数据研发问题之数据研发岗位收集常用系统名称如何解决

简介: 数据研发问题之数据研发岗位收集常用系统名称如何解决

问题一:数据研发岗位为什么要收集常用系统名称及其关键词缩写?

数据研发岗位为什么要收集常用系统名称及其关键词缩写?


参考回答:

收集常用系统名称及其关键词缩写可以帮助我们快速了解需要的数据在哪里,便于在业务提出新的数据需求时,知道如何推进研发工作,该从哪接入数据。


关于本问题的更多回答可点击原文查看:https://developer.aliyun.com/ask/618546



问题二:在了解业务系统时,数据研发岗如何分配精力?

在了解业务系统时,数据研发岗如何分配精力?


参考回答:

在了解业务系统时,数据研发岗可以先聚焦于公司的核心系统,再衍生开了解与其他系统的流程交互与数据交互。对于新人来说,精力有限,因此可以优先了解核心系统,再逐渐扩展到其他相关系统。


关于本问题的更多回答可点击原文查看:https://developer.aliyun.com/ask/618547



问题三:菜鸟和蚂蚁在业务系统演进上有哪些例子?

菜鸟和蚂蚁在业务系统演进上有哪些例子?


参考回答:

菜鸟在业务初期侧重平台建设,核心围绕物流详情和履约协同构建系统,随着业务演进又拆解衍生出仓储、配送等系统。蚂蚁发源于支付业务,早期关注支付的便捷性、支付成功率及对账一致性,随着业务场景复杂,后续又拆解出关注资金流动、收单交易等系统,以及专门支持金融理财的业务系统。


关于本问题的更多回答可点击原文查看:https://developer.aliyun.com/ask/618548



问题四:体系化的稳定性建设主要包括哪四个部分?

体系化的稳定性建设主要包括哪四个部分?


参考回答:

体系化的稳定性建设主要包括四个部分,一、确定目标,是一切开始的前提;二、方法论部分用于沉淀稳定性建设的理论方法,支撑后续的动作;三、动作路由,对应方法论部分希望可以用一张图把建设路径讲清楚;四、拿结果,对应各个阶段进行进度跟踪,保证可以拿到最后的结果。



关于本问题的更多回答可点击原文查看:https://developer.aliyun.com/ask/618549



问题五:做稳定性摸排的第一原则是什么?

做稳定性摸排的第一原则是什么?


参考回答:

要假设任何地方都可能出问题,但只有原则的直接影响就是,摸排过程中会觉得“都是问题,又可能都不是问题”。所以,做摸排的第一件事就是要确定目标,有了目标才有重点和优先级。


关于本问题的更多回答可点击原文查看:https://developer.aliyun.com/ask/618550

相关文章
|
3月前
|
对象存储
就软件研发问题之创建和管理数据流动及其任务的问题如何解决
就软件研发问题之创建和管理数据流动及其任务的问题如何解决
|
4月前
|
数据采集 运维 监控
软件研发核心问题之用户行为采集容易出的问题如何解决
软件研发核心问题之用户行为采集容易出的问题如何解决
|
4月前
|
数据挖掘
数据研发问题之组织架构如何解决
数据研发问题之组织架构如何解决
|
5月前
|
敏捷开发 测试技术 持续交付
阿里云云效产品使用问题之如何在组织层面按月、人员的维度(不按项目)统计工时
云效作为一款全面覆盖研发全生命周期管理的云端效能平台,致力于帮助企业实现高效协同、敏捷研发和持续交付。本合集收集整理了用户在使用云效过程中遇到的常见问题,问题涉及项目创建与管理、需求规划与迭代、代码托管与版本控制、自动化测试、持续集成与发布等方面。
|
5月前
|
数据采集 人工智能 供应链
想要解决数据治理的难题吗?首先,摒弃无稽之谈
想要解决数据治理的难题吗?首先,摒弃无稽之谈
|
6月前
|
机器学习/深度学习 数据采集 监控
数据分析师的主要工作内容涉及哪些方面?
【4月更文挑战第4天】数据分析师的主要工作内容涉及哪些方面?
81 8
|
资源调度 前端开发 UED
09前端 L eader 如何做好团队规划?阿里内部培训总结公开|学习笔记
快速学习09前端 L eader 如何做好团队规划?阿里内部培训总结公开
365 0
|
机器学习/深度学习 算法 开发者
案例:最出色的数据运营者如何工作|学习笔记
快速学习案例:最出色的数据运营者如何工作
128 0
案例:最出色的数据运营者如何工作|学习笔记
|
数据采集 存储 机器学习/深度学习
数据太多、太乱、太杂?你需要这样一套数据治理流程
数据作为机器学习的基础,从 GB、TB 到 PB 已经增长了无数倍,现在大一点的业务场景,没有 TB 级数据都提供不了高效的体验。那么数据怎么治理才好,怎样与模型、算力结合才算妙?在本文中,我们将看看什么是 HAO 数据治理模型,看看公安数据到底是如何规范处理的。
290 0
数据太多、太乱、太杂?你需要这样一套数据治理流程