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 |