课程简介
课程将以上的知识串联起来，为大家展现了未来数智化转型的全景图。通过一系列的实战案例，演示了企业架构设计中，基于价值流的业务架构规划，基于DDD的数据架构治理，基于CBM的组件化的应用架构设计，进而通过数据中台开展智能的数据分析，搭建本地知识库，开展人工智能应用，以及在此基础上搭建的大数据技术架构设计。
目标收益
培训对象
课程大纲
| 第一章 企业架构设计概述 |
企业数智化转型的架构设计 过去的架构设计 1.从宏观上说明一套软件系统的组成与特性 2.需求驱动：整理现有的、已知的碎片化需求 3.不断复制、重复建设、缺乏复用、数据孤岛 现在的架构设计 1.站在全局角度去规划整个企业的架构 企业中各个产品线的业务规划 → 打通业务流 企业中各个产品线的技术规划 → 建立技术平台 企业中各个产品线的数据规划 → 建立数据中台 企业中各个产品线的组织规划 → 建立开发规范与组织原则 2.架构驱动：从全局的角度探索未知的业务，摸索未来发展的模态 3.串联与打通业务形态中的各种“链” 业务链 → 各部门精益协作，降本增效（敏捷转型） 数据链 → 打通上下游产业链，建立生态（数字化转型） 技术链 → 搭建统一、规范的平台，并持续改进（架构演化） 核心：以客户价值为核心 未来的架构设计 1.国产智能大模型DeepSeek的13个应用场景： 代码改写、代码解释、代码生成、中英文翻译，等等 2.智能大模型核心应用的精华： 提示词工程、投喂多模态数据、搭建本地知识库、Agent智能体 3.数据中台基础上的智能应用： 1）基于DeepSeek大模型的智能应用 2）基于多模态数据的智能应用 3）更多Agent智能体的应用 站在全局的角度规划企业架构 业务侧：业务进化 1.用数据赋能业务：赋什么能？如何赋能？ 2.将上下游数据资产化 1）让数据资源变为数据资产 2）打造跨组织的生态共享平台 3.建立以客户为中心的价值流 技术侧：技术赋能 1.用技术平台赋能业务系统 1）上门户、中共享、下云化、左开发、右安全 2）建立全业务领域数据中心 2.企业数智化转型： 1）信息化建设：将业务系统串联起来，建立端到端的信息流 2）数字化建设：建立独立的、基于大数据技术的数据中台 3）智能化建设：搭建基于DeepSeek大模型的各种智能应用 总结：企业架构设计整体思路 业务架构端到端、应用架构抓共享、数据架构做生态、技术架构平台化 |
|
第二章 业务架构设计 |
业务架构的规划与能力主线 一、业务架构的概念与重要作用 二、业务架构的梳理与设计过程 1. 对现有架构的梳理：对企业当前IT建设现状的梳理与分析 2. 价值流分析：以客户价值为中心，识别业务能力短板，制订架构建设目标 3. ESIA效能模型：清除、简化、集成、自动化，从这四个方面优化流程 4. 智能化：在现有流程的基础上，探索通过智能应用提高工作效率的方案 三、基于能力的规划 1. 能力维度、能力主线、能力增量 2. 基于能力的规划与设计过程 对现有架构的梳理与架构蓝图 实战演练：企业业务架构梳理过程 1. 组织模型与应用架构覆盖率的分析，发现应用架构的短板 2. 基于价值流的分析，建立业务能力与应用架构的映射 3. 基于价值流的业务能力，规划企业的应用架构与数据架构 价值流分析与业务架构梳理过程 1. 分析企业的组织架构（内部/外部/利益相关者） 2. 分析组织架构中不同角色的价值主张，形成价值流地图 3. 分析价值流与相关的业务能力之间的关系，寻找能力主线 4. 将价值流进一步细化，形成端到端的流程清单 5. 在流程清单中增加角色职能，绘制端到端的流程图 基于ESIA效能模型的端到端流程改造 一、ESIA效能模型的设计思想 二、实战演练：某家居行业基于ESIA效能模型的改进 1）清除冗余和非增值活动 2）简化复杂流程，使其简洁、高效，易于理解和执行 3）整合流程、人员、信息与供应商 4）系统自动化，提升业务智能化 DDD领域驱动设计与领域模型 领域驱动是解决业务复杂性问题 1.