数据是企业数据化转型的第一道门槛！但数据多并不意味着数据好且有效。

传统手工工作集中低效，导致数据处理存在的问题：

• 数据源多
• 数据格式多
• 数据质量参差不齐
• 数据量大
• 有效信息隐藏
• 非结构化数据
• 各系统间名称不一致

产品功能：

数据探针是基于自然语言处理的海量数据的理解，包括命名体识别，知识图谱，知识向量化等技术。

• 定向抽取有效信息
• word/excel/图片信息的抽取
• 不同系统间信息匹配
• 纠错

算法是企业数据化转型的第二道门槛！有效数据不能直接使用。

现状：

• 特征工程在大数据应用中地位斐然，不同类型数据直接一起使用效果通常并不理想
• 特征工程包括数据筛选（清洗，归一化，数字化，主成分分析等），数据加工（特征转化，聚合，连接，转化等
• 手工特征工作非常耗时耗力
• 深度学习的发展使学习任务与特征学习成为一体，自动完成特征抽取
• 不同类型数据的数字化，向量化转化

产品功能：

算法锦囊包括了目前最先进的特征生成算法，可以根据需要自主选择。

• 基于embedding的数据向量化技术
• 基于深度学习的特征学习技术
• 传统均值，方差，相关系数，互信息，降维等特征选择的方法
• 传统特征工程：原始数据的聚合，连接，切分，直方图，id化等
• 特征抽取：根据任务不同反向/多轮/自动的优化特征的计算

深入业务是企业数据化转型的第三道门槛！特征+算法+业务目标=有效决策

现状：

• 有效决策需要和任务绑定，提高决策效果需要深入理解业务
• 真实的业务决策通常是综合决策的结果
• 有效决策需要考虑更宽，更深，更全面的维度，需要合适的特征，以及与任务匹配的算法
• 真实的业务数据才能训练真实有效的决策模型
• 真实的效果反馈数据对模型持续更新，才能保证辅助决策系统的持续有效

产品功能：

针对优化后特征，针对不同的业务场景：

• 可以选用合适的模型（包括有监督，无监督，半监督学习模型，如树模型，神经网络，图模型等）
• 数据闭环+自动迭代训练系统，保证了模型的持续更新和长时间有效性

业务切换是企业数据化转型的第四道门槛！灵动可监控是新系统切换的必要条件

现状：

• 历史累积的业务流程不可能瞬间关闭：运营人员需要熟悉新系统，新流程，人员需要重新安排； 外部用户需要时间适应； 业务需要持续进行，不能切断，不能迟缓，否则会产生大量堆积。 线上业务切换相当于给奔跑的汽车换发动机
• 一次完整的业务切换，包括：
  • 新旧系统同时运行
  • 小流量切换新系统
  • 监控新系统产出效果，效率，以及整体流量是否平稳
  • 新旧系统分桶效果对比，确定是否新系统更优
  • 根据线上小批量评估结果决定继续灰度切换，还是回滚至旧系统
  如此每步都有完整的监控，才能保证整个外部业务的平稳过渡和用户的无感知和无打扰
• 整体业务切换通常成本和风险太大，一般采取关键节点切换，快速，平滑切入是关键考核点
• 业务流程经常需要修改，增加或者删减步骤，或修改其中数值和计算方法。 灵动的业务系统才能保证整个系统的持续有效以及成本的可控

产品功能：

拼装式流水线，通过灵活可定制的模块及其组装：

• 支持业务步骤的经常变动
• 支持不同业务模块定制，不同功能定制/修改，人工接入修改成本大大降低
• 允许灰度切换，流量和效果监控，逐步替换现有流程，降低抵触，平滑过渡
• 可视化流程进展，清晰可见数字化结果如何嵌入业务