让数据成为生产力：数据全生命周期管理

9.5.3 智慧城市3.0的特征

9.5.2 智慧城市3.0的发展历程

9.5.1 智慧城市3.0概述

9.5 智慧城市3.0

9.4.4 AIoT的应用场景

9.4.3 AIoT的体系架构

9.4.2 AIoT的发展历程

9.4.1 AIoT概述

9.4 AIoT

9.3.5 数字孪生的应用场景

9.3.4 数字孪生的现实意义

9.3.3 数字孪生的基本组成

9.3.2 数字孪生的原理

9.3.1 数字孪生的概念

9.3 数字孪生

9.2.6 区块链的数据需求

9.2.5 区块链的应用领域

9.2.4 区块链的特征

9.2.3 区块链的历程

9.2.2 区块链的起源

9.2.1 区块链的概念

9.2 区块链

9.1.5 元宇宙的数据需求

9.1.4 元宇宙的实现基础——数据

9.1.3 元宇宙带来的颠覆

9.1.2 元宇宙的要素

9.1.1 什么是元宇宙

9.1 元宇宙

第9章 不断涌现的新领域

8.6.4 万物连接的智慧城市

8.6.3 城市数字化到数字化城市

8.6.2 智慧城市1.0到3.0的演进

8.6.1 大数据和智慧城市

8.6 智慧城市

8.5.6 云计算需要关注的问题

8.5.5 云计算的应用

8.5.4 云计算的发展

8.5.3 云计算的特点

8.5.2 云计算的起源

8.5.1 什么是云计算

8.5 云计算

8.4.2 VR和AR等新技术带来的发展

8.4.1 大数据在媒体娱乐业的应用

8.4 媒体娱乐业

8.3.7 医疗保健数据的未来应用方向

8.3.6 医疗设备跟踪

8.3.5 患者满意度调查

8.3.4 员工时间管理

8.3.3 医疗设备的输出

8.3.2 电子病历系统

8.3.1 当前医疗保健的数据应用

8.3 医疗保健业

8.2.3 智能制造的应用范围

8.2.2 数据带动智能制造

8.2.1 智能制造的应用价值

8.2 制造业

8.1.3 在传统中创新

8.1.2 金融业数据应用的难点

8.1.1 金融业数据应用

8.1 金融业

第8章 数据的传统应用领域

7.4.2 掌握管理，避免安全事故

7.4.1 定期排查安全隐患

7.4 保障数据安全

7.3.3 利用数据改善运营

7.3.2 利用数据进行决策

7.3.1 制定企业数据战略

7.3 最大化数据价值

7.2.3 如何协同端边云

7.2.2 边缘在崛起中

7.2.1 核心会更为“核心”