最初的产品需求并不复杂，但随着业务的拓展越来越复杂 2.随着业务的拓展，系统规模越来越大，交付速度越来越慢 3.越来越激烈的市场竞争，需要越来越快的交付速度 4.越来越快的技术更迭，需要软件系统越来越快速的技术更迭 解决方案： 1.认知负载理论揭示系统越复杂，业务变更成本越高 2.领域驱动设计的解决方案： 1)问题空间与解空间的设计思路 2)划分子域、限界上下文与领域建模 3)将限界上下文的划分落实到微服务的开发 对数智化转型的意义：数字孪生 1.数字孪生的概念： 将数据世界与真实世界对应起来，建立数据与业务的映射关系 2.数字孪生的建设： 将丰富多样的数据，按照价值流将它们串联起来、组织起来，形成数据中台 3.数字孪生的应用： 1）构建“连得通”、“转得动”、“精益化”的数字化流程 2）构建“懂业务”、“懂数据”的数据分析智能体 3）为未来开展丰富多样的智能应用提供源源不断的数据 领域建模的分析过程：事件风暴会议 演练案例：在线订餐系统的领域设计过程 1. 从领域中吸取业务领域知识 2. 统一语言建模：与用户沟通需求的高级技巧 3. 事件风暴会议 1） 梳理业务流程，识别领域事件 2） 为每个领域事件识别参与者、行为、相关事物 3） 标记事物之间的关系、聚合、聚合根 4） 根据业务划分限界上下文 5） 遍历所有事件，确定上下文映射 4. 业务领域建模 1） 为每个领域事件构建业务领域模型 2） 划分主题域、支撑域、通用域 3） 落实各子域之间的联系、接口及事件通知机制 |
| 第三章 应用架构设计 |
DDD的微服务落地实践 基于领域模型的战略设计 1. 小而专的微服务设计 2. 限界上下文与微服务拆分 3. 上下文地图与微服务接口 基于微服务的战术设计 1. 各微服务中实体、值对象与服务的设计 2. 各微服务中聚合、工厂与仓库的设计 3. 领域模型4种关系3种继承的数据库设计 4. 聚合层的设计、工厂和仓库的实现 5. 基于DDD的微服务架构分层 差异分析：架构转型路线图 1.目标架构：基于DDD规划的架构设计 2.基线架构：现有系统的架构设计现状 3.过渡架构：规划架构转型的路线图 DDD+微服务的设计难题 1.限界上下文及微服务划分的原则与方法 1）业务的相关性 2）业务的复杂度 3）主题域/支撑域 2.跨库查询的设计难题与设计实现 1）数据补填的解决方案 2）建立宽表的解决方案 3.领域事件的通知机制与设计实现 基于消息队列的事件通知机制 4.微服务接口的防腐层设计 5.状态查询跟踪的设计思路与代码实现 基于组件的模型分析与优化 一、CBM组件化模型的概念与设计思想 1. 内部专业化：整合内部业务职能，把流程优化转变为业务模块化建设 2. 外部专业化：集成外部商业合作伙伴，打造端到端的行业生态系统 二、CBM分析与改造的三个阶段：洞察、架构、投资 基于CBM的业务中台建设 一、中台的由来：淘宝和天猫的设计难题 二、阿里巴巴的中台建设思路与能力中心 三、案例分析：自助连锁服务的中台建设 |
| 第四章 数据架构设计 |
