**作者信息：**熵简科技 Airworks 团队，团队致力于打造高性能、低代码的一体化大数据剖析渠道，为安排安排的数据团队及各事务部门人员供给“数据智能全链路”渠道及处理计划，涵盖数据清洗、数据交融、数据建模、数据可视化、数据服务等多个维度，全面助力客户完结事务数智化。

**导读：**数据中台是熵简科技数据智能处理计划中的中心部分。引进数据中台能够打破数据与数据的界限、技能与事务的界限，为事务层的迭代供给更快的数据呼应，真正做到事务数据化、数据财物化。

熵简科技在长期的实践进程中总结出了一套适用于资管安排的数据中台架构计划。本文将从数据仓库建造、数据办理和开发和数据服务体系三个维度介绍数据中台在资管场景下的落地标准和计划。

目录如下：

1.数据中台整体架构

2.数据仓库建造

3.数据整理和开发渠道

4.数据服务体系

5.结语

01数据中台整体架构

数据中台是资管安排数据智能处理计划中中心的一环。资管安排内部的数据源和数据量往往是异构且巨大的，在引进数据中台之前，这些数据存在各个竖井式的运用中、各事务部门或负责人的数据库中，数据之间彼此阻隔，无法快速进行交融和剖析。

而引进数据中台后将会带来如下几点优势：

  • 事务层数据往往聚合了若干异构数据源，数据中台能够支撑海量数据源的高效办理、供给明晰的数据血缘追寻，对多源异构数据源进行高效的数据办理，经过交叉剖析奉献事务价值。

  • 经过标准的数据分层，明晰界说每个数据层的作用域，能够极大削减重复核算；数据中台作为前台事务与后台体系之间的变速齿轮，为快速的功用迭代供给数据呼应根底。

熵简科技在长期的实践进程中总结出了一套适用于资管安排的数据中台架构计划。其功用架构分为数据源、数据开发运维、数据财物办理和数据服务四层。

数据源

依照数据方法分为结构化数据、半结构化数据和非结构化数据。其间一方数据大多为结构化数据。三方数据既包括了财务数据、行情数据、方针数据等结构化数据，也包括了研报、图片、评论等半结构化/非结构化数据。

数据开发运维

数据开发包括离线开发、实时开发和算法开发三个部分。其间以 ETL 为中心的离线开发是数据仓库分层的重要手法。

数据财物办理

数据财物办理包括了数据财物办理、数据办理和数据安全三个部分。经过数据财物办理，安排内部一切数据在数据中台汇聚成了有机可复用的数据财物，为事务层的需求供给更快的呼应，发掘更大的价值。

数据服务

数据服务包括了面向运用的 API 服务和面向探究剖析的 BI 可视化功用。除此之外，数据中台能够扩展标签中心、智能推送等更多的数据智能服务。

熵简数据中台的技能结构如下图所示。咱们的数据仓库树立在以方针存储为根底的 Hive 表之上，数据核算分别依据 Spark 集群和 Flink 集群供给离线支撑和流式支撑，最上层经过 OLAP 引擎 ClickHouse 对外供给一致的数据分发服务。整个数据中台树立在 Kubernetes 集群之上。

接下来咱们将从数据仓库建造、数据办理和开发和数据服务体系三个维度介绍数据中台在资管安排落地的标准和计划。

02数据仓库建造

资管数据仓库本质上是一套面向资管事务场景的办法论，触及从数据标准、方针界说、数据办理到数据开发和数据服务，并确保全流程的数据血缘明晰、可办理、高复用、可追溯。本末节将从中心需求、元数据模型、分层架构、数据办理标准和数仓点评体系这几个方面，对资管数仓的建造进行详细论述。

2.1 中心需求

在传统的、没有进行一致数据仓库建造的资管安排中，关于数据的运用是“烟囱式”的，各数据源、中心表、数据运用之间彼此独立，没有专门的数据开发人员负责一致建造。

从事务视角来看，事务剖析场景用到的方针、维度不明确；频繁的需求改变和重复迭代，数据报表臃肿，数据参差不齐；用户剖析详细事务问题找数据、核对确认数据本钱较高。

从技能视角来看，方针界说和方针命名混乱，方针不仅有，方针保护口径不一致；方针生产重复建造；数据汇算本钱较高；数据输出和服务的出口不一致，重复输出，输出口径不一致。

