大数据平台规划与数据价值挖掘应用咨询项目解决方案相关两份资料

某乘用车公司

大数据平台规划与数据挖掘应用咨询项目解决方案

提纲背景与目标篇应用功能蓝图篇数据治理数据夯实篇数据模型算法定义和设计实战案例一实战案例二项目实施管理篇附录成功案例大数据平台

背景与目的篇项目背景4系统数据孤岛业务部门数据关注维度不统一数据完整性数据真实性业务部门无法便捷使用数据业务部门无法业务预测数据应用体系现状业务部门对提供的数据满意度不高！业务分析主题局限与传统领域！数据分析效率低，命中率低，采取的技术手段和算法比较传统！数据服务层BigDataPlatform数据接入层结构化数据库非结构化数据文件项目目标大数据平台

应用功能蓝图篇大数据平台应用规划蓝图7参考示例数据数据流向与配置8服务技术支持维修手册与技术通报消费者体验车辆知晓体验与购买，备件与精品知晓与购买，服务预约与购买与反馈、客户意见与投诉维修站服务接待、派工、维修、外包、验收、结账、索赔CRM市场活动、客户回访、客户服务中心、线索商机、分析统计备件中心（总库、区域库、经销商库）库存、备件订单备件工程支持SBOM数据整理车辆规格与配置销售车辆前工程售后服务前工程工厂系统车辆规格与配置成车入库订单及状态更新车辆制造、零件装配与质量数据技术数据车联产品管理车辆的信息维护、发布、定价车载移动/使用数据财务系统物流系统一车一档（车辆生产制造、制造质量、零件装配等信息）整车管理（总库、中转库、经销商库）存、车辆台账产品管理除了车辆，所有其它产品与服务产品的信息维护、发布、定价整车销售预测及订单资金查询、冻结、扣款整车销售（销售预测、销售计划、批发订单运输物流数据GFO车联网车辆零件装配数据车辆定位锁车供应商管理产销协同销售预测数据、订单、订单状态采购计划、订单客户管理协作与广告舆情监控电商与门户销售线索采集（潜客）销售情报采集，分类存储管理销售目标客户预测存量客户销售订单、采购、库存、保养、维修、精品销售、置换情报采集销售线索培育流程预测培育成熟度预测转化车辆生命周期客户生命周期价值提升客户价值提升参考示例某汽车集团初步建议的规划路线图建平台通渠道汇数据挖价值创特色现有大数据平台诊断，优化，消除数据割据，信息孤岛，提升数据质量快速形成统一的业务数据视图，初步实现典型业务场景数据价值挖掘应用以整车销售为中心，建立完整的数据应用支持体系大数据应用团队与体系团队建设数据整合拉通完成，产出两个算法，为市场和业务提供精准营销外部业务横向联合（BigData)，丰富完善数据视图，通过ML保障数据应用持续提升算法优化，提升精准营销支持能力由数据流到数字化，结构化，可视化供应链价值链，精确分析供应链关键环节成本、效率、质量和价值，支撑数字化精准管控和营销大数据科学家团队建设大数据平台改造创新应用，多渠道协作应用围绕产品创新、模式创新、服务创新以及渠道创新，打造领先的数字化创新平台，进一步提升数据资产的价值第一年第二年第三年第四年第五年实现思路：边规划，边建设，边收益，逐步完善；不断夯实扩充数据平台，丰富完善数据视图；从客户—>销售—>服务—>生产—>库存—>物流全供应链数据应用大数据平台

数据治理数据夯实篇数据治理数据夯实—主数据分析与优化11主数据集成与规范优化主数据定义与主数据衍生数据的识别代码：表示特定、唯一Feature的一个或者一组字符编码：给Feature赋予代码的过程主数据命名和编码规范发布和管理办法的执行代码推送服务代码新增和更新客户进厂维修/配件保险/信贷汽车精品DMSERP车联网O2O汽车论坛汽车之家CRM展厅接待二手车呼叫中心抽取加工推送规划配置任务调度4S店MES仓储物流主数据路由器主数据搬运工数据治理数据夯实—主数据EDM架构企业级销售大数据平台12DMSERP+MES整合数据数据质量校验建模数据存储数据服务作业企业大数据平台DM1源系统企业级数据仓库主数据DM2TSPCRM。。。O2O……数据治理数据夯实—自动化数据集成数据集成ETL平台

元数据统一管理平台BigData(EDM)中间数据库(ODS)D1D2D…

ApplicationServerMSSQLServerAzureMSSQLServerAzureMSSSISAzureETLD3WebAPPMSOLAP

CubeViewsDataCube数据入库路演数据源数据应用平台数据监控管理应用安全管理数据源元数据管理技术元数据管理商业元数据管理DataCleaningDataIntegrationDataCheckingDataAnalysis13PowerBIOffice365WebURL数据治理数据夯实—数据质量校验完整性丢失关键数值合法性非法格式一致性数据是格式正确并完整，但不符合业务逻辑值域划分界定数值范围重复性:模糊匹配主次+多级主键mapping体系