企业数智化转型的本质 1.让企业具有端到端流程的数字化运营管理的能力 管什么、怎么管、用什么管、管多宽 2.数据是如何赋能业务的？ 赋什么能： 1）为新产品创新赋能 2）为业务战略决策赋能 3）为高效而透明地运营赋能 怎么赋能： 1）建立企业数智化运营 2）搭建生态级数据共享平台 3）建设流批一体的数据中台 数据架构设计思路与过程 一、数据架构的设计思路：将数据从资源变为资产 1.数据生产：信息化建设过程中，制订数据标准、提高数据质量 2.数据加工：将分散在各系统的数据收集起来，通过加工形成资产 3.数据利用：进行数智化建设，让数据为业务赋能 数据资产管理与数据治理 数据资产管理的思路 1. 数据资产的构成：业务数据、分析数据、主数据 2. 数据资产管理的核心是数据治理 3. 为DeepSeek大模型理解数据创造条件 数据治理面临的难题 1. 杂乱无章的数据来源 2. 晦涩难懂的数据语义 3. 千差万别的数据格式 4. 无处不在的数据问题 数据治理的过程 1. 通过领域模型梳理各业务系统的业务 2. 将领域模型转换成多维数据模型 3. 探查数据质量，建立ETL过程 4. 将数据导入数据仓库，划分主题模型 案例：智慧远程大数据平台的建设过程 数据质量管理 数据质量管理的挑战 1.获取大量准确数据非常困难，不能满足分析需求 2.获取大量、丰富但不太准确的数据（大数据时代特征） 建立数据质量管理体系： 1.事前：数据质量评估 2.事中：建立ETL过程 3.事后：数据质量报告 数据质量管理的过程：ETL过程 1.数据清洗及其实战举例 2.数据转换及其实战举例 3.数据集成及其实战举例 主数据管理 主数据的范围： 1.基础数据、组织机构、财务类数据 2.物资设备、知识数据、客户/供应商 主数据系统架构： 1.主数据采集、主数据治理、主数据业务管理 2.主数据管控、主数据维护、主数据分发与数据安全 主数据建设的过程 1.没有主数据的数据治理：成本非常高 2.开始建设主数据：数据治理与主数据建设并行开展 3.建立起主数据系统：数据质量大幅度提高 元数据管理 元数据治理面临的挑战： 数据找不到、读不懂、不可信 元数据的概念与分类 1. 业务元数据、技术元数据、操作元数据 2. 消费侧、服务侧、数据主题侧、数据湖侧、数据源侧 讲解元数据治理的过程 1. 数据资产的整理与规范 2. 元数据的注册与采集 3. 元数据的版本管理与发布 案例：基于大模型的智能数据分析平台 1.通过元数据的梳理，让智能大模型也可以理解业务 2.用户输入提示词，让大模型自动生成SQL，进行数据分析 将领域模型转换成多维数据模型 1. 建立多维数据模型 1）动态数据：核心业务数据，有业务发生时间，最终形成事实表 2）静态数据：相关的档案、信息表、数据字典，最终形成维度表 2. 多维数据模型优化 1）雪花模型转换为星型模型 2）日期维、组合维、层级维 3）一对多、多对多的模型转换 3. 数据主题域的划分 4. 数据中台的分层： 原始数据层、细节数据层、轻度综合层、数据集市层 5. 数据集市与数据分析挖掘 |
| 第五章 技术架构设计 |
技术架构规划的设计思想 1. 体系化：将各种技术栈有机地集成整合 2. 专业化：不断面向全新的技术发展趋势 3. 集约化：从分散到集中的架构持续优化 技术架构的设计与规划 1. 上门户：服务网关、门户网站 2. 中共享：技术开发平台、业务中台建设 3. 下云化：分布式云原生、自动化运维 4. 左开发、右安全 5. 全业务领域数据中心 大数据中台的技术架构 1.尽可能多地采集数据：结构化数据采集与非结构化数据采集 案例：基于结构化数据与非结构化数据进行多模态的智能应用 2.流批一体的数据中台： 1）流式计算：Kafka + Flink/FlinkSQL + ElasticSearch 2）批量处理：Sqoop + Spark/SparkSQL + Hive 3.湖仓一体的数据基座： 数据湖：不同来源、不同格式、统一元数据管理的数据 数据仓库：统一格式、清晰结构、准确含义、高质量的数据 4.数据分析、数据挖掘： 1）数据分析工具：ClickHouse、Kylin 2）数据挖掘工具：SparkML/FlinkML/TensorFlow 5.人工智能大模型： 1）人工智能大模型：Ollama、DeepSeek、Qwen 2）搭建本地知识库：RAG、Dify、AnythingLLM 3）大语言应用框架：LangChain 4）Agent智能体：Manus |