为了处理以上痛点，咱们需求建造一个一致的分层数据仓库做一致办理，为此咱们要从界说元数据模型、树立分层数据架构、指定数据办理标准和方针体系办理东西产品化四个层面做建造，在体系产品层面打通完好数据流。在事务上 一致数据出口、掩盖全域数据场景；在技能上一致方针和维度办理，一致数据核算口径。

下面咱们将侧重介绍元数据模型界说、分层数据架构树立和数据办理标准三个方面的建造内容。

2.2 元数据模型

元数据模型是构建数据仓库的根底，贯穿了数据仓库的整个生命周期。从一般性视点而言，元数据模型界说和标准了源数据到数仓的各层级流程、映射、改换的规矩、东西、操作周期等各类要害信息。在此根底上，咱们才有可能完结比方数据血源查询、数据一致性校验、多实体多维度相关、多层级回溯等上层剖析方针。

由于篇幅约束，本末节要点聚焦在元数据模型在数据结构以及方针界说等方面的内容。关于资管数据仓库而言，构建元数据模型的规划方针是经过数据标准的界说和引进，来全面、精确地描述资管事务。

接下来，咱们以面向投研场景的元数据模型为例，详细介绍熵简数仓在元数据方面的规划思维和实践经验。关于面向投研需求的元数据模型，其最终规划方针是经过对多源异构数据源的一致标准，来精确、完备地描述出资标的，理论上满意出资剖析所需的悉数信息需求。

在实践中，咱们的元数据模型是以 Kimball 提出的维度建模（DM）理论为根底，一起还参阅了阿里的 Onedata 体系的规划理念，比方一个方针只要一个英文字段、一个中文字段以及一个核算界说。

上图展现了整体的数据模型架构，整个架构分红事务板块、元数据模型、分层规划三个部分：

  • **事务板块：**事务层针对资管场景中常见的数据存储和运用需求，依照事务场景进行笼统和细分，如投研、买卖、风控、营销等不同的事务场景。由于各个事务场景所用到的数据源和数据类型具有较大的差异性，一般而言，针对每一个事务场景都会规划专门的子元数据模型。各个子元数据模型的合集构成整个数仓的元数据模型，以供给完备的数据标准标准。

  • **元数据模型：**对所属事务场景下所需的悉数数据进行笼统，界说一致的数据模型、方针类型和办理标准。以投研场景为例，其元数据模型包括了职业数据、财务数据、宏观经济数据、职业数据、工商数据等各类投研所需数据的安排标准、命名标准、寄存标准以及层次联系等。

  • **分层规划：**在物理上，元数据模型中界说的物理表都会归属于某一个数据层。因此，这部分首要界说数仓模型的分层架构，明确各层使命、首要数据类型和要害性能方针，完结各层数据与运用的去耦合，以尽量避免“烟囱式”的数据开发现象，进步各个数据的复用率。这部分的细节将在2.3节中讨论。

2.3 分层架构

数据仓库的分层规划是一套行之有效的数据安排和办理办法。尽管分层架构并不能处理一切的数据问题，但分层架构能够协助明晰数据结构、削减重复开发和一致数据口径。每一个数据分层都有它的作用域和职责，越接近上层的数据层越便于运用和剖析，越接近底层的数据层越保存更多的原始数据信息。实际运用中，80% 的数据取用需求能够用最上层的20% 数据处理，只要少部分数据取用需求需求触及底层原始数据。

数据分层的规划，在某种程度上也需求经过数据命名来体现，本节中心在于讲解数据分层的思维和办法，下一末节会介绍规划数据表的命名标准。

详细来说咱们将数据模型分为五层：数据接入层（ODS）、数据明细层（DWD）、数据汇总层（DWS）、数据集市层（DWM）和数据运用层（APP）。简单来讲 ODS 层寄存的是接入的原始数据，DWD 层寄存的是经过 ETL 清洗加工的高质量原始数据，DWS 层寄存的是数据轻度聚合后的成果，DWM 寄存的是面向事务的宽表，APP 层寄存的是面向事务定制的运用数据。下面以熵简特殊数据会集的电商数据为例详细介绍这几层的意义。

2.4 数据办理标准

2.4.1 模型规划标准

模型规划标准是指在分层数据仓库架构中，怎么去规划每一层的模型（数据表）以及其指令标准。

咱们依据两个原则去规划分层模型：

  • 分层架构的界说，处理数据需求放到哪里的问题。

  • 事务的数据需求和数据的事务特点，处理数据要存储成什么字段、什么格式的问题。

此外，咱们对每一层数据模型拟定了一套一致规矩去进行命名，其间的一类是依照“数据源-数据域-维度类别-更新周期-更新方法”的规矩进行命名。例如：“熵简特殊数据-电商数据-出售状况-月度汇总表”。