数据自动校验

数据补录功能14数据治理数据夯实—企业数据模型（EDM）15企业数据模型意义通过企业数据模型定义整个企业信息化体系的数据标准，逐步统一企业内数据标准，为从根本上解决企业数据分散重复、口径不一致、共享困难造成的信息孤岛等问题奠定坚实的基础，推动企业内各类信息系统的整合和数据的共享，全面提升经营决策、运营管理、业务拓展和客户服务等方面的支撑能力企业数据模型的目的企业数据模型的作用并非是直接做为系统的数据模型，而是作为一个企业的数据标准，指导各个应用系统的数据模型统一设计，避免出现大的业务概念不一致，从根本上保证系统之间能实现数据的较好共享，消除由于各个系统自行设计开发而导致的数据孤岛现象，从而提高企业的运营效益、提高数据质量数据治理数据夯实—EDM概念模型16客户概念模型产品概念模型市场营销概念模型渠道合作概念模型服务概念模型资源概念模型数据治理数据夯实—客户域概念模型(举例）17支持统一客户视图是客户域数据模型设计的主要理念将涉及人的信息都集中到“客户”实体，实现客户数据的统一；整合各个渠道的客户交互，用“客户交互”实体统一展现各个渠道的交互信息，为统一客户接触提供前提；把以前分散各业务系统的客户信用度、积分、客户价值、生命周期阶段、消费喜好等客户评估概念集中在“客户”实体上体现；通过“服务水平”实体，实现客户服务的统一；帐务部分设计主要面向金融、保险、医疗等业务，实现对灵活业务需求的支撑；“支付关系”实现对传统银行、网络支付、保险的支持；18数据治理数据夯实—逻辑模型－客户主域（举例）客户涵盖购买者、使用者、潜在客户等概念，实现客户资料的统一；整合各个渠道的客户交互信息，为统一客户视图提供前提；将客户信用度、积分、客户流失倾向等客户评估概念在客户层面集中展现为客户360°分析提供原材料，作为客户360视图里的输入19数据治理数据夯实—逻辑模型－客户信息子域（举例）“客户”首先分成两类－“企业客户”和“个人客户”，对于不同类型的客户所需的客户资料会有所区别。共性的信息会集中在“客户”上来展现，而基于客户类型的客户信息则会在“企业客户”和“个人客户”上分别体现。比如，企业客户资料里会包括客户的企业规模、经营范围、业绩等内容，而个人客户资料则包括客户的性别、职业、国籍等等信息。数据治理数据夯实—逻辑模型－客户交互子域（举例）20“客户交互”整合了不同BG的客户交互信息，如由销售服务中心、展厅、互联网和销售经理访问产生的客户交互。从数据层面为统一客户接触提供前提。“客户交互结果”可以记录“客户交互”产生的结果分为“客户咨询”、“客户投诉”、“客户订单”。“客户交互”和“客户交互结果”都是不完全分类，根据业务状况可以扩展。4S店车展数据治理数据夯实—逻辑模型－客户评价、客户关系、客户服务等级子域21大数据平台

数据模型算法定义和设计①业务定义业务问题定义模型参数定义②模型训练用户基本资料用户接触资料用户帐单资料车辆基本信息车辆维修信息车辆位置信息…④活动执行短信4S店邀约TM试驾体验……⑤活动数据反馈⑥活动评估及调优③模型评分重购模型评分营销辅助信息置换模型——实现过程与算法时间窗口定义分析窗口用于分析购买倾向特征的历史数据的时间跨度，需要3个月的历史数据预测窗口用于预测用户在哪个时间范围可能会购买相关产品，目前定为下下个月（注意：预测窗口离预测点越远，模型的性能一般会越差，甚至会出现模型无法生成或偏差太大而不可用。）置换模型——预测时间窗口定义置换模型——因子库与基础变量置换模型——数据标签训练置换模型——数据标签训练结果企业数据标签CRM系统CallCenter企业官网／APP展厅数据线下活动数据。。。第三方标签人口属性兴趣爱好地理位置消费属性APP偏好消费倾向。。。标签数据库热一般(待确认)冷直接下发（销售网格Delar）广告短信活动邮件营销（客户维系）结合用户画像和历史营销数据进行算法建模，预测出每条潜客线索的评级A76-100B51-75C0-50NCC30-50HNN251-75HHH176-100客户标签评分客户行为评分1级:预约试驾，出现在竞品门店2级:参加主机厂线下线上活动3级:90天内有效行为5次以上

呼叫中心重点电话营销（客户培育）线索级别定义逻辑置换模型——模型输入变量筛选28目标用户+车辆建模宽表上有230多个变量来描述，通过对这些变量进行分类梳理，并通过相关分析过滤相关性强的变量，并考虑变量的可读性，最终筛选出输入建模的变量，包括7类122个变量相关性剔除性别年龄大修次数精品订购次数精品消费金额其它…维修次数维修费用车辆生命周期阶段位置信息潮流类型职业车龄咨询浏览品牌车型精品订购接触次数接触渠道常规保养金额优惠类型最终输入模型变量分类梳理可读性甄别7类122个维修金额区域常规保养次数优惠类型偏好里程消费能力类型服务4S店主动接触次数被动动接触次数浏览次数用户组别说明行动组用户基于定义的分析用户群范围，按照每月初模型评分结果，按评分由高至低取一定数据量的用户，作为当月交叉销售活动的目标用户不行动组用户在行动组用户外，按照行动组用户数量的15%的比例，随即抽取用户作为不行动组，观察模型的预测效率对照组用户在行动组用户及不行动之外，按照行动组用户数量的10%的比例，随即抽取用户作为对照组，并对这些用户开展与行动组同样的营销活动采用逻辑回归算法+SQLServer内嵌的朴素贝叶斯算法分数

=EXP(Logit_X)

/

(1+EXP(Logit_X)

)其中EXP(Logit_X)=补偿常量＋离散化的变量×权重系数。模型训练的基线分析客户群用户数：1,246,969排名前10重要标量增用户数：46,971（约3.8%）模型验证情况排名前5重要标量的模型命中率：11.45%LIFT值：4.10置换模型——因子库与基础变量大修次数潮流系数=4形式公里数=9.7车龄A=30个月车龄B=6.7年……置换销售延伸曲线Time(Month)客户生命周期曲线Value置换模型——部分应用结果展示P.

