数字化运维-数据增强

数据汇聚：首先我们需要把摄入的数据能够汇集到统一的位置，保证能够通过统一的方式能够在需要时访问到。

这个过程中的一个重要方法是通过建立运维数据命名空间的标签体系，能够对集成的数据进行标注。

另外数据平台提供了单元化的数据存取模块，实现了对底层集成的静态历史数据和动态实时流式数据多模存储复杂性的隔离，为后续的数据处理单元扫清障碍。

数据过滤：大部分的 AI 算法及数据仓库的构建都要求对输入的数据进行过滤。如数据仓库的 ETL 过程中的数据清洗、转换，AI 场景下特征工程中的大部分的工作都涉及到数据过滤的内容。

数据过滤可以在数据汇聚之前进行，也可以在数据汇聚之后进行，甚至在数据汇聚的过程同时进行过滤操作。但是一般来说，在完成数据汇聚之后执行数据过滤操作往往更有意义。

数字化运维的基础目标

数据生产力意味着知识创造者的快速崛起，智能工具的广泛普及，数据要素成为要素。人类认识改造自然的方法，实现了从实验验证到模拟择优，经济发展从规模经济到范围经济，就业模式从八小时制到自由连接体，企业性质从技术密集到数据密集，***形态从公司制到“数字经济体”，消费者主权崛起，人类实现了数亿人跨时空的协作。

然而释放数据生产力是有前提条件和必要基础的。

通过平台实现数据融合，通过治理实现数据可管可用，通过算法结合业务场景实现业务价值。

这三者共同组成了企业数据运用的能力框架。所以，很明显的，就好比“木桶理论”，企业数据运用能力的高低不取决于某一项的特长，而是三块木板的短板。

所以通过治理构建完备的数据平台，通过平台（中台）重塑数据价值链和数据供给机制，通过算法支撑业务分析和业务创新创造价值，就是企业数字化转型的基础目标。

数字化运维智能化

进入到云计算时代之后，IT的边界被完全打开，更多的联接、更多的设备、云化的系统和应用，以数据中心为例，采用分布式系统，且集群庞大，传统运维方式明显已经无法应对这么复杂的IT环境。因此数字化运维手段和工具的引入，不仅可以帮助运维业务减轻工作负担，提率，还可以改变运维的现状，帮助其走向数字化转型。

例如，随着机器学习、深度学习等技术的不断成熟，AI技术将在业务运维体系中得到广泛的应用，也同时推动了智能运维的发展趋势，可以将运维人员从纷繁复杂、过度依赖人工的监控、发现、告警和修复工作中解放出来，而运维也将变得更加自动化、智能化。企业快速发展，应用不停地迭代，运维体系也需要不断迭代，从传统运维走向数字化运维，显然是大势所趋。

数字化运维企业内部的'数据生态'有待建立

现阶段企业内部仍存在多个异构的、运行在不同软硬件平台上的信息系统同时运作，这些系统的数据源相对***、封闭，尚未实现系统间的交流、共享和融合，各部门间存在明显的信息不对称问题，企业内部的'数据生态'尚未成型。

在数据价值遂步提升的过程中，其重要性将不仅仅体现在数据的量上，更体现在数据间的联动作用和企业内部数据模型的建立。

如何建立数据间的运行模式，打造围绕企业全生命周期的数据框架、数据渠道、数据利用体系，形成企业内部的'数据生态'，成为众多企业更为关注的问题。