经过标准的模型规划，打通了数据部分和事务部分的阻隔，任何了解模型规划标准的人员都能够直接经过渠道一致管控的模型了解到数据的意义，做到数据可办理、可追溯、可复用。

2.4.2 维度办理标准

维度办理标准是指拟定一个一致的维度表模型，在模型根底上树立维度，对维度新增、修正、发布等生命周期进行一致办理。

这里会对维度进行主题分类，例如时间类（date）、实体类（entity）、行为类（behavior）、来历类（source）、布尔类（boolean）等，维度编码依照”维度主题-维度标识-仅有编码“的方法编码。

实践中，维度建模的进程会从资管安排的实际事务场景触发，选择详细的事务场景和数据源，确认汇总的粒度，从而确认维度。此外维度间还会界说层级联系，界说好维度层级后就能够在运用层面供给维度值的上卷下钻查询服务。

2.4.3 方针界说标准

咱们将数据仓库中的方针分为三种类型：

  • **原子方针：**意义是一个实体在一个行为场景下的详细衡量，例如“产品出售额”。

  • **派生方针：**意义是在详细修饰词下的原子方针或原子方针的汇总，例如“近半年月均出售额”。

  • **核算方针：**意义是对原子方针进行核算加工后得到的方针，例如”月度出售额同比”。

方针界说标准是指一致方针界说的标准，其经过拟定原子方针的命名规矩、派生方针的命名规矩和方针核算规矩来完结。一个完善的方针界说标准能够大大下降后续的运用本钱和保护本钱。

用于资管安排的方针界说标准很大程度上依赖于咱们的元数据模型，例如对金融实体方针的衡量，通常包括财务方针、行情数据、经济方针、特殊方针等类型。这些方针具有不行拆分性和通用性，关于资管数据仓库的建造具有直接辅导意义。

2.5 数据模型点评体系

介绍完数据仓库的数据办理标准后，咱们能够看一个数据模型规划的典型进程：

  • **确认事务进程：**依据事务场景以及可用数据源确认数据能够从哪些视点描写事务。

  • **声明粒度：**依据运用场景，确认数据的汇总粒度。在运用场景多变的状况下，一般尽可能的用最细的粒度进行描写，这样能够确保高维度和低维度数据都能够查询到。

  • **确认维度：**依据声明的粒度，界说对应的实体维度。

  • **确认现实：**确认事务需求将哪些数据归类到现实表中，维度表只做相关，不做维度数据的查询服务。

当咱们遵从上述进程规划出一个数据模型后，咱们怎么去点评其好坏呢？这里就极度依赖标准去点评每一个数据模型的作用，咱们总结了一个好的数据模型应该具有的特点如下：

  • **分层架构明晰：**ODS 层只存原始信息，不做修正；DW 层面向事务进程做方针核算；APP 层要面向运用做建造。

  • **方针界说可读：**数据需求依照一定事务进程进行事务划分，明细层粒度明确、历史数据可获取，汇总层维度和方针同名同义，能量化不同的事务进程。

  • **模型相对稳定：**数据模型分为两类，一类是伴随着创新事务的开展快速迭代的模型，另一类是相对固定的事务进程中用到的数据模型，此类数据模型需求赶快下沉到公共层，构成可复用的中心模型。

  • **高内聚低耦合：**主题内数据模型高内聚，主题间数据模型低耦合，避免在一个模型中耦合其他事务的方针。

  • **继续建造：**数据模型需求继续建造，确保数据能够习惯不断改变的事务需求。

了解以上点评规矩，能够辅导咱们去处理实际数据仓库建造中遇到的各类问题。例如数仓建造中一个常见的问题是树立一个宽表还是多个维表？从标准化的视点来讲，建造多个维度表能够削减数据的冗余，并且也便于模型的扩展。从反标准化的视点来讲，事务需求方期望尽量少做表相关，因此宽表运用起来会更便利。咱们在实践进程中，关于低层级、跨主题的数据一般是树立多个维度表，关于高层级、主题内的数据能够树立宽表便利运用。在部分状况下会一起存储两种方法，经过更多的空间占用交换时间呼应的进步。

