍

3.1.1 架构分层剖析

3.1 RPC框架：Apache Dubbo

第3章 微服务解决方案

2.7.4 确定限界上下文

2.7.3 确定聚合与聚合根

2.7.2 定义业务领域

2.7.1 梳理各业务线流程

2.7 运营中台业务服务化设计

2.6 服务管理者

2.5 服务消费者

2.4 服务提供者

2.3 业务服务化带来的效益

2.2.2 业务架构设计

2.2.1 领域驱动建模介绍

2.2 领域驱动（DDD）业务建模

2.1 多种方法梳理业务

第2章 业务服务化建设

1.4.3 运营中台前期准备情况

1.4.2 行业规范与趋势

1.4.1 运营中台面临的几个典型痛点

1.4 运营中台规划与设计

1.3.3 业务与数据逻辑架构设计

1.3.2 企业组织变革

1.3.1 阿里巴巴中台建设思路拆解

1.3 中台具体建设思路

1.2 把握外部环境

1.1 统一内部认识

第1章 总体规划

前言 Preface

内容概述

版权页

封面

封面

版权页

内容概述

前言 Preface

第1章 总体规划

1.1 统一内部认识

1.2 把握外部环境

1.3 中台具体建设思路

1.3.1 阿里巴巴中台建设思路拆解

1.3.2 企业组织变革

1.3.3 业务与数据逻辑架构设计

1.4 运营中台规划与设计

1.4.1 运营中台面临的几个典型痛点

1.4.2 行业规范与趋势

1.4.3 运营中台前期准备情况

第2章 业务服务化建设

2.1 多种方法梳理业务

2.2 领域驱动（DDD）业务建模

2.2.1 领域驱动建模介绍

2.2.2 业务架构设计

2.3 业务服务化带来的效益

2.4 服务提供者

2.5 服务消费者

2.6 服务管理者

2.7 运营中台业务服务化设计

2.7.1 梳理各业务线流程

2.7.2 定义业务领域

2.7.3 确定聚合与聚合根

2.7.4 确定限界上下文

第3章 微服务解决方案

3.1 RPC框架：Apache Dubbo

3.1.1 架构分层剖析

3.1.2 核心流程介绍

3.1.3 关键生态组件介绍

3.1.4 Dubbo使用举例

3.2 Spring框架：Spring Cloud

3.2.1 网关平台

3.2.2 服务注册与发现

3.2.3 配置管理

3.2.4 负载均衡

3.2.5 服务保护

3.2.6 链路追踪

3.2.7 安全控制

3.3 微服务难点剖析

3.3.1 网络延迟

3.3.2 分布式事务

3.3.3 分布式计算

3.4 服务网格Service Mesh

3.5 无服务架构Serviceless

3.6 运营中台基于微服务技术搭建业务中台

3.6.1 微服务划分

3.6.2 整体微服务架构

3.6.3 缓存方案

3.6.4 搜索方案

3.6.5 通信方案

3.6.6 SPI与插件化方案

第4章 收集各类数据

4.1 多渠道收集数据

4.2 多数据结构收集数据

4.3 收集工具介绍

4.3.1 Apache Flume

4.3.2 Apache Sqoop

4.3.3 Alibaba DataX

4.3.4 爬虫系统工具

4.3.5 Apache Kafka

4.3.6 Alibaba Canal

4.4 运营中台数据收集过程

第5章 数据预处理

5.1 数据标准建立

5.2 数据建模子系统

5.2.1 关系型数据建模

5.2.2 数据仓库建模

5.2.3 非关系型数据建模

5.2.4 通用建模步骤

5.3 元数据管理子系统

5.3.1 元数据的内涵

5.3.2 元数据管理的意义

5.3.3 元数据管理开源方案：Apache Atlas

5.4 数据质量控制子系统

5.4.1 数据质量维度度量

5.4.2 数据质量控制方案

5.4.3 数据质量管理开源方案：Apache Griffin

5.5 运营中台数据预处理

5.5.1 建立内部数据标准

5.5.2 与业务模型对应的数据模型子系统

5.5.3 自研元数据管理子系统

5.5.4 自研数据质量控制子系统

第6章 数据湖和数据仓库数据处理

6.1 数据仓库

6.1.1 数据仓库分层

6.1.2 数据仓库分类

6.2 数据湖与大数据

6.2.1 Lambda架构

6.2.2 Kappa架构

6.2.3 大数据平台

6.3 开源数据湖方案：Apache Hudi

6.3.1 Hudi存储

6.3.2 Hudi读取

6.4 运营中台数据仓库和数据湖的建设情况

6.4.1 基于Hive的离线数据仓库

6.4.2 基于Kylin的准实时数据仓库

6.4.3 基于Flink+TiDB的实时数据仓库

6.4.4 基于Hudi的数据湖建设

第7章 数据计算开发

7.1 离线计算

7.1.1 MapReduce经典计算引擎

7.1.2 Apache Spark内存计算引擎

7.2 在线计算

7.2.1 事务优先类引擎

7.2.2 非事务优先类引擎

7.2.3 预计算类引擎

7.3 流式计算

7.3.1 无状态计算引擎：Apache Storm

7.3.2 有状态计算引擎：Apache Flink

7.4 运营中台数据资产化过程

7.4.1 典型问题解决方案

7.4.2 性能调优

第8章 深入挖掘业务数据

8.1 利用机器学习进行数据挖掘

8.1.1 监督学习

8.1.2 非监督学习

8.1.3 强化学习

8.2 机器学习通用步骤

8.2.1 数据清洗处理

8.2.2 特征工程

8.2.3 对模型进行训练

8.2.4 评估模型的泛化程度

8.2.5 模型保存及导入

8.3 运营中台业务数据挖掘

8.3.1 客户数据挖掘：分类营销

8.3.2 安全数据挖掘：运行事件预测

第9章 安全措施

9.1 安全体系范畴

9.1.1 平台安全

9.1.2 数据安全

9.1.3 隐私安全

9.2 大数据平台安全开源方案：Apache Ranger

9.3 运营中台安全措施

9.3.1 运营中台安全告警系统

9.3.2 运营中台两地三中心数据容灾方案

第10章 中台运营及周边

10.1 运营中的运维：维护优势

10.2 运营中的营收：提升价值

10.3 各类中台形态

10.3.1 数据中台

10.3.2 业务中台

10.3.3 AI中台

10.4 运营中台的运营规划

后记