一、课程简介：
近些年，随着数据中台、大数据、机器学习、人工智能等高科技技术的不断发展，越来越多的企业开始着眼于整理自己的数据资产、挖掘自身的数据业务、开拓自己的数据产品。然而，由于各个企业自身的起点不同，有的是从开展简单的分析任务开始，有的是如何建设自己的数据中台，有的已经开始深度数据挖掘与智能应。同时，这个过程中也遇到了诸多的难题与困惑，不知道如何更加有效地开展工作，未来的发展方向又在哪里。
本课程从实战的角度，讲解了不同阶段数据应用的建设思路，规划未来发展的路线图。最初，如何开展简单的数据分析任务，确定问题→数据清洗→数据建模→数据验证的设计套路，以及由粗到细挖掘有价值的数据的分析思路。然后，为了长期持久地分析应用数据，如何建设数据中台，开展数据资产治理的工作，包括数据资产管理、建立元数据和主数据、数据质量管理等。接着，在这样的基础上如何数据挖掘、价值变现、形成数据产品。更进一步的，开展用户画像、机器学习、智能业务，等等。
二、主办单位：
北京中际孚歌科技有限公司
北京中际赛威文化发展有限公司
三、协办单位：
中国高科技产业化研究会智能信息处理分会
四、研修时间/地点：2026年11月27-28日 上海
五、培训对象：
1、系统架构师、系统分析师、高级程序员、资深开发人员。
2、牵涉数据分析处理的运营、规划、设计负责人。
六、培训特色：
本课程注重实战，范老师在数据分析与建设相关领域从业多年，收集了大量的真实案例，会针对项目过程中常见的问题进行汇总、研讨，并最终形成培训教程。通过大量的真实案例，详细地介绍了数据分析与建设过程中需要注意的要点以及难点，这些知识都是讲师十几年经验的总结。
七、课程大纲：
第一章 数据分析
一、数据分析的本质
二、数据分析的方法
1）建立数据思维：用客观数据分析问题
2）掌握分析技能：软技能 vs. 硬技能
三、数据分析的角色：数据经理、业务专家、数据分析师
四、数据分析的套路：
确定问题→数据采集→数据清洗→数据建模→数据分析→模型验证
企业数字化转型
案例：某制造企业数字化转型分析设计过程
1）核心价值流的分析与业务能力主线
2）业务能力的PDCA分析与智能化改进
3）通过数字化建设提示企业产品交付能力
数据风控系统
案例：税务系统虚开发票风险监控系统建设过程
1）风控指标的设计思路与分析过程
2）建立风控系统的大数据架构体系
数字化运营
案例：滴滴打车的数字化运营与产品创新过程
1）基于数据的分析开展运营决策
2）滴滴优享的用户数据分析与产品设计过程
3）花小猪的用户数据分析与下沉市场挖掘
用户画像与打标签
案例：企业征信大数据平台的建设
1）用户画像与标签管理
2）数据标签的分类：属性标签、统计标签、算法标签
3）数据标签的设计过程：确定对象、打通关系、设计类目、标签融合表
4）数据标签融合表的设计
第二章 数据治理
数据资产管理
1.数据资产管理的概念与内容
2.数据资产的构成：业务数据、分析数据、主数据
3.数据资产管理的挑战
数据资产管理的核心是数据治理
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
数据治理的核心：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
数据治理落地：数据仓库
1. 主题数据模型（主题域划分）
2. 多维数据模型（事实表、维度表）
3. 数据仓库分层：ODS, DWD, MID, DM, ADS
4. 数据仓库设计与运维
主数据管理
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
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
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
案例：基于元数据的AI智能数据分析
1. 数据资产的整理与规范
2. 将元数据整理形成知识库
3. 搭建AI智能体数据分析系统
基于DDD的数据治理实战
1.通过领域模型梳理业务系统的数据
2.基于领域模型建立多维数据模型
3.探查数据质量，建立ETL过程
4.导入数据仓库，建立数据中台
案例：智慧远程大数据平台的建设过程
将领域模型转换成多维数据模型
1.建立多维数据模型
a)动态数据：核心业务数据，有业务发生时间，最终形成事实表
b)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
a)雪花模型转换为星型模型
b)日期维、组合维、层级维
c)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
实战演练：AI辅助的数据治理过程
1.AI辅助对数据字典进行分类梳理
2.AI辅助对业务系统建立领域模型
3.AI辅助将领域模型转换成多维模型
4.AI辅助形成数据仓库设计
第三章 数据挖掘
一、数据挖掘的本质：挖掘数据中潜藏的规律
二、基于大数据平台的数据挖掘过程
1）经验模型 vs. 数据模型
2）不是随机样本，而是全体数据
3）不是精确而是混杂
跨行业数据挖掘标准流程（CRISP-DM）
1.理解业务：理解业务场景、理解业务需求
2.理解数据：数据来源、数据含义、数据量、数据质量
3.准备数据：采集数据、探索数据、数据清洗
4.数据建模：关联分析、分类问题、预测模型、聚类算法
5.模型评估：准确率、精确率、召回率、过度拟合
6.部署应用：大数据开发、分布式部署
分类算法的原理及其应用
1.决策树算法的原理与应用
2.案例：预测女神“约”还是“不约”
a)算法原理与动手设计
b)算法评估与模型优化
预测问题的原理及其应用
1.逻辑回归算法的原理与应用
2.案例：市场营销与广告投入的分析
3.案例：企业成长性预测模型的设计过程
聚类算法的原理及其应用
1.K-means算法的原理与应用
第四章 人工智能
人工智能如何识别图像
1.深度学习与神经网络
2.神经网络算法的原理
3.案例：演练神经网络识别图像的过程
人工智能与聊天机器人
1.什么是LLM大语言模型
2.深度剖析GPT算法
a)什么是生成式预训练AI模型
b)Transformer语言模型的架构与原理
3.大语言模型的智能化应用
1）提示词工程与智能体
2）搭建知识库与RAG
3）模型微调
国内外主流大语言模型
1.OpenAI与ChatGPT的发展历程
ChatGPT的前世今生与发展趋势
浅析GPT算法的原理与特点
聊天机器人与多模态应用
2.DeepSeek 的发展历程和对行业的影响
DeepSeek V3 通用模型与 R1 推理模型
DeepSeek 的不同版本：满血版、蒸馏版及其差别
3.其它大语言模型及其技术选型
如何开展人工智能业务
案例分析：远程智慧诊疗大数据平台的人工智能建设
1.项目建设思路与规划
1）项目背景与系统规划
2）经验模型+数据模型的建设思路
2.医生对患者诊断与治疗的业务梳理过程
3.多模态的数据建模过程
1）通过推荐算法为患者推荐医生的建模过程
2）通过ChatGPT模拟医生问诊的数据建模过程
3）通过深度神经网络模拟医生诊断的机器学习过程
4）通过深度神经网络模拟医生开药的机器学习过程
4.大数据采集、大数据中台建设与建立人工智能算法闭环
5.设计智能前端、架构智能业务系统与基于SaaS的云服务
6.项目踩坑与经验教训分享
八、培训费用及注意事宜：
1. 培训费：3980元/人(含培训费、午餐费、讲义资料费等)
2. 培训期间食宿统一安排，费用自理。
3. 收款、开发票、培训会务工作由北京中际孚歌科技有限公司负责。
九、证书颁发：培训结束后由主办单位向参会单位学员颁发结业证书。
十、咨询联系：010-64113137