03数据办理和开发渠道

3.1 一体化渠道

一个完善的资管数据中台，在功用架构上分为数据存储（数据源）、数据开发运维、数据财物办理和数据服务四层。在熵简数据中台体系化和东西化建造的初期，咱们就针对功用架构提出了三点要求：

  • 一体化：集成数据智能全链路，用户能够在一体化渠道上完结数据开发、运维、办理并对上层运用供给服务；

  • 模块化：一体化渠道中的各模块彼此解耦，用户既能够从零开端树立数据中台，也能够兼容已有的、在脚本中沉积的数据开发逻辑；

  • 可视化：数据开发、运维、办理能够经过可视化装备的方法完结，下降中台树立本钱。

为此，熵简数据团队打造了 AirWorks 一体化数据渠道。AirWorks 渠道致力于打造一个具有可视化开发才能，包括数据发掘、剖析、建模、运用、办理全生命周期的大数据研制渠道，具有数据传输、数据核算、数据办理、数据共享的各类杂乱组合场景的才能。它是一个低代码、可视化数据交融体系、科学建模体系，也是一个中心化的数据仓库 ，一起对外供给一致分发的数据服务。详细而言，AirWorks 渠道供给了如下功用模块：

  • 数据集成：底层数据源之间的数据交融打通；

  • 数据开发：流批处理、机器学习等多引擎使命的可视化开发，封装了一些经典场景的模型算子，事务人员也能够独立完结数据开发使命或机器学习建模使命，构建杂乱的使命调度；

  • 数据财物办理：一致办理整个渠道的数据表、API 等各类数据财物，供给强大的数据搜索、数据类目、数据血缘等才能。

  • 数据服务：零代码快速生成 Serverless 化的 API；

  • 商业智能剖析：经过拖拽方法对数据进行剖析，能够快速构成图表、报告和大屏。

3.2 要害技能应战

用户透明的核算引擎混排

数据中台的树立往往需求用到不同的数据核算引擎，例如 Spark、Flink、Python、R、sql 等。传统的数据中台建造依托于工程师的代码才能，在不同的数据层级，针对不同的运用场景和数据特性去选择最适宜的核算引擎。

在 AirWorks 一体化渠道中，咱们期望能够供给用户透明的核算引擎混排，能够兼容市面上干流的核算引擎。每一个核算引擎背后的核算逻辑被封装成一个个“算子”，关于不同特性的核算使命，用户能够选择适宜的算子去完结，算子与算子之间的交互和数据流动不需求用户关心。当然，渠道也需求供给各类自界说算子去协助用户完结特定场景下的核算使命。

存算别离架构

在大数据量级下，数据中台里的许多核算使命是需求经过散布式核算完结的。在散布式核算和存算别离的架构下，渠道必定要引进会集式的存储为之服务。熵简技能团队在多方比照之后，选择了方针存储来满意存算别离的架构。方针存储既能很好的满意大数据核算的存储需求，又能够兼容公有云、私有云、混合云多种布置方法。在 AirWorks 渠道中，方针存储一起承担了中心化数据仓库和算子中心成果的存储。

异构数据量级的智能调度和均衡办理

在资管数据中台的运用场景中，用户既会处理小数据量级数据，例如各种已经结构化的时序方针，也会处理海量数据，例如各种互联网公开的特殊数据。一体化渠道需求做到异构数据量级的智能调度和均衡办理，完结资源动态分配，屏蔽大数据难题，关于小数据和大数据做到一致均衡办理。

数据模型的可视化建模和办理

在本文的上篇中介绍了资管数据中台的数据模型标准。在渠道中需求将这些数据模型标准落地，完结数据目录、数据血缘、数据办理、数据分层等功用。规划一个交互友好的数据财物办理模块是一体化渠道的要害技能应战。

3.3 首要技能计划

AirWorks 数据渠道的整体技能架构如下图所示。渠道以数据为根底，以数据办理体系、使命履行调度体系、作业流办理体系、权限办理体系为中心，供给数据开发（项目办理、作业台、运维调度）、数据中心（数据集市、数据同步、数据财物办理）、数据运用（API服务、BI服务）三大类功用，掩盖数据汇聚、研制、办理、服务等多种功用的运用。