|
第一章 企业架构设计概述 企业数智化转型的架构设计 过去的架构设计 1.从宏观上说明一套软件系统的组成与特性 2.需求驱动：整理现有的、已知的碎片化需求 3.不断复制、重复建设、缺乏复用、数据孤岛 现在的架构设计 1.站在全局角度去规划整个企业的架构 企业中各个产品线的业务规划 → 打通业务流 企业中各个产品线的技术规划 → 建立技术平台 企业中各个产品线的数据规划 → 建立数据中台 企业中各个产品线的组织规划 → 建立开发规范与组织原则 2.架构驱动：从全局的角度探索未知的业务，摸索未来发展的模态 3.串联与打通业务形态中的各种“链” 业务链 → 各部门精益协作，降本增效（敏捷转型） 数据链 → 打通上下游产业链，建立生态（数字化转型） 技术链 → 搭建统一、规范的平台，并持续改进（架构演化） 核心：以客户价值为核心 未来的架构设计 1.国产智能大模型DeepSeek的13个应用场景： 代码改写、代码解释、代码生成、中英文翻译，等等 2.智能大模型核心应用的精华： 提示词工程、投喂多模态数据、搭建本地知识库、Agent智能体 3.数据中台基础上的智能应用： 1）基于DeepSeek大模型的智能应用 2）基于多模态数据的智能应用 3）更多Agent智能体的应用 站在全局的角度规划企业架构 业务侧：业务进化 1.用数据赋能业务：赋什么能？如何赋能？ 2.将上下游数据资产化 1）让数据资源变为数据资产 2）打造跨组织的生态共享平台 3.建立以客户为中心的价值流 技术侧：技术赋能 1.用技术平台赋能业务系统 1）上门户、中共享、下云化、左开发、右安全 2）建立全业务领域数据中心 2.企业数智化转型： 1）信息化建设：将业务系统串联起来，建立端到端的信息流 2）数字化建设：建立独立的、基于大数据技术的数据中台 3）智能化建设：搭建基于DeepSeek大模型的各种智能应用 总结：企业架构设计整体思路 业务架构端到端、应用架构抓共享、数据架构做生态、技术架构平台化 |
|
第二章 业务架构设计 业务架构的规划与能力主线 一、业务架构的概念与重要作用 二、业务架构的梳理与设计过程 1. 对现有架构的梳理：对企业当前IT建设现状的梳理与分析 2. 价值流分析：以客户价值为中心，识别业务能力短板，制订架构建设目标 3. ESIA效能模型：清除、简化、集成、自动化，从这四个方面优化流程 4. 智能化：在现有流程的基础上，探索通过智能应用提高工作效率的方案 三、基于能力的规划 1. 能力维度、能力主线、能力增量 2. 基于能力的规划与设计过程 对现有架构的梳理与架构蓝图 实战演练：企业业务架构梳理过程 1. 组织模型与应用架构覆盖率的分析，发现应用架构的短板 2. 基于价值流的分析，建立业务能力与应用架构的映射 3. 基于价值流的业务能力，规划企业的应用架构与数据架构 价值流分析与业务架构梳理过程 1. 分析企业的组织架构（内部/外部/利益相关者） 2. 分析组织架构中不同角色的价值主张，形成价值流地图 3. 分析价值流与相关的业务能力之间的关系，寻找能力主线 4. 将价值流进一步细化，形成端到端的流程清单 5. 在流程清单中增加角色职能，绘制端到端的流程图 基于ESIA效能模型的端到端流程改造 一、ESIA效能模型的设计思想 二、实战演练：某家居行业基于ESIA效能模型的改进 1）清除冗余和非增值活动 2）简化复杂流程，使其简洁、高效，易于理解和执行 3）整合流程、人员、信息与供应商 4）系统自动化，提升业务智能化 DDD领域驱动设计与领域模型 领域驱动是解决业务复杂性问题 1.