智能化数据治理的画卷才刚刚展，本书并非旨在提供终极答案，而是希望为数据治理行业“抛砖引玉”。本书凝结了作者在一线大型政企与行业头部项目中的真实历练，系统探讨了如何依托DeepSeek与Dify敏捷落地AI治理能力。我们希望借此帮助企业跨越技术鸿沟，不仅让数据创造切实的业务收益，更为企业全面拥抱AGI时代夯实坚不可摧的数据底座。
售 价：¥
纸质售价：¥71.30购买纸书
6.5
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
前折页
书名页
版权
前言
概念与挑战篇
第1章 数据治理的现状与挑战
1.1 数据治理的定义与重要性
1.1.1 传统数据治理的定义
1.1.2 AI时代的数据治理定义
1.1.3 数据治理对AI时代企业的重要性
1.2 数据治理框架与方法论
1.2.1 数据治理框架
1.2.2 数据治理方法论
1.3 数据治理面临的挑战
1.3.1 传统数据治理面临的挑战
1.3.2 AI时代数据治理面临的挑战
1.4 数据治理的困境及转型方向
1.4.1 数据治理的困境
1.4.2 数据治理的转型方向
第2章 DeepSeek核心能力赋能数据治理解析
2.1 DeepSeek核心能力概览：赋能组织场景
2.1.1 DeepSeek核心能力
2.1.2 DeepSeek典型工作场景
2.1.3 DeepSeek能力结合场景
2.2 DeepSeek核心能力详解：数据治理能力
2.2.1 组织场景中的数据生产与应用：治理需求的源头
2.2.2 企业各类场景的数据治理核心需求
2.2.3 以AI能力应对核心数据治理需求
第3章 数据治理与DeepSeek融合的应用场景
3.1 深度融合的理论框架
3.1.1 融合模式分析
3.1.2 融合模式组合分析
3.1.3 融合模式发展分析
3.2 数据治理融合场景
3.2.1 AI融合后数据治理新场景
3.2.2 AI赋能数据治理路线图
3.3 AI驱动的治理模式创新
3.3.1 从被动响应到主动智能
3.3.2 从人工密集到人机协同
3.3.3 从孤立工具到集成智能中枢
3.3.4 从合规驱动到价值驱动
3.3.5 数据治理的普及
3.4 融合应用的挑战与实施策略建议
3.4.1 融合应用的挑战
3.4.2 实施策略建议
理论与方法篇
第4章 企业数据治理目标与DeepSeek融合场景
4.1 企业数据治理的核心目标：平衡供给与需求
4.1.1 供给侧视角：保障数据资产的健康与可用性
4.1.2 需求侧视角：支撑业务战略与价值创造
4.1.3 核心目标的平衡与整合
4.2 数据治理目标任务分解与资源评估
4.2.1 目标间的逻辑与依赖识别
4.2.2 将目标拆解为主要任务
4.2.3 估算目标任务所需资源
4.3 数据治理实施计划与内部拉通
4.3.1 制定滚动式实施路线图
4.3.2 内部沟通与协调策略制定
4.3.3 治理计划宣贯与拉通确认
4.4 AI赋能数据治理任务
4.4.1 利用AI加速治理路线图的实施
4.4.2 落地实践建议与注意事项
第5章 企业元数据管理与DeepSeek融合场景
5.1 元数据管理的核心价值与实践挑战
5.2 DeepSeek在元数据管理中的应用
5.3 DeepSeek驱动的元数据管理智能化应用场景
5.3.1 智能化的元数据采集与丰富
5.3.2 智能化的元数据描述生成与标准化辅助
5.3.3 智能化的数据血缘与影响分析
5.3.4 智能化的元数据检索、问答与应用
5.4 元数据融合DeepSeek的应用场景清单与实践考量
5.4.1 DeepSeek赋能元数据管理的典型场景
5.4.2 落地实践的关键考量与注意事项
第6章 企业数据标准管理与DeepSeek融合场景
6.1 数据标准管理的核心价值与实践挑战
6.2 DeepSeek在数据标准管理中的应用
6.3 DeepSeek驱动的数据标准管理智能化应用场景
6.3.1 智能化的数据标准发现与编制
6.3.2 智能化的数据标准校验与合规检查
6.3.3 智能化的数据标准问答与理解
6.3.4 智能化的数据标准运营与维护
6.4 数据标准融合DeepSeek的应用场景清单与实践考量
6.4.1 DeepSeek赋能数据标准管理的典型场景
6.4.2 落地实践的关键考量与注意事项
第7章 企业数据质量管理与DeepSeek融合场景
7.1 数据质量管理的核心价值与实践挑战
7.2 DeepSeek在数据质量管理中的应用