数据集成

一体化渠道供给了异构数据存储的才能，供给丰厚的数据源支撑，涵盖干流数据源：

  • Mysql / Oracle / MongoDB / SQLServer

  • Oss/S3

  • ElasticSearch

  • CSV / Excel

  • AirWorks数据中心

针对Excel格式，渠道依据金融企业的场景，兼容多种 Excel字段类型，多Sheet页批量导入。渠道供给了增量/全量两种同步方法，对数据表支撑追加，更新，掩盖操作。数据集成和作业流开发套件交融，彻底复用作业流的各类调度、监控、运维才能。

数据开发

渠道供给了可视化的无代码编程套件，能够低学习本钱地完结数据开发使命，支撑一系列 Scala 的函数，一起支撑 Python、R 等多言语自界说算子。实践进程中，事务人员能够进行无代码开发，开发人员能够运用 R、Python、Scala 进行开发，兼容上述的混编作业流。用户能够从事务视角整体办理作业流，将同类作业流安排为项目。作业流的每次运转会保存节点中心成果，便利运转回滚操作。整个数据开发进程不需求关注底层优化点，AirWorks 渠道已经对作业流的运转进行了优化，让数据开发人员更专注于事务自身。

数据歪斜优化

数据歪斜指的是并行处理的数据会集，某一部分（如 Spark 或 Kafka 的一个Partition）的数据明显多于其它部分，使该部分的处理速度成为整个数据集处理的瓶颈。渠道处理数据时，先经过数据采样和样本剖析了解数据散布状况来识别数据歪斜，拆分高度集合的 Key 值来进行优化，为数据量特别大的 Key 增加随机前/后缀，本来 Key 相同的数据变为 Key 不相同的数据，使歪斜的数据集分散到不同的 Task 中，彻底处理数据歪斜问题。

多租户办理

多用户一起运用资源时，会出现单用户抢占过多的资源，使其他用户无法运用的状况。AirWorks 渠道运用了多租户办理机制，别离调度使命和用户履行使命，用户资源优先满意，约束单算子最高资源运用量，确保多租户运转正常。

为了尽量进步资源运用率，Spark 的履行器被调整为一致的1核1G装备。为了确保在这样的资源下能够正常履行使命，渠道从输入算子开端就对数据进行了合理的分片，先选用数据采样的方法对数据源的数据行进行巨细预估，再分片摄入数据，确保每一片的数据都在内存可控规划。

多核算引擎无缝整合

作业流规划的最小履行和装备粒度为算子。不同的算子能够运用不同的核算引擎。混编作业流进行数据开发作业。AirWorks 经过 Spark 对 Python、R、Scala 三种言语的支撑，进行资源一致分配运用，完好发挥各言语优势。一起经过集成 Jupyter Notebook 完结算子交互式运转。当数据开发使命还处于原型开发阶段时，用户能够按独立单元的方法编写代码，这些单元是独立履行的。AirWorks 经过 Jupyter Hub 办理不同用户间的运转环境，只需求单击自界说算子，就能够简单的开启数据探究之旅。

这套结构能够用来关于 Spark、Flink、Python、Sql 不同的核算集群进行高效率调度，完结 TB 级的离线和流式一体的核算才能，已经累计为数十家金融安排完结2.2PB 级的数据交融和剖析服务。

别的，加入了自研数据采样+智能调度，有效提高资源动态分配效率，屏蔽大数据难题，关于小数据和大数据做到一致均衡办理。相对多个现有的开源结构，资源运用率提高 50% 以上；

数据财物办理

AirWorks 运用全程可视化操作，打通了数据财物流通的各个环节，快速处理不同的数据办理场景。渠道运用联系型数据库作为元数据存储，经过在数据源、数据输出、数据开发使命内部进行信息打点，完结全面主动的元数据办理和直观明晰的数据财物办理。用户运用数据财物办理模块能够完结如下使命：

  • 办理表名、字段名，沉积数据模型规划标准；

  • 数据模型的分层化办理和不同角色的目录化办理；

  • 经过剖析数据财物之间的联系，一致数仓主数据；

  • 便捷地办理数据血缘，动态地了解数据怎么产生、在被谁运用、进行了什么操作，数据表中的字段来历于哪张表，又后续影响了哪些表；

  • 进行财物权限办理，确保了不同层级的用户能够查询不同的数据。对同一数据表，能够已划分字段等级权限给不同的用户，完结数据分级办理；

  • 渠道供给对隐私数据的加密、含糊化处理，用于确保数据的安全性。

04数据服务体系

AirWorks 数据渠道中内嵌了一个中心化数据仓库。在非对外服务的数据层中，渠道适数据量巨细运用联系型数据库和 Hive 来进行数据存储。但是在 APP 数据层，寄存的是直接供给给数据产品和数据剖析运用的数据，这层的数据一般都是大宽表，由于触及到非联表的即席查询，需求运用 OLAP 引擎中供线上体系运用。