31决策树模型大数据平台

实战案例一主数据建设思路数据资源“共享服务”一个平台一个库经销商管理整车销售…业务层用户层销售助手…服务助手数据标准数据指标主数据应用标准业务流程模板和模型技术标准基础标准信息安全图形标准接口标准开发标准最终客户售后OneDatabase实现“数据同源、规范共享、应用统一、服务集中”根据某汽车集团信息化战略规划总体要求，建立品牌主数据相关规范和标准，以“数据标准”为建设方向的大数据平台，为某汽车集团信息化系统建设应用提供标准和规范保障，未来为其他系统提供高质量、高效的信息化标准数据支撑，推动大数据平台的深度集成、数据共享和深化应用。IT服务“数据标准”：以“为用户提供随时随地的、唯一源头的数据资源共享服务”为愿景;以“为系统提供统一数据源头及流向和主数据分发”;以“为业务提供各主要信息代码的管理维护，为业务用户提供主数据维护的唯一数据源;现状调研与分析，识别系统未来提升方向全面梳理某汽车集团业务、线索数据源现状，市场趋势与发展，分析当前业务流程和系统能力与企业中期目标之间的差异，收集业务需求，KPI指标，分享行业内外领先实践，识别提升方向和项目范围。某汽车集团系统能力模型参考某汽车集团汽车行业系统能力模型，了解某汽车集团相关的市场营销、销售、服务、客户管理、渠道管理、经销商管理业务及线索数据源的现状及IT现状利用某汽车集团系统能力成熟度评估模型，并从战略、组织、流程、数据、系统角度对现状进行快速诊断，收集业务部门需求和KPI指标解读某汽车集团中期业务战略，分析未来业务发展方向对标行业内外业务技术领先实践，明确某汽车集团未来3~5年内业务发展和数字化营销体系建设目标了解分析定位某汽车集团系统能力成熟度评估模型战略解读与实践经验介绍示例示例实施蓝图现状规划业务能力蓝图全景相关业务流程框架业务能力全景蓝图总结各个业务部门职责，明确每项业务的主责部门，提升部门之间的协同性，进行组织架构优化调整建议回收系统范围内营销、销售和服务业务梳理至子流程级制定支撑未来系统能力落地的流程框架，覆盖客户全生命周期重点业务模块，如销售线索管理、服务管理将梳理到业务活动级，明确承担活动的角色L1:业务职能角色L0:流程域L3:子流程L2:流程流程着重于描述部门之间如何协同L4:活动示例示例示例实施蓝图现状业务主题规划蓝图售中售前客户和联系人管理人人关系人车关系数据清洗客户标签主数据支撑基础主数据交互数据业务数据多渠道整合网站呼叫中心邮件社交媒体移动设备车载系统外部伙伴零售管理零售订单锁车逻辑订单审核交车流程经销商库存客户回访整车库存批售管理批售订单批售配车采购订单预测计划财务结算订单审核整车入库整车出库库存管理移库管理承运单管理交货管理基础服务报表堆场管理SSO权限集成实时接口订单分析预测分析财务分析计划分析库存分析其它分析售后备件中心采购管理销售管理包材管理委外业务仓储管理保修管理零件返回管理供应商索赔召回与服务措施管理付款及开票管理保修政策管理保修预算监控三包预警管理旧件报废管理索赔管理保修审计管理善意保修及非保修案例保修数据分析供应商索赔分析零件返回分析召回与服务分析保修审计分析其他分析客户咨询管理一线和二线处理回访和质检知识库管理非结构化知识编审发结构化知识导入和查询呼叫中心来电查询客户和线索新增、关闭和升级案例查询和引用知识库把线索转换成客户客户统计分析案例统计分析知识应用统计分析呼叫中心作业管理报表数据接口后台跑批统一客户资源管理优化客户的接触策略收集各个系统和社交媒体渠道的客户属性、客户基本信息、联系人信息，实现对客户的统一识别；构建360度的客户视图及客户等级，实现针对客户生命周期进行客户特征、客户细分和客户价值的关键应用优化外部数据治理基于统一客户视图制定客户接触策略；通过与呼叫中心集成，提高客户联系的效率；通过对客户接触历史的分析，及时修正客户接触策略；外部DMS系统业务数据导入至CRM系统；外部系统数据进入CRM系统后，需要重新整理，以便形成以客户为中心的统一视图；销售分析及销售管理决策支持通过数据仪表盘、多维报表技术，实现对到店情况、服务响应情况、客户流失情况、销售过程和销售结果的分析；实现对客户的价值、特征等内容的分析；优化线索清洗和培育总部集中管理线上线下个渠道集成的线索进行清洗、归集和培育，对所有唯一线索展开有效精准的跟进和购车销售机会；基于自然进店或邀约进店或试乘试驾的记录等业务信息，应用WiFi或二维码媒介自动记录和上传照片，实现对门店销售机会跟进情况的管控；通过销售跟进移动模版，自动生成销售跟进任务，并通知销售人员及时的跟进销售机会；潜客转化有效管理在统一客户数据视图的基础上提炼出信息应用视图和客户标签，以细分客户的等级；在唯一线索跟进管控下，引导有效线索进入潜客销售漏斗，按照潜客培育的规则，同时提升面向分析的客户洞察力基础上，实现事件式营销，做到潜客转化有效度；重视线索培育和转化，减少线索浪费，辅助销售转化。；销售线索培育优化目标及沟通的价值沟通和契合分析促销活动管理个性化条件设置A/B分离及客户细分客户特征分析可视化的个性化图像沟通和契合自动化邮件/微信促销活动管理集成CRM强化销售系统跨渠道展现标签/通讯/短信服务平台Personalized/newsletters/SMS社群/网站/用户体验最佳化SocialNetwork/Website/Experienceoptimization网站/手机行为模式分析Website/MobileBehaviorAnalysis行为存储在CRM中BehaviorisstoredinCRM客户画像用户行为360°体验SearchInsight

Discover客户360实时体现客户感知的图像和用户行为的讯息，及时地满足当前和未来在个性化、互动化、智能化有利的营销工具客户画像——服务客户全生命周期模糊客户潜在客户成交客户保有客户忠诚客户客户画像——客户360视图应用P.

41销售线索检索、甄别、培育流程01-数据源

注册会员认证会员线上浏览线上活动沟通行为行为分析兴趣点线下活动促销精准推送终端门店用户培育，事件触发认知了解认可考虑意向购买传统汽车行业缺乏品牌受众培育平台汽车行业潜客转化平均周期为3-6个月，经销商销售跟进周期为2个月大量潜客无法有效转化，无法找到品牌的深入体验传统品牌缺乏粉丝集聚的平台和机制，无法进行粉丝层面的品牌体验传统汽车行业缺乏互联网大数据客流导入平台和机制，潜客入口狭窄车主缺乏社交平台，没有车主群体孕育的平台和空间传统汽车行业缺乏品牌受众培育平台销售线索检索、甄别、培育-示例整车厂市场部门客户关怀中心经销商P.

43销售线索的协同应用流程协同营销管理应用步骤战败线索线索池来自多渠道的销售线索车厂清洗规则初步清洗CCCHABCDEN合格的线索营销平台CallCenter分配D1D2D3D4分配规则DCCHABHHHAAA销售跟进HA零售端战败线索处理规则订单$$赢单失败线索的回访来源渠道OEM培育规则自然到店M官网搜索引擎DCC、CCC垂直媒体经销商培育