最初的产品需求并不复杂，但随着业务的拓展越来越复杂 2.随着业务的拓展，系统规模越来越大，交付速度越来越慢 3.越来越激烈的市场竞争，需要越来越快的交付速度 4.越来越快的技术更迭，需要软件系统越来越快速的技术更迭 解决方案： 1.认知负载理论揭示系统越复杂，业务变更成本越高 2.领域驱动设计的解决方案： 1)问题空间与解空间的设计思路 2)划分子域、限界上下文与领域建模 3)将限界上下文的划分落实到微服务的开发 对数智化转型的意义：数字孪生 1.数字孪生的概念： 将数据世界与真实世界对应起来，建立数据与业务的映射关系 2.数字孪生的建设： 将丰富多样的数据，按照价值流将它们串联起来、组织起来，形成数据中台 3.数字孪生的应用： 1）构建“连得通”、“转得动”、“精益化”的数字化流程 2）构建“懂业务”、“懂数据”的数据分析智能体 3）为未来开展丰富多样的智能应用提供源源不断的数据 领域建模的分析过程：事件风暴会议 演练案例：在线订餐系统的领域设计过程 1. 从领域中吸取业务领域知识 2. 统一语言建模：与用户沟通需求的高级技巧 3. 事件风暴会议 1） 梳理业务流程，识别领域事件 2） 为每个领域事件识别参与者、行为、相关事物 3） 标记事物之间的关系、聚合、聚合根 4） 根据业务划分限界上下文 5） 遍历所有事件，确定上下文映射 4. 业务领域建模 1） 为每个领域事件构建业务领域模型 2） 划分主题域、支撑域、通用域 3） 落实各子域之间的联系、接口及事件通知机制 |
|
第三章 应用架构设计 DDD的微服务落地实践 基于领域模型的战略设计 1. 小而专的微服务设计 2. 限界上下文与微服务拆分 3. 上下文地图与微服务接口 基于微服务的战术设计 1. 各微服务中实体、值对象与服务的设计 2. 各微服务中聚合、工厂与仓库的设计 3. 领域模型4种关系3种继承的数据库设计 4. 聚合层的设计、工厂和仓库的实现 5. 基于DDD的微服务架构分层 差异分析：架构转型路线图 1.目标架构：基于DDD规划的架构设计 2.基线架构：现有系统的架构设计现状 3.过渡架构：规划架构转型的路线图 DDD+微服务的设计难题 1.限界上下文及微服务划分的原则与方法 1）业务的相关性 2）业务的复杂度 3）主题域/支撑域 2.跨库查询的设计难题与设计实现 1）数据补填的解决方案 2）建立宽表的解决方案 3.领域事件的通知机制与设计实现 基于消息队列的事件通知机制 4.微服务接口的防腐层设计 5.状态查询跟踪的设计思路与代码实现 基于组件的模型分析与优化 一、CBM组件化模型的概念与设计思想 1. 内部专业化：整合内部业务职能，把流程优化转变为业务模块化建设 2. 外部专业化：集成外部商业合作伙伴，打造端到端的行业生态系统 二、CBM分析与改造的三个阶段：洞察、架构、投资 基于CBM的业务中台建设 一、中台的由来：淘宝和天猫的设计难题 二、阿里巴巴的中台建设思路与能力中心 三、案例分析：自助连锁服务的中台建设 |
|
第四章 数据架构设计 企业数智化转型的本质 1.让企业具有端到端流程的数字化运营管理的能力 管什么、怎么管、用什么管、管多宽 2.数据是如何赋能业务的？ 赋什么能： 1）为新产品创新赋能 2）为业务战略决策赋能 3）为高效而透明地运营赋能 怎么赋能： 1）建立企业数智化运营 2）搭建生态级数据共享平台 3）建设流批一体的数据中台 数据架构设计思路与过程 一、数据架构的设计思路：将数据从资源变为资产 1.数据生产：信息化建设过程中，制订数据标准、提高数据质量 2.数据加工：将分散在各系统的数据收集起来，通过加工形成资产 3.数据利用：进行数智化建设，让数据为业务赋能 数据资产管理与数据治理 数据资产管理的思路 1. 