7.2 端边云数据管理

7.1 解决海量存储需求

第7章 企业数据全生命周期管理的重中之重

6.5.4 数据湖

6.5.3 打通数据孤岛

6.5.2 数据孤岛成因分析

6.5.1 什么是数据孤岛

6.5 将采集的数据孤岛变为可用

6.4.3 数据保护的关键步骤

6.4.2 加强企业数据管理工作的措施

6.4.1 威胁数据安全的情形

6.4 确保采集数据的安全

6.3.2 采集正确的数据

6.3.1 了解自己的需求

6.3 确保需要的数据得到采集

6.2.3 数据运营思维

6.2.2 数据运营技术和工具

6.2.1 数据运营的概念

6.2 已采集数据的存储管理

6.1.3 激活采集的数据

6.1.2 数据流失

6.1.1 数据的价值

6.1 将采集的数据变为可用

第6章 企业数据管理面临的难题

5.3.3 数据要素市场化配置

5.3.2 数据要素流通

5.3.1 数据要素化

5.3 数据要素流通及市场化配置

5.2.4 数据资产化面临的难题

5.2.3 如何进行数据资产化

5.2.2 如何进行数据资源化

5.2.1 什么是数据资产

5.2 数据资产

5.1.5 不同行业数据分析的侧重点

5.1.4 有的放矢地分析数据

5.1.3 数据可分析

5.1.2 数据可视化

5.1.1 数据的宏观性、中观性、微观性

5.1 数据的价值体现

第5章 数据全生命周期管理的目的和意义

4.8.5 数据备份

4.8.4 数据分类

4.8.3 数据安全的保障措施

4.8.2 数据安全的重要性

4.8.1 什么是数据安全

4.8 数据安全

4.7.2 数据标准

4.7.1 数据质量管理过程

4.7 数据质量管理

4.6.3 认证擦除

4.6.2 数据擦除的必要性

4.6.1 什么是数据擦除

4.6 数据擦除

4.5.5 数据转换

4.5.4 数据标注

4.5.3 数据处理模式

4.5.2 数据处理方法

4.5.1 数据处理过程

4.5 数据处理

4.4.4 数据融合

4.4.3 数据交换和共享的方式

4.4.2 数据交换和共享的原则

4.4.1 数据交换和共享概述

4.4 数据交换和共享

4.3.5 数据复制

4.3.4 数据迁移

4.3.3 存储技术

4.3.2 常见存储介质

4.3.1 数据存储概述

4.3 数据存储

4.2.3 数据传输步骤

4.2.2 数据传输方式

4.2.1 数据传输概况

4.2 数据传输

4.1.6 常见的采集系统

4.1.5 如何采集数据

4.1.4 数据采集工具

4.1.3 数据采集的原理

4.1.2 数据采集的目的

4.1.1 何谓数据采集

4.1 数据采集

第4章 数据全生命周期管理

3.2.2 应对未来的大数据思维

3.2.1 未来数据

3.2 未来的数据

3.1 当前的数据

第3章 数据的未来

2.5.3 终端

2.5.2 边缘

2.5.1 核心

2.5 数据化内容创建的位置

2.4.2 企业数据

2.4.1 个人数据

2.4 数据来源

2.3.3 混合类数据

2.3.2 事件类数据

2.3.1 状态类数据

2.3 状态类、事件类、混合类数据

2.2.3 时间类数据

2.2.2 数值类数据

2.2.1 文本类数据

2.2 文本类、数值类、时间类数据

2.1.4 结构化与非结构化如何转换

2.1.3 数据的处理工具

2.1.2 结构化数据和非结构化数据的差异

2.1.1 结构化、半结构化与非结构化数据

2.1 结构化和非结构化数据

第2章 数据类型、来源与创建位置

1.4 不断膨胀的数据圈

1.3 数字化的世界

1.2 数据和信息

1.1 数据起源和概述

第1章 数据认知

前言

序言5

序言4

序言3

序言2

序言1

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

序言1

序言2

序言3

序言4

序言5

前言

第1章 数据认知

1.1 数据起源和概述

1.2 数据和信息

1.3 数字化的世界

1.4 不断膨胀的数据圈

第2章 数据类型、来源与创建位置

2.1 结构化和非结构化数据

2.1.1 结构化、半结构化与非结构化数据

2.1.2 结构化数据和非结构化数据的差异

2.1.3 数据的处理工具

2.1.4 结构化与非结构化如何转换

2.2 文本类、数值类、时间类数据

2.2.1 文本类数据

2.2.2 数值类数据

2.2.3 时间类数据

2.3 状态类、事件类、混合类数据

2.3.1 状态类数据

2.3.2 事件类数据

2.3.3 混合类数据

2.4 数据来源

2.4.1 个人数据

2.4.2 企业数据

2.5 数据化内容创建的位置

2.5.1 核心

2.5.2 边缘

2.5.3 终端

第3章 数据的未来

3.1 当前的数据

3.2 未来的数据

3.2.1 未来数据

3.2.2 应对未来的大数据思维

第4章 数据全生命周期管理

4.1 数据采集

4.1.1 何谓数据采集