线索清洗

厂家下发零售端跟进销售线索分级&判断厂家BDC零售端BDCBBB❶❷❸❹❺❻❼❽BAPPs❶销售线索全部来源渠道（电商、线下等）定义及分别下发流程❷

呼叫中心-定义清洗规则（如同一4S店两条同样销售线索及不同4S店同一条销售线索如何处理等）❸

厂家BDC职责及销售线索分级判定❹销售线索分配规则（包含零售端线索可了解的用户信息）❺零售端BDC职责❻零售端销售线索跟进机制❼销售线索战败或逾期等的处理机制❽销售线索的培育（厂家&零售端）店端销售线索录入进店主动呼入市场活动等舆情从4月15号开始爆发，符合车展契机，24号之后，依旧保持一定的热度最重要的舆情来源是汽车之家网站最近一个月共产生42条负面舆情。营销情报检索展现舆情从4月15号开始爆发，符合车展契机，24号之后，依旧保持一定的热度最重要的舆情来源是汽车之家网站最近一个月共产生42条负面舆情。负面舆情清单车质网、和讯网、汽车之家是新闻的主要源头在期间媒体的主要报道，还是以新车发布相关新闻为主，主要为曝光相关，国产车对比等相关新闻Lynk&co在新闻中，与长城Wey对比较多，这不符合与途观等合资品牌对标的定位WEY大数据平台

实战案例二基本信息与因子库47•年龄段•婚姻状况•教育水平•爱好•家庭年收入•主要收入来源

•是否首次购车•购车目的•购车因素•客户来源渠道•微博微信发帖次数•市场活动参与次数•星座•血型•家庭成员数基本信息客户属性•车价区间•精品金额•装潢金额•保险金额•其它服务金额•订单总额•贷款总金额•维修结算金额•投保险种•保险开始日期•保险结束日期•是否有保险•是否有车贷消费信息车辆/维修信息•VIN•车牌号•发动机号•品牌•车系•车型•颜色•配置•车型年•排气量•制造日期•经销商•销售顾问•销售日期•上牌日期•上牌城市•签约日期•车辆用途•保修起始日期•保修结束日期•保修起始里程•保修结束里程•客户编号•客户名称•客户类型•证件号码•车主电话•车主手机•性别•出生日期•E-Mail•FAX•联络地址(邮编/省份/城市/区县/地址)•户籍地址(邮编/省份/城市/地址)•送修人•使用人•日平均行驶里程•上次验车日期•上次维修日期•上次维修里程•原车主编号•营运性质•营运证日期•指定技师•服务专员•工单类型•维修类型代码•行使总里程•预计下次保养日期•交车日期•上次维修经销商•车龄区间•驾龄客服信息•售中回访名单•售后回访名单•修后回访名单•生日节日提醒名单•质保到期通知名单•证照到期通知名单•客户分类•会员等级•最佳联系时间•最佳联系方式•投诉次数•投诉等级•修后满意度评价ExistingDerivedInferNotCaptured生命周期客户流失等级客户贡献度能力

客户价值等级

客户标签评分客户行为评分

客户满意度评分工作信息•从事行业•职业类别•职务名称•家庭年收入•工作年限业务数据视图扩充售前360精准营销售后360车辆360主动关怀流失预警经销商360客户+车辆服务顾问售后回访地址车辆档案维修项目维修委托书备件订单人车关系联系人定金交车单销售台账会员等级试乘试驾人人关系意向车型跟进记录会员事件账户积分展厅官网活动报名留言圈子售后回访地址车辆档案维修项目维修委托书备件订单人车关系联系人定金交车单销售台账会员等级试乘试驾人人关系意向车型跟进记录会员事件账户积分展厅官网活动报名留言圈子客户客户基本信息偏好特征用户行为兴趣爱好上网偏好渠道偏好官网浏览注册时间试驾时间参阅活动次数参阅活动时间论坛传播次数线上浏览习惯用户姓名会员账号渠道来源手机号邮箱所在城市购车预算偏爱车型购车时间性别客户基本信息客户编号身份证件联系人送修人户籍地址客户标签会员等级联络人手机号送修人手机号所在地地址维修信息预约方式累计进厂频次上次进厂日期累计消费金额上次进厂里程服务专员平均客单价车牌号保险到期日车龄上次余留项目维修类型统计上次维修经销商投诉事件评价次数评价等级婚姻状况教育水平职业家庭年收入来源渠道购车目的购车因素客户属性年龄段会员级数质保到期通知三包预警通知生日节日提醒证照到期通知忠诚信息贡献度能力忠诚度等级客户流失趋势客户价值度售后关怀潜客洞察销售情报甄别标签客户本期购买预测模型客户360视图客户标签库车辆标签库车辆生命周期模型客户价值模型车辆置换模型重购模型客户维系挽留模型是否首次购车是否有保险是否有车贷基础数据域与模型因子49客户域产品域帐务域事件域营销域地域域车型域竞争品牌产品数据车辆使用行为数据电商网络行为数据区域归属网格数据保险/信用/价值数据与流动性相关的外部数据/汽车租赁客户接触数据4S店/展厅/车展参考示例50业务主题建模案例车辆管理数据模型客户管理数据模型市场营销数据模型线索潜客管理数据模型

从客户洞察到精确营销以创造企业价值为核心，全面提升数据应用能力在统一客户数据视图的基础上提炼出信息应用视图在提升面向分析的客户洞察力基础上实现面向精准营销分散的营销支撑能力整合形成面向客户价值提升的数据应用支撑体系数据信息运营业绩激活数据资产裂谷阶段A：潜在客户阶段B：存量客户期价值提升模型（基于车辆和客户360视图的挖掘分析，为其它BU提供商业应用）车辆置换预测模型销售情报甄别销售漏斗分析客户洞察，定位客户敏感标签内容一对一营销脚本定制阶段C：流失期重购分析预测模型客户维系挽留模型转化精准营销价值提升拓展挽留二次营销51

潜在客户挖掘与预测潜在客户存量客户家庭同事朋友存量客户业务模型潜在客户训练标签库潜在客户价值挖掘模型品牌偏好/价格偏好/优惠类型偏好…高价值客户潜在客户业务模型客户转化52VehicleLifeCycleModelApplicationAnalysis(车辆生命周期模型）53BusinessModelUnderstanding以车辆生命周期精细化管理为导向，建立覆盖客户车辆新车期、可用期、更换期和淘汰期不同阶段客户主动温馨服务及应用模型库Businessbenefits实现基于用户车辆车况及所处生命周期阶段，精准定位客户对产品服务需求OutputConsumerLabel客户在用车辆生命周期阶段标签阶段A：潜在客户阶段B：新车期阶段C：可用期价值提升模型（产品+服务）重购分析模型客户洞察模型客户关怀温馨服务阶段D：更换期阶段E：流失期再次购买分析模型流失预警模型客户维系挽留模型CustomerPurchaseForecastModel（客户购买预测模型）54Business