7.3 DeepSeek驱动的数据质量管理智能化应用场景
7.3.1 智能化的数据质量需求分析
7.3.2 智能化的数据质量规则生成与校验
7.3.3 智能化的数据质量监控与预警
7.3.4 智能化的数据质量根因分析与改进
7.3.5 智能化的数据质量报告解读与决策支持
7.4 数据质量融合DeepSeek的应用场景清单与实践考量
7.4.1 DeepSeek赋能数据质量管理的典型场景
7.4.2 落地实践的关键考量与注意事项
第8章 企业数据安全管理与DeepSeek融合场景
8.1 数据安全管理的核心价值与实践挑战
8.2 DeepSeek在数据安全管理中的应用
8.3 DeepSeek驱动的数据安全管理智能化应用场景
8.3.1 智能化的敏感数据发现与分类
8.3.2 智能化的内部数据泄露防控
8.3.3 智能化的数据跨境传输合规审查
8.3.4 智能化的权限管理与访问监控
8.3.5 智能化的数据安全事件响应与调查
8.4 数据安全融合DeepSeek的应用场景清单与实践考量
8.4.1 DeepSeek赋能数据安全管理的典型场景
8.4.2 落地实践的关键考量与注意事项
工具与实战篇
第9章 DeepSeek赋能数据治理知识库的构建与应用
9.1 数据治理知识库：贯穿始终的智能支撑
9.1.1 重新定义数据治理知识库
9.1.2 数据治理知识库的核心价值与目标
9.1.3 实战目标与工具选择
9.2 数据治理知识库的架构设计与技术选型
9.2.1 数据治理知识库的架构设计
9.2.2 数据治理知识库的技术选型
9.3 数据治理知识库助手的搭建
9.3.1 环境准备与工具安装
9.3.2 知识源导入与向量化
9.3.3 AI工作流的创建与配置
9.3.4 初步测试与调试
9.4 数据治理知识库的应用实战与持续优化
9.4.1 实际应用场景实战
9.4.2 数据治理知识库的成效评估模型与方法
9.4.3 数据治理知识库的持续优化策略
第10章 DeepSeek在元数据管理中的实战应用
10.1 实战场景选择与分析
10.1.1 实战场景选择与价值分析
10.1.2 深入分析描述生成任务的需求
10.1.3 准备实战所需的“原材料”
10.2 智能元数据工作流的建设
10.2.1 设计智能元数据工作流的步骤
10.2.2 智能元数据工作流构建
10.2.3 编写核心提示词与配置智能元数据工作流
10.3 智能元数据工作流的调试与优化
10.3.1 测试问题与调试技巧
10.3.2 提示词迭代优化
10.3.3 特殊情况与边缘数据
10.4 智能元数据工作流的应用实战
10.4.1 发布智能元数据工作流
10.4.2 实际应用案例与效果评估
10.4.3 扩展应用与未来展望
第11章 DeepSeek在数据标准管理中的实战应用
11.1 实战场景选择与分析
11.1.1 实战场景选择与价值分析
11.1.2 业务场景需求分析
11.1.3 需求分析示例
11.2 智能数据标准检查工作流的建设
11.2.1 智能数据标准检查工作流的架构设计与实现
11.2.2 构建智能数据标准检查工作流
11.2.3 核心提示词工程实战
11.3 智能数据标准检查工作流的调试与部署
11.3.1 智能数据标准检查工作流的调试与优化
11.3.2 DeepSeek特有问题处理
11.3.3 智能数据标准检查工作流的部署与发布
11.4 智能数据标准检查工作流的应用实战
11.4.1 客户信息治理实战
11.4.2 物料编码治理实战
第12章 DeepSeek在数据质量管理中的实战应用
12.1 实战场景选择与分析
12.1.1 数据质量管理面临的典型痛点
12.1.2 数据质量管理的核心场景识别
12.2 智能数据质量工作流的建设
12.2.1 NL-to-SQL工作流的设计
12.2.2 报告摘要生成工作流的设计
12.2.3 根因分析工作流的设计
12.2.4 工作流之间的关联与组合
12.3 智能数据质量工作流的调试与部署
12.3.1 智能数据质量工作流的调试与优化
12.3.2 DeepSeek特有问题处理
12.3.3 智能数据质量工作流的部署与发布
12.4 智能数据质量工作流的应用实战
12.4.1 信用卡申请数据治理
12.4.2 供应链数据治理
第13章 DeepSeek在数据安全管理中的实战应用
13.1 实战场景选择与分析
13.1.1 场景选择依据与目标