AirWorks 数据渠道当前供给了数据 API 服务和 BI 服务两种方法作为对外的数据出口。一方面事务人员能够运用 BI 服务完结交互性探究剖析，别的一方面上层运用能够直接经过 API 的方法从数据集市层直接取数。

BI 服务

BI 模块不仅仅是图表的生成展现，一起也是数据剖析的一部分。数据开发部分为数据的预处理打好了一定的根底，在上层就能够经过拖拽的方法完结构建图表的作业。AirWorks 的 BI 模块供给了很强的交互才能和多变的查询模式，页面拖拽的方法能够给事务人员展现不同的方针，贴合数据剖析的场景。一方面事务人员能够经过 BI 服务直接探究事务数据，别的一方面运用开发人员能够经过 BI 服务了解上层数据的特性，为运用层接入数据中台做好前期准备作业。

API 服务：亚秒下亿等级的数据服务才能

数据 API 服务供给了一致的数据服务总线，能够让用户低本钱、快速发布 API 服务。用户操作时只需求关注 API 自身的查询逻辑，无需关心运转环境等根底设施。数据服务会准备好核算资源，并支撑弹性扩展，完结低运维本钱。用户能够在渠道上进行接口测验调用，在完结 API 上线后，渠道还能主动生成 API 文档。渠道经过埋点的方法供给了核算面板，能够监测各接口的状态和每月接口的运用状况。

在这一层 OLAP 核算引擎的技能选型上，熵简技能团队也经历了从联系型数据库，换到 Druid，再到现在的 ClickHouse 渐进的进程。当前 AirWorks 数据渠道运用 ClickHouse 作为 APP 层的查询引擎，支撑了 API 服务和 BI 服务。ClickHouse 是一个列式数据库，它在大数据范畴没有走 Hadoop 生态，而是选用 Local attached storage 作为存储，整个 IO 没有 Hadoop 生态的局限性。在生产环境中它能够运用到相当大的规划，由于它的线性扩展才能和可靠性保障能够原生支撑 Shard + Replication 这种处理计划。

依据此引擎，数据 API 层关于亿等级的数据量供给压秒等级的实时剖析才能，向 RMS、PMS 等上层事务体系供给一致高实时的大数据总线服务。

05结语

熵简数据团队经过打造 AirWorks 这样一个一体化、可视化的数据渠道，掩盖数据中台的全生命周期办理。

一体化渠道供给了强大的数据根底才能，满意了数仓的一切根底需求，支撑常见数据源的数据同步，支撑历史数据的批量/增量同步，支撑亿等级大数据量的ETL数据加工。事务人员能够快速把握可视化开发，脱离工程师完结自助式数据剖析。数据财物办理方面，渠道能够完结以用户为单位进行一致的资源权限管控；对各种资源，数据表、数据剖析作业流、数据衔接、调度资源进行办理。在数据运用方面，渠道支撑低本钱构建 API 服务，协助技能人员离别接口开发、鉴权开发，快速完结 API 的生成。一起事务人员仅需求拖拽，就能够完结自界说的图表生成，协助用户进行数据的可视化表达。

目前，熵简科技以资管数据仓库为根底，以 AirWorks 体系为一体化办理渠道，已经为多家金融资管安排构建起企业级的数据中台体系，完结了从数据存储、数据财物办理、数据开发运维到数据服务的全链路场景，助力安排完结数字化转型。

关于熵简

熵简科技是为中国金融资管职业供给数字化根底设施的专家型科技公司，依托大数据、云核算、人工智能等先进技能，打造全财物、全流程的端到端智能财物办理渠道，助力金融安排数字化转型。“熵”是热力学中描述体系混沌程度的衡量，“熵简”涵义运用智能化的方法简化事务数据化、数据财物化的杂乱程度。熵简具有全“清华系”开创团队，技能人员占比超85%，中心技能与底层引擎均坚持自主研制。截至2020年末，熵简已深度服务全国超50多家大型金融安排，助力其数字化晋级。

了解更多，请扫描下方二维码关注公众号「熵简科技」