ModelUnderstanding聚类分析历史用户购买产品（品牌、车型、服务）行为，时间段，销售方式，促销优惠有效性，区域（一级市场/二级市场/三级市场），分析用户对产品和服务的最佳时间点，预测销售能力，结合用户其它特征标签（潮流系数分析标签），再交叉分析产品特点，预测用户产品和服务需求，做到有的放矢，科学预测销售量，促进销售销售量提升Business

Businessbenefits在细分市场、客户、产品的基础上，制定有效性、差异化的事件营销策划和方案，合理预测销量针对存量客户消费能力客户，有针对性的为客户推荐不同附加值的汽车精品和售后服务OutputLabel不同级别市场客户主打车型，优惠/促销手段（针对最终客户优化，针对经销商奖励）55AftersalesCustomerChurnAnalysis（售后客户流失分析模型）Business

ModelUnderstanding客户的流失分析模型是对已流失用户流失前显著流失原因特征分析，重点聚类分析淘汰期车辆客户流失特征，定位造成用户流失的关键因素，经过提炼映射在流失曲线模型上。从而有针对性的采用相应主动防御、早预警、挽留措施。Businessbenefits客户预警时机与预警机制建立，挖掘再次营销机会按车型聚类分析TOP3原因客户主动关怀机制与策略的建立OutputConsumerLabel客户流失预警标签；客户主动关怀标签；观测点预警窗口大数据平台

项目实施管理篇数据战略驱动的规划方法综合IT战略数据使命数据基本策略数据愿景中长期目标数据战略举措约束与限制执行计划能力架构治理过滤/优先级企业战略业务单元战略执委会边界数据–未来状态能力架构治理业务战略能力架构治理数据–当前状态IT&数据战略数据战略交付物弥补差距运行测试设计与构建定义规划某汽车集团BI实施方法论业务部门IT部门某汽车集团团队业务规划团队组建建立沟通机制审核需求

审核方案

定义业务主题确定项目范围制订计划ETL设计与开发用户报表开发用户UAT测试用户界面开发整体方案设计与开发数据存储与元数据方案定义需求调研需求分析培训准备用户界面定义用户报表定义业务视图定义系统测试集成测试操作培训维护部署监控BI及大数据领域混和云解决方案从前端到后台完整的产品线丰富的产品实施经验强大的团队力量各类设备的支持方案完备的行业实施方案DATAZENPowerView某汽车集团实施能力介绍某汽车集团服务部实施能力沟通方式目标/内容沟通频率参与人员项目管理委员会会议（双周）回顾项目里程碑事项决策重大及关键问题(OpenIssue)审核并确认关键项目交付成果评估重大项目风险双周的周一项目管理委员会项目经理业务负责人项目每周周进度会议通报项目进度与计划讨论待解决的问题及相应行动方案每周周三项目管理委员会项目经理与项目团队业务负责人或业务成员项目例会沟通项目进度讨论项目计划与行动方案每周周五(会议前项目简报先发送)项目经理与项目成员咨询专家团队项目简报(电子邮件)通报关键项目进度通报重大项目成果视需要实时发布项目管理委员会项目经理与项目团队业务负责人相关人员项目专题研讨会讨论特定的项目专题或存在问题分析问题根源比较潜在的解决方案作出决策并确定行动方案依项目计划召开需求研讨会项目经理与项目团队相关业务负责人或业务成员咨询专家团队注：项目沟通频率可视业务部门的时间调整。项目管理与协作方法项目管理委员会项目管理办公室专家团队咨询专家团队：整车厂CRM专家关键业务负责人/IT负责人各业务部门：KBU项目总监方案经理项目总监项目经理大数据项目组织架构：某汽车集团公司与某汽车集团组成项目精锐团队，以确保项目的成功，并在合作的模式下共同将需求的探索、经验的传递与适当的分工，以实现睿能大数据精准营销信息化的任务与目标。

高层领导高层领导各业务版块中高级管理层各业务流程负责人某汽车集团公司汽车行业专家线索培育设计团队各业务流程负责人IT部门各系统负责人某汽车集团公司咨询顾问数据模型专家大数据设计团队各业务流程负责人IT部门各系统负责人某汽车集团公司系统架构师数据库架构师系统规划团队业务负责人某汽车集团公司技术顾问，功能测试顾问，性能测试顾问集成顾问数据迁移顾问系统测试实现团队某汽车集团大数据咨询项目组织各业务版块中高级管理层各业务流程负责人某汽车集团公司汽车行业专家业务规划团队62感谢各位领导和专家谢谢！客户360全视图智能MDM完整的解决方案客户标签应用的案例附录一：客户360视图与应用案例Copyright©2016Microsoft.AllRightsReserved.64销售线索业务漏斗分析销售线索唯一线索分析全局舆情分析客户Inbound案例分析附录二：销售线索分析移动终端案例附录三：CRM业务流程改造和信息化整合案例66附录四：RCI案例67附录五：汽车销售4S管理系统附录六：数字化经营决策数据平台案例68附录七：水务数字化经营管理平台69附录八：客户数据平台案例70附录八：地产主数据平台案例71附录九：主数据管理解决方案72附录十：XX医药主数据管理解决方案73中国智网创新中心

大数据平台建设方案技术交流1.本期建设目标2.平台的建设规划3.平台建设技术方案：建设背景、探索历程、平台实践、总结与展望规划思路成功案例现状分析产品设计干货附录1.平台现状建设、问题总结分析、客户痛点分析1.某省超大规模集群建设项目2.某省电信全域数据融合建设项目1.某省电信数据湖实施案例2.数据资产管理，数据资产运营2.建模分发

5.统一调度3.数说工厂目

录02040503011.资产注册

4.数据同步1

现状分析集团大数据平台建设现状集团现状：

目前接入全国的O域话单数据、

B域用户数据、

M域工参数据等基础数据，包括全量信令面、用户面2G/3G/4G/5G数据，数据量预估1.2P/天。平台现有规模700台+服务器，预计未来规模将达到数千台服务器。在数据层面，数据资产管理首先解决的是企业内系统间数据孤岛的问题，将不同系统中的数据进行全面汇集和管理，通过数据提炼分析、集中化管理，形成企业数据资产和洞察，服务于业务，解决了数据“汇管用”的问题。在业务层面，通过对各业务线的模块去重和沉淀，共享通用模块，让前台业务更加敏捷地面向市场，

实现企业新业务的快速上线与迭代试错，服务更多场景，提升业务响应力。在技术层面，避免重复开发，技术迭代升级更高效，可按需扩展服务，让整个技术架构更开放。数字中台最终的应用价值是在充分市场竞争下，保持并提升企业的运营效率和创新能力。痛点分析1.数据割裂，跨区域，冒烟式建设，集群很难统一管理。2.数据分散、共享困难，数据价值释放有限，无法变现。3.数据冗余多、集群数据处理效率不高、占用物理资源高，重复建设，成本高。