数据资产的构成：业务数据、分析数据、主数据 2. 数据资产管理的核心是数据治理 3. 为DeepSeek大模型理解数据创造条件 数据治理面临的难题 1. 杂乱无章的数据来源 2. 晦涩难懂的数据语义 3. 千差万别的数据格式 4. 无处不在的数据问题 数据治理的过程 1. 通过领域模型梳理各业务系统的业务 2. 将领域模型转换成多维数据模型 3. 探查数据质量，建立ETL过程 4. 将数据导入数据仓库，划分主题模型 案例：智慧远程大数据平台的建设过程 数据质量管理 数据质量管理的挑战 1.获取大量准确数据非常困难，不能满足分析需求 2.获取大量、丰富但不太准确的数据（大数据时代特征） 建立数据质量管理体系： 1.事前：数据质量评估 2.事中：建立ETL过程 3.事后：数据质量报告 数据质量管理的过程：ETL过程 1.数据清洗及其实战举例 2.数据转换及其实战举例 3.数据集成及其实战举例 主数据管理 主数据的范围： 1.基础数据、组织机构、财务类数据 2.物资设备、知识数据、客户/供应商 主数据系统架构： 1.主数据采集、主数据治理、主数据业务管理 2.主数据管控、主数据维护、主数据分发与数据安全 主数据建设的过程 1.没有主数据的数据治理：成本非常高 2.开始建设主数据：数据治理与主数据建设并行开展 3.建立起主数据系统：数据质量大幅度提高 元数据管理 元数据治理面临的挑战： 数据找不到、读不懂、不可信 元数据的概念与分类 1. 业务元数据、技术元数据、操作元数据 2. 消费侧、服务侧、数据主题侧、数据湖侧、数据源侧 讲解元数据治理的过程 1. 数据资产的整理与规范 2. 元数据的注册与采集 3. 元数据的版本管理与发布 案例：基于大模型的智能数据分析平台 1.通过元数据的梳理，让智能大模型也可以理解业务 2.用户输入提示词，让大模型自动生成SQL，进行数据分析 将领域模型转换成多维数据模型 1. 建立多维数据模型 1）动态数据：核心业务数据，有业务发生时间，最终形成事实表 2）静态数据：相关的档案、信息表、数据字典，最终形成维度表 2. 多维数据模型优化 1）雪花模型转换为星型模型 2）日期维、组合维、层级维 3）一对多、多对多的模型转换 3. 数据主题域的划分 4. 数据中台的分层： 原始数据层、细节数据层、轻度综合层、数据集市层 5. 数据集市与数据分析挖掘 |
|
第五章 技术架构设计 技术架构规划的设计思想 1. 体系化：将各种技术栈有机地集成整合 2. 专业化：不断面向全新的技术发展趋势 3. 集约化：从分散到集中的架构持续优化 技术架构的设计与规划 1. 上门户：服务网关、门户网站 2. 中共享：技术开发平台、业务中台建设 3. 下云化：分布式云原生、自动化运维 4. 左开发、右安全 5. 全业务领域数据中心 大数据中台的技术架构 1.尽可能多地采集数据：结构化数据采集与非结构化数据采集 案例：基于结构化数据与非结构化数据进行多模态的智能应用 2.流批一体的数据中台： 1）流式计算：Kafka + Flink/FlinkSQL + ElasticSearch 2）批量处理：Sqoop + Spark/SparkSQL + Hive 3.湖仓一体的数据基座： 数据湖：不同来源、不同格式、统一元数据管理的数据 数据仓库：统一格式、清晰结构、准确含义、高质量的数据 4.数据分析、数据挖掘： 1）数据分析工具：ClickHouse、Kylin 2）数据挖掘工具：SparkML/FlinkML/TensorFlow 5.人工智能大模型： 1）人工智能大模型：Ollama、DeepSeek、Qwen 2）搭建本地知识库：RAG、Dify、AnythingLLM 3）大语言应用框架：LangChain 4）Agent智能体：Manus |
近期公开课推荐
