导读：上一篇《》中我们阐述了四大体系之数据架构体系，解释了云原生大数据实践、国产数据库创新变革、湖仓一体落地实践、OLAP 发展趋势四个论坛的架构思路。
接下来是四大体系之二数据效能，注重数据消费。
数据经过生产后，要进行消费，实现数据价值转化。但在提高数据消费性能之前，首先要面对的是规范化、质量不足带来的成本消耗。
因此，数据消费要建立在经由数据资产管理、DataOps、MLOps 构建的规范化、高质量数据链路之上。
通过数据资产管理，企业可以实现数据生产的规范化和降本增效，但企业还将面临多源数据整合、组织文化转变的困难。
DataOps 和 MLOps 能够帮助团队快速迭代和部署高质量的数据产品和算法，在实践应用中将面临组织变革、安全性、模型开发、人才稀缺等方面的困难。
通过克服这些困难，在规范化、高质量数据链路上，企业可基于指标体系、A/B实验来支持企业高效决策。
随着应用的深入，指标体系变得愈加精细化、普及化。但指标在设计、表达、维护等方面还存在着不小的挑战。从业人员需要让指标体系与目标管理体系对齐，才能实现数据消费价值的转化。
随着技术的发展，A/B实验出现了与 AI 结合、向非结构化数据扩展、实验设计持续优化等趋势，A/B实验也逐渐与数据分析相融合，创造更强大的数据消费工具。而在实际应用中，A/B实验仍然会遇到样本量不足、滞后效应等挑战。
为此，数据效能体系将带来指标体系建设与实践、数据资产管理实践、A/B实验技术演进、DataOps 与 MLOps 四大论坛，深度分享企业实践应对挑战的解决方案，以更好地实现高效数据消费。
目前，我们已经邀请到了来自阿里巴巴、蚂蚁集团、腾讯、字节跳动、快手、滴滴等公司的资深技术专家担任专题出品人，有更多精彩议题正在打磨中，敬请期待。
点击下方链接，获取大会门票
DataFunCon2023（北京站）：数据智能创新与实践大会
--
01/指标体系
指标体系是指对一个组织进行多方面评估和监控的指标的集合，是评估组织的功能和效果的重要工具。随着应用的深入以及与大数据技术的结合，指标体系变得愈加精细化、普及化。但指标在设计、采集、表达、维护、应用方面还存在着不小的挑战。从业人员需要不断在实践中克服这些难题，才能让指标体系最终与目标管理体系对齐，实现数据消费价值的转化。
指标体系论坛希望借助专家的实践经验，促进指标体系的持续发展和优化，推进指标体系指导下的企业效能提升。
--
02/数据资产管理
数据资产管理是企业管理数据及其价值的过程，涉及数据分类、数据清洗、数据安全、数据质量等方面。通过数据资产管理，企业可以实现数据生产的规范化，实现降本增效。随着机器学习等技术不断受到重视，推动着数据资产管理在数据分析和挖掘中的应用持续增加，反过来又进一步推进了AI技术的创新。但同时，企业还将面临多源数据整合、数据安全规范、组织文化转变中的困难。
数据资产管理论坛旨在帮助企业深入了解和掌握数据资产管理的实践解决方案，以更好地实现数据的共享、整合和开发。
--
03/ A/B实验
A/B实验是指在进行两个或多个版本的测试时，随机分配不同版本给不同的测试组进行比较，从而分析出哪种版本在目标人群中具有最好的表现效果。随着技术的发展，A/B实验的方法和工具日益丰富完善，目前市面上已有很多成熟的A/B测试平台和工具，并出现了与 AI 结合、向非结构化数据扩展、实验设计持续优化等趋势，A/B实验也逐渐与数据分析相融合，创造更强大的数据消费工具。而在实际应用中，A/B实验仍然会遇到样本量不足、多变量复杂性、滞后效应等挑战。
A/B实验论坛将介绍A/B实验的平台建设、业务分析应用等方面的实践经验，并通过多行业的案例分享帮你更好地掌握A/B实验的方法论。
--
04/ DataOps与MLOps
DataOps 和 MLOps 都是将 DevOps 的开发、测试和部署原则应用到数据和机器学习生命周期管理中的方法论。DataOps 和 MLOps 能够帮助数据和机器学习项目团队快速迭代和部署高质量的数据产品和算法，提高数据生产效率和生产力的同时，降低数据管理和算法开发的成本。在实践应用中，DataOps 和 MLOps 将面临组织变革、安全性、数据集成、数据质量、模型开发、全生命周期管理、人才稀缺等方面的困难。
DataOps & MLOps 论坛将分享最佳实践、技术和方法，以使 DataOps 和 MLOps 的实践更好地服务于数据和机器学习生命周期管理，从而更好地促进业务发展。