4.数据质量有待提升、缺乏端到端的血缘管控，缺乏数据治理体系。5.数据服务便捷性有待提升，缺一站式数据安全取数体系。6.数据挖掘模型不够丰富，行业垂直数据建模能力相对较弱。建设现状：集团大数据平台建设现状各省大数据平台内蒙、郑州大数据平台廊坊

大数据

平台现状分析数据价值挖掘不到位，

专题数据模型不够丰富。多集群异厂家、异部门

建设，跨区域管控困难。重复建设、重复投资、

运维成本高。数据服务便捷性有待提升。数据加工不透明，相同指标加工口径不统一。缺少端到端的血缘数据质量工具。数据割裂、共享困难，

数据价值释放有限。散分乱理治无建设背景：集团痛点l全域数据汇聚和管理中心

，沉淀了海量的计算能力、存储能力、数据能力。l面临着如何实现资源智能调度、最大化利用、能力共享

，进一步赋能各类合作伙伴应用创新、促进数据价值变现的发展瓶颈。数据中台数据能力AI能力空间数

据能力资源能力基于容器云的数据中心操作系统创新驱动1

构建能力共享生态2急需支持租户自助使

用云化大数据相关资

源，赋能创新3保障数据安全开放自身优化计算/存储资源使用不均衡资源弹性调度不足技术组件支撑不全手工运维效率低通过持续研究和探索

，构建中国容器化大数据云平台，解决痛点问题应用基础设施主机资源网络资源数据服务能力封装/开放数据治理大数据对内应用大数据对外应用存储资源PaaSIaaSSaaS平台架构1、需要建立跨区域、多集群数据管理2、可视化管理、跨集群数据交换能力不足3、统一运维、自动化运维能力不足4、多租户，统一任务调度管理5、建底层存储、计算集群搭建、容器化部署数据汇聚1、数据采集汇聚效率不足2、数据采集范围尚未覆盖企业级整体数据3、不同种类的数据存放仍需规范化4、源系统接口不规范，数据采集不稳定数据处理1、实时、准实时数据处理支撑能力不足2、数据处理的效率有待提升数据治理1、数据资产可视化程度偏低2、缺少数据资产面向企业的服务能力3、数据质量管理仍有很大的提升空间数据开发1、开发流程管控能力有待提升2、数据开发支撑工具还需补充3、开发工具的易用性有待提高数据应用1、基于数据中心的前端应用缺乏深度2、缺少数据驱动型产品的支撑3、资产服务（血缘、运维等）很少引用到前端应用中系统运维1、系统运维智慧化程度不足2、缺乏基础平台运维监控能力数据安全1、数据安全体系持续完善中问题总结：集团平台待改进需求总结2

规划思路1、建立集团数据中心：打通网络侧、终端侧、内外业务侧，建设跨区域、跨机房、集约化集群管控。2、构建基础集群能力：

数据治理、降本增效。贯通生态，强化网络能力输出。3、提供数据变现能力：包括行业精准画像、应用产业影响和发展支撑。4、打通行业垂直数据：以O域为主，融合B域以及全国平台侧数据、网络侧、终端侧、内外业务侧，实现网络数据变现能力，包括行业精准画像、应用产业营销和发展支撑。建设目标：BDH数据

基础产品BDM数据

应用类产品BDP大数据

资产产品整体目标：本次规划实现的整体目标管理应用平台挖治采总体架构：集团云化集群技术架构物理资源HDFSAlluxio流式预统计算Service

Broker租户C租户DService

BrokerService

Broker租户A租户BService

Broker租户N

…

…HBase独立组件

定制版本号

K8s+dockerHiveSparkHbaseSparkHive公用组件

版本号固定KAFKARedisESFlume服务模块存储模块计算模块其他配置数据用户数据日志数据生态圈数据库租户NYARN总体架构：技术特点-多集群和混合云管理集群–总部•

首创多集群容器云平台•

支持平台内集群级扩容•

支持集群内节点级扩容•

集群资源管理与监控•

集群节点管理与监控•

支持节点上容器管理•

支持配额超配管理•

应用分区及应用管理•

Grafana&Kibana用户集群–

内蒙

用户集群–河南、山东

用户集群–

深圳用户集群–

AWS1用户集群–

AWS2【数据资产管理平台】添加用户集群–

成都节点扩容总体架构：技术特点-集群类型开发测试区应用性能要求不高，虚拟机基本满足需求生产区DMZ

区应用对安全性、稳定性、响应速

度等要求高，建议物理机开发测试DMZ

区!

↓

↓ 应用运行环境一致性管理集群实现容器云核心功能虚拟机

物理机

物理机用户集群提供应用运行环境生产区存储管理应用管理应用编排负载均衡服务发现集群管理权限控制灰度发布任务调度镜像管理扩容缩容租户管理资源管理监控告警网络分配日志管理生产环境生产集群主数据中心总体架构：技术特点-镜像仓库、镜像同步预发布集群共有云区异地灾备数据中心集群镜像环境开发测试集群托管环境同城数据中心策略复制策略复制01.管理●

节点

CPU

卡识别●

容器内挂载

CPU02.分配●

大粒度：按租户●

小粒度：用户集群●

硬件型号03.监控●

CPU状态监控●

CPU用量监控（使用率、显存、温度等）用户业务

Pod和系统

Pod分离特殊的网络需求（IP固定、对外可见等），对

K8s

系统平台无影响当用户需要

IP对外可见时，他们给业务规划的IP资

源往往是有限的、精确的，系统

Pod

可以不占用这

些

IP

地址用户不同租户可以使用不同的网络支持固定

IP、

PodIP

外部可见总体架构：技术特点-资源管理、多网络方案监控K8sMultusCNIcanalcalicobridge-vlan分配管理集群管理

资产管理

数说工厂运维中心任务管理语义加工处理总体架构：集团与各省份关系图内蒙古、郑州大数据平台详单各省沉淀，计算指标数据同步服务适配服务中间件查询

引擎同步

引擎服务

云化组件

云化数据资产

管理平台各省大数据平台

…廊坊大数据平台详单各省沉

淀，计算指

标数据同步详单各省沉

淀，计算指

标数据同步集团云化集群JDBC抽取通用命令调度管理对象注册数据建模注册任务监控模型血缘任务血缘数据迁移资产目录注册系统权限注册主题队列映射数据项注册租户信息注册集群信息注册…

