数据治理学习笔记
一、 核心理念：技术作为治理的“赋能器”而非“束缚带”目标：通过技术实现自动化、可扩展、智能化的治理，将治理策略无缝嵌入数据生命周期，减少人工负担，提升数据信任度和价值转化效率。原则：治理左移（在数据开发早期介入）、持续监控、协作透明。二、 战略与组织落地的技术支撑治理章程与政策的数字化实践：不再使用线下文档，而是在数据目录（如Collibra/DataHub） 中创建数字化的治理政策、数据标准和...
分类 "Data field" 下的文章
本地数据治理流水线（dbt + Great Expectations + DataHub + DuckDB）
📦 示例仓库结构dbt-ge-datahub-duckdb-demo/ ├─ README.md ├─ requirements.txt ├─ .env.example ├─ Makefile ├─ scripts/ │ ├─ up.sh │ ├─ down.sh │ ├─ seed_duckdb.py │ └─ run_governance.sh ├─ datahub/ │ └─ datahub...
🫎Tableau 行业高级实战题 100 题
一、金融行业（共35题）（一）单选题（12题）题目：某银行需向监管报送“大额交易监控报表”，要求数据不可篡改且可审计。Tableau 中最佳实践是？ A. 使用实时连接数据库 B. 使用数据提取（Extract）并启用“加密” C. 导出为 PDF 并数字签名 D. 仅允许合规部访问 答案：B 详解：Tableau Extract 支持 AES-256 加密，配合 Server 审计日志可满足不可...
数据仓库提纲与笔记（实战导向）
1. 总览与定位是什么：数据仓库是围绕分析与决策优化的、面向主题的、集成的、相对稳定的历史数据集合。强调“整合、历史性、可复用”。与数据湖的关系：数据湖（DL）偏“尽量存，一切先来”，存放原始明细与多类型数据。成本低、约束少。数据仓库（DW）偏“结构化、可复用、稳定口径”，强调建模与治理。湖仓一体（Lakehouse）在湖上提供仓的能力：ACID表格式（Delta/Iceberg/Hudi）、SQ...
🪙金融波动率建模：GARCH模型实战
""" 金融波动率建模：GARCH模型实战 使用 Python 的 arch 库进行波动率建模 目标：对股票收益率序列建模，预测未来波动率 """ import numpy as np import pandas as pd import matplotlib.pyplot as plt from datetime import date...