4.1.2 数据采集的目的

4.1.3 数据采集的原理

4.1.4 数据采集工具

4.1.5 如何采集数据

4.1.6 常见的采集系统

4.2 数据传输

4.2.1 数据传输概况

4.2.2 数据传输方式

4.2.3 数据传输步骤

4.3 数据存储

4.3.1 数据存储概述

4.3.2 常见存储介质

4.3.3 存储技术

4.3.4 数据迁移

4.3.5 数据复制

4.4 数据交换和共享

4.4.1 数据交换和共享概述

4.4.2 数据交换和共享的原则

4.4.3 数据交换和共享的方式

4.4.4 数据融合

4.5 数据处理

4.5.1 数据处理过程

4.5.2 数据处理方法

4.5.3 数据处理模式

4.5.4 数据标注

4.5.5 数据转换

4.6 数据擦除

4.6.1 什么是数据擦除

4.6.2 数据擦除的必要性

4.6.3 认证擦除

4.7 数据质量管理

4.7.1 数据质量管理过程

4.7.2 数据标准

4.8 数据安全

4.8.1 什么是数据安全

4.8.2 数据安全的重要性

4.8.3 数据安全的保障措施

4.8.4 数据分类

4.8.5 数据备份

第5章 数据全生命周期管理的目的和意义

5.1 数据的价值体现

5.1.1 数据的宏观性、中观性、微观性

5.1.2 数据可视化

5.1.3 数据可分析

5.1.4 有的放矢地分析数据

5.1.5 不同行业数据分析的侧重点

5.2 数据资产

5.2.1 什么是数据资产

5.2.2 如何进行数据资源化

5.2.3 如何进行数据资产化

5.2.4 数据资产化面临的难题

5.3 数据要素流通及市场化配置

5.3.1 数据要素化

5.3.2 数据要素流通

5.3.3 数据要素市场化配置

第6章 企业数据管理面临的难题

6.1 将采集的数据变为可用

6.1.1 数据的价值

6.1.2 数据流失

6.1.3 激活采集的数据

6.2 已采集数据的存储管理

6.2.1 数据运营的概念

6.2.2 数据运营技术和工具

6.2.3 数据运营思维

6.3 确保需要的数据得到采集

6.3.1 了解自己的需求

6.3.2 采集正确的数据

6.4 确保采集数据的安全

6.4.1 威胁数据安全的情形

6.4.2 加强企业数据管理工作的措施

6.4.3 数据保护的关键步骤

6.5 将采集的数据孤岛变为可用

6.5.1 什么是数据孤岛

6.5.2 数据孤岛成因分析

6.5.3 打通数据孤岛

6.5.4 数据湖

第7章 企业数据全生命周期管理的重中之重

7.1 解决海量存储需求

7.2 端边云数据管理

7.2.1 核心会更为“核心”

7.2.2 边缘在崛起中

7.2.3 如何协同端边云

7.3 最大化数据价值

7.3.1 制定企业数据战略

7.3.2 利用数据进行决策

7.3.3 利用数据改善运营

7.4 保障数据安全

7.4.1 定期排查安全隐患

7.4.2 掌握管理，避免安全事故

第8章 数据的传统应用领域

8.1 金融业

8.1.1 金融业数据应用

8.1.2 金融业数据应用的难点

8.1.3 在传统中创新

8.2 制造业

8.2.1 智能制造的应用价值

8.2.2 数据带动智能制造

8.2.3 智能制造的应用范围

8.3 医疗保健业

8.3.1 当前医疗保健的数据应用

8.3.2 电子病历系统

8.3.3 医疗设备的输出

8.3.4 员工时间管理

8.3.5 患者满意度调查

8.3.6 医疗设备跟踪

8.3.7 医疗保健数据的未来应用方向

8.4 媒体娱乐业

8.4.1 大数据在媒体娱乐业的应用

8.4.2 VR和AR等新技术带来的发展

8.5 云计算

8.5.1 什么是云计算

8.5.2 云计算的起源

8.5.3 云计算的特点

8.5.4 云计算的发展

8.5.5 云计算的应用

8.5.6 云计算需要关注的问题

8.6 智慧城市

8.6.1 大数据和智慧城市

8.6.2 智慧城市1.0到3.0的演进

8.6.3 城市数字化到数字化城市

8.6.4 万物连接的智慧城市

第9章 不断涌现的新领域

9.1 元宇宙

9.1.1 什么是元宇宙

9.1.2 元宇宙的要素

9.1.3 元宇宙带来的颠覆

9.1.4 元宇宙的实现基础——数据

9.1.5 元宇宙的数据需求

9.2 区块链

9.2.1 区块链的概念

9.2.2 区块链的起源

9.2.3 区块链的历程

9.2.4 区块链的特征

9.2.5 区块链的应用领域

9.2.6 区块链的数据需求

9.3 数字孪生

9.3.1 数字孪生的概念

9.3.2 数字孪生的原理

9.3.3 数字孪生的基本组成

9.3.4 数字孪生的现实意义

9.3.5 数字孪生的应用场景

9.4 AIoT

9.4.1 AIoT概述

9.4.2 AIoT的发展历程

9.4.3 AIoT的体系架构

9.4.4 AIoT的应用场景

9.5 智慧城市3.0

9.5.1 智慧城市3.0概述

9.5.2 智慧城市3.0的发展历程

9.5.3 智慧城市3.0的特征