….….•大数据的目标是充分挖掘海量数据中的信息

，

以发现数据中的价值•

云计算的目标是通过资

源共享的方式更好地调

用、扩展和管理计算和

存储等方面的资源和能

力，以提高资源利用率，降低企业的IT成本•

云计算可以为大数据平

台的计算和存储提供资

源层的灵活性•大数据组件部署到云平台上，作为通用PaaS能

力，为用户带来使用上

的便利和高效1999SaaS出现2006IaaS/PaaS出现2013CaaS出现2014FaaS出现/2016:OpenWhisk(FaaS),

Fission(FaaS)2014:

Kubernetes

(CaaS),AWS

Lambda(FaaS)2013:

Docker(CaaS),

Marathon(CaaS)2012:OracleCloud(Iaas/PaaS/SaaS)2011:CloudFoundry

(PaaS)2015:

Kudu2014:Spark,

Flink2012:YARN,

Impala,Storm2011:

MapR,

Hcatalog,

HDP,Kafka2010-11:Crunch,Sqoop,

Flume,

Oozie2010:OpenStack(IaaS)2009:vSphere(IaaS)2006:AWS(SaaS),Amazon

EC2(IaaS),

Zimki

(PaaS)1999:Salesforce

(SaaS)2009:CDH,

Avro,Chukwa2008:

Hive,

Pig,ZooKeeper2007:

HBase2006:

Hadoop(HDFS+MapReduce),

Solr

萌芽阶段

突破阶段

成熟阶段

应用阶段

爆发阶段

-建设背景：大数据与云计算的发展历程1980-20022003-20062006-20092009-20162017-20222013:

中国

大数据元年AdminSpecialization

SimplicityBigData

3.0BigData

2.0BigData

1.0SpecializationSimplicityDevelopmentBigdata

1.0

:v

以海量数据存储、处理为主v平台难以维护，数据开发困难Bigdata2.0

:v

Hadoop商业版出现v

SQL

on

Hadoop逐渐成熟

v

以批处理、流处理为主Bigdata3.0

:v客户需求多元化v技术栈复杂化v

ABC走向融合技术发展趋势：走向AI+Bigdata+Cloud融合美国知名分析机构Wikibon把大数据技术发展大致分为3个阶段：SinglevendorplatformAzure,AWS,Google,DatabricksTechvendors’internaldevelopmentMapReduce,BigTable,GFS,CassandraHadoopecosystemHortonworks,Cloudera,MapRQ建设背景：中国构建了业界领先的大数据平台l中国联通

拥

有

集中的，企

业

级

全

域

数

据的

存

储中

心、

计算

中

心

、

能

力

中

心

和

孵

化

中

心向上服务对内生产

，同时支撑价值开放运营

数据中心

IT系统通信网络业务平台外部合作伙伴互联网存储

计算

能力孵化•

资料数据•

日志解析•

流量查询

•数据应用统一数据模型全域贯穿

资产化管理顶层架构设计

技术引领

向下完成5大类、全域数据汇聚价值化运营

对外变现（大数据公司）能力化输出数据服务对内应用能力开放数据中台数据能力AI能力

(

)空间数

据能力

(资源能力

)开发测试基于容器云的数据中心操作系统1海量的计算能力、存储能力2

PB级数据吞吐能力、统一数据服务能力3企业核心数据资产管理能力4助力数字化转型的服务型数据应用5可价值变现的产品型数据应用数据规模（PB）98.6

108.0662.32017年

2018年

2019年X86服务器（台）609742892017年2018年

2019年建设背景：中国构建了业界领先的大数据平台应用基础设施主机资源数据治理数据服务能力封装/开放国内领先的大数据平台存储资源大数据对内应用大数据对外应用网络资源PaaS6551IaaSSaaS历程回顾：中国大数据平台建设l2016年至今，中国持续在大数据云平台建设方面投入力量l完成了资

源

管

理

从

无

到

有，资源调

度

及

运

维

从“

体

力”

到“

脑

力”的

演

变，逐步

实

现

智

能

化

管

理

和

运

营，为企

业

数

据

生

产

与

服

务

起

到了降

本

提

效

的

作

用

。HiveSparkStormmysqlKafkatensorflowHadoopHbaseMPPRedis时序数据库CaffeHiveStormSpark……HadoopHbaseMPP……HiveStormSpark……HadoopHbaseMPP……•

半自动化部署•

半人工划配•

系统运维，简单

监控•

一键部署•

按需自动分配、弹缩•

组件逐步丰富•

统一监控、智能运维server

server

serverserver飞跃阶段优化提升serverserverserverserverserverserverserver

serverKubernetes+DockerYarnYarn•

物理部署•

人工划配•

系统运维MesosRedisMysqlMysql最初阶段RedisKubernetesMesos技术出现时间2014年2014年调度级别二级调度（基于predicates和priorities两阶段算法）二级调度（

FIFO，capacityscheduler，fairscheduler）生态活跃活跃且社区关注逐步上升活跃，社区关注逐步下降适用场景web应用，中间件及数据库，有状态服务，其他支持类型飞速发展通用性高，混合场景成熟度高高应用案例分析Google、AWS、

Redhat、Oracle、

Intel、

IBM、HW、阿里

百度等、

Twitter、Apple、Airbnb、Yelp等技术生态支持CNCF组织，由Google公司牵头组织主要由Mesosphere公司贡献技术实现开源产品种类繁多，实现难度低，成熟度较高原生框架实现难度高编排Docker需要Marathon实现调度功能历程回顾：

Kubernetes

vs.