13.1.2 技术可行性与资源准备
13.2 敏感数据识别与分类工作流的建设
13.2.1 敏感数据识别与分类工作流的设计
13.2.2 DeepSeek提示词工程实战
13.2.3 构建敏感数据识别与分类工作流的实操步骤
13.3 敏感数据识别与分类工作流的调试、部署与安全考量
13.3.1 敏感数据识别与分类工作流的调试与优化
13.3.2 部署策略与集成
13.3.3 敏感数据识别与分类工作流的安全与隐私保护
13.4 敏感数据识别与分类工作流的应用实战与成效评估
13.4.1 模拟运行与结果展示
13.4.2 实战中的挑战与应对
案例与展望篇
第14章 央国企实战案例
14.1 央国企指标标准管理的现状与挑战
14.1.1 指标在央国企管理中的核心战略地位
14.1.2 传统指标标准管理的普遍痛点
14.1.3 传统指标标准建设与维护的难点
14.2 AI赋能：构建智能指标标准管理助手
14.2.1 解决方案：智能指标标准管理助手
14.2.2 DeepSeek与Dify的协同作用
14.3 实战：搭建央国企智能指标标准管理助手
14.3.1 实战场景选择与需求细化
14.3.2 指标知识库的构建与准备
14.3.3 基于Dify编排智能指标查询与解读工作流
14.4 应用实战与成效评估
14.4.1 典型应用场景演示
14.4.2 实战效果与价值分析
14.4.3 用户反馈与持续改进
14.5 央国企推广智能指标标准管理助手的挑战与展望
14.5.1 推广面临的组织与技术挑战
14.5.2 未来展望：从智能指标标准管理助手到智能决策支持
第15章 制造业实战案例
15.1 物料主数据与BOM管理的现状与挑战
15.1.1 物料主数据与BOM的核心战略地位
15.1.2 传统物料主数据与BOM管理的普遍痛点
15.1.3 低质量产品数据治理的高昂代价
15.2 AI赋能：构建智能物料主数据与BOM管理助手
15.2.1 解决方案：打造产品数据智能化的“单一窗口”
15.2.2 DeepSeek与Dify协同构建智能物料主数据与BOM管理助手
15.3 实战：搭建智能物料主数据与BOM管理助手
15.3.1 场景定义与用户需求
15.3.2 知识库构建：统一产品数据源
15.3.3 Dify工作流设计：自动化核心任务
15.3.4 制造业场景的提示词工程精要
15.4 应用实战与成效评估
15.4.1 典型应用场景演示
15.4.2 实战效果与价值分析
15.5 制造业推广智能物料主数据与BOM管理助手的挑战与展望
15.5.1 实施过程中的挑战
15.5.2 未来展望：迈向产品知识的新应用
第16章 金融行业实战案例
16.1 金融行业数据分类分级的现状与挑战
16.1.1 金融行业数据分类分级的核心战略地位
16.1.2 金融行业数据分类分级的现状与普遍问题
16.1.3 传统数据分类分级建设的痛点与难点
16.2 AI赋能：构建智能数据分类分级与保护助手
16.2.1 解决方案：打造智能数据分类分级与保护助手
16.2.2 DeepSeek与Dify协同构建智能数据分类分级与保护助手
16.3 实战：搭建金融行业智能数据分类分级与保护助手
16.3.1 场景定义与需求分析：聚焦核心金融数据资产
16.3.2 知识库构建：规则、标准与制度的数字化
16.3.3 Dify工作流设计：从识别到建议的全流程自动化
16.3.4 提示词工程：精炼面向金融合规的提示词
16.3.5 测试、验证与人工审核闭环
16.4 应用实战与成效评估
16.4.1 典型应用场景演示
16.4.2 实战效果与价值分析
第17章 半导体行业实战案例
17.1 半导体行业数据治理的现状与挑战
17.1.1 半导体行业数据治理的核心战略地位
17.1.2 半导体行业数据治理的现状与普遍问题
17.1.3 传统数据治理建设的痛点与难点
17.2 DeepSeek驱动的智能化解决方案设计
17.3 核心数据治理场景实战
17.3.1 场景定义与需求分析：聚焦三大核心治理难题
17.3.2 知识库构建：行业标准与专家经验的数字化
17.3.3 Dify工作流设计：从识别到建议的全流程自动化
17.3.4 提示词工程与测试验证
17.4 应用实战与成效评估
17.4.1 典型应用场景演示
17.4.2 实战效果与价值分析
推荐阅读
后折页
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