Mesos通过研究、探索和实践，我们发现Kubernetes+Docker的技术路线更契合的实际需求。它几乎支持了所有的容器业务类型，包含长期伺服型（long-running）、批处理型（batch）、节点后台

支撑型（node-daemon

）和有状态应用型（stateful

application），也正是因为这个特点，k8s能够支持当前

大多数常见的大数据处理场景，如分布式数据存储（HDFS、

Hbase）、离线分析（hive/Spark）、实时处理

（Sparkstreaming）、数据挖掘（SparkMLlib），及深度学习框架（Tensorflow）等。中国的微服务开发运维管理平台

使用了RancherServer

，通过图形化和

RKE两种方式对多个租户的kubernetes

集群进行部署和管理：•

图形化部署和扩展集群•

图形化节点、资源和容器监控•备份和容灾，提高集群可靠性Rancher具有丰富的容器化实施案例

经验，是在支撑客户需求以及集

群故障恢复方面的坚强后盾。Kubernetes作为开源产品，经常会有

重大安全漏洞，Rancher都是率先发

现并及时给出解决方案，为云平

台的安全保驾护航。历程回顾：与Rancher的合作中国在搭建Kubernetes

+

Docker的容器化平台过程中，引入了Rancher的产品部署和管理多个

Kubernetes集群。……Kubernetes

集群RancherServerKubernetes

集群Kubernetes

集群Kubernetes

集群图形化RKE部署/管理平台实践：整体介绍2018年，基于Kubernetes+Docker，构建了中国容器化大数据云平台。基于统一服务集成框架Kubernetes

Service

Catalog，集中管理、部署多类PaaS能力，包括大数据基础服

务能力、

中间件及数据库能力、数据集成工具能力、容器云能力、深度学习框架能力等，并支持灵活扩展。面向省分公司、子公司及内外部合作伙伴，实现大数据云化资源能力的自助开放，支持租户进行大数据平台

建设、大数据加工处理、模型训练及应用的开发部署。安全管控某省经营分析系统（数据加工）+租户+l

自助申请l

租户隔离l

应用持续集成/部署+平台+l

集约管理

l

智能调度

l

动态弹缩大数据即服务统一服务集成框架（Kubernetes

Service

Catalog）中间件/数据库即服务Kafka数据集成工

具即服务留云化ETL深度学习即

服务容器云服务应用/微服务

开发部署Kubernetes+Docker某省大数据生产平台创新孵化

模型训练负载均衡资源调度资源管理资源隔离弹性伸缩租户Redis平台实践：主要PaaS能力01大数据基础服务组件（原子组件+场景化组合）

数据集市适用于面向部门级的数据分析业务，

提供包括交互式分析

引擎

、

OLAPCube引擎，支持自动化的报表应用构

建。

包括

HDFS、Hive、Spark、

Rubik等组件。

实时计算云上的流处理分析服务，对流数据进

行实时采集和处理，构建实时数据仓

库和实时应用，挖掘流式数据价值。包括HDFS、SparkStreaming、

Hbase等组件。

信息检索PB级别高速全文检索服务，提供高并

发支持，冷热数据隔离，以及字段精确、模糊检索和快速统计功能。包括

ElasticSearch等组件。数据仓库构建一站式数据仓库服务，提供数据

整合、加工、分析等全套数仓构建服

务，帮助打造数据核心。包括HDFS、

Hive、Spark等组件。

数据挖掘数据挖掘开发平台，可进行机器学习

和AI应用的开发和训练，支持对各类

数据实现高度智能化的处理。包括Tensorflow、

MxNet等组件。

ZooKeeperApache分布式应用程序协调服务组

件，主要用于大数据分布式组件的配

置、状态、元数据等信息的存储。HadoopHadoop基础服务，包括HDFS分布式

文件系统、统一资源管理框架YARN

等组件。

HBaseNosql数据库，支持结构化、半结构

化以及非结构化数据存储。

Hbase表

动态可扩展，支持高并发的检索查询。

Hive开源SQL引擎组件，能够将普通SQL

语法转化成MapReduce作业，执行

批处理任务。

Spark基于内存的分布式计算引擎，大大提

高了海量数据加工处理的性能。高性能SQL查询引擎，将MPP与Hadoop架构进行融合；数据查询性

能远高于Hive。基于事件驱动模式的实时处理框架，

实时数据处理延时能够低至10ms级别。StormIMPALA

Kafka高吞吐的分布式消息队列。03

数据集成工具04容器云应用/服务开发部署环境平台实践：主要PaaS能力02中间件及数据库服务组件

云化ETL采用图形化的数据流和工作流设计

，

将分散的、异构数据源抽取，进行清

洗、转换、集成,最后加载到数据仓库

或数据集市中。

数据稽核管理全图形化规则配置界面，支持稽

核规则自动调度执行，针对稽核

出的数据质量问题，系统会自动

进行分类并形成数据处理工单。

元数据管理支持对租户中的元数据进行管理，

包括元数据检索、数据血缘管理分析等。

MySql传统关系型数据库,支持single、一

主多从等多种部署模式。

Nginx高性能HTTP服务器和反向代理

服务器。基于K-V的内存数据库，具有极高的

数据查询效率，常用于作为WEB系统的数据缓存层。支持单机、哨兵、集群等部署模式。支持对租户应用/服务开发、部署、编排、动态弹缩、灰度升级、并提供完整的可视化运维监控为模型训练提供分布式计算框架及

开发工具深度学习

框架05caff

eRedis基础设施（主机

+存储

+

网络）资源管理资源调度资源隔离服务编排弹性伸缩安全管控负载均衡能力列表能力订购能力变更能力退订能力上架能力下架大数据基础服务ESImpalaHiveHadoop数据集成工具云化ETL数据稽核管理元数据管理开发/构建测试/发布CI/CD镜像仓库管

理服务注册服务发现调用链跟踪限流/降级/

熔断KubernetesServiceCatalogOSBAPIOSB

API三方服务扩展JupyterNotebooksService

BrokerService

BrokerService

BrokerMxNetMPIPyTorc

hCaffe2平台实践：技术架构RocketMQRedisService

Broker容器管理（Kubernetes

+

Docker）Service

BrokerService

BrokerService

BrokerMongo

DBKafkaStormHBaseService

BrokerOSB

API

OSB

APIOSB

API

OSB

API微服务开发部署中间件及数据库深度学习框架能力开放TensorFlow租户N租户D租户A租户C租户BMySQL云存储……平台实践：技术架构l运用统一集成框架Kubernetes

Service

Catalog，实现异构服务组件的统一纳管、

自助拉起和在

线开放。使用业界标准的OpenService

BrokerAPI，支持第三方组件的接入和扩展。Open

Service

BrokerAPIService

BrokerB数据库与中间件KafkaOthersService

BrokerC深度学习框架caff

eOthersService

Broker……Service

BrokerA容器化大数据平台数据集市数据挖掘信息检索Servicecatalog

API

ServerServicecatalog

ControllerKubernetes

APIServerEtcdService

Broker……Kubernetes数据仓库实时计算Redisl租户自助构建大数据平台，进行数据生产l提供大数据相关服务组件，供租户进行数据加工处理l租户应用/微服务的开发和容器化部署l

提

供

建

模

环

境

及

样

本

数