网易严选数据中台建设实践与方法论
2023-数据中台整体建设方案V2-1
数据中台整体建设方案V2数据中台是指企业针对自身业务需求构建的一个统一数据管理、服务和交换平台，它的建设涉及到多个环节，如数据采集、存储、处理、分析和应用等方面，这些环节需要相互配合，相互促进，才能实现数据中台的整体建设。
本文将针对数据中台整体建设方案V2进行分步骤阐述。
首先，数据采集是数据中台构建的重要环节。
企业需要采取各种手段，如网络爬虫、传感器、云端数据等方式进行数据采集。
此外，数据采集还需要考虑多方数据的融合和清洗，以保证数据的准确性和实效性。
因此，在数据采集阶段，企业需要建立完善的数据采集体系，确保数据的来源准确可靠。
第二步是数据存储。
在数据中台中，数据存储是至关重要的一步。
企业需要建立一套稳定的数据存储体系，确保数据的安全性和完整性。
此外，在建立数据存储体系时，企业还需要考虑数据的分析和应用需求，为数据分析和应用提供便利。
第三步是数据处理。
在数据中台的整体建设中，数据处理是将原始数据转化为清晰、有意义信息的重要环节，需要运用多种数据处理技术，如ETL、数据挖掘等技术，将原始数据转化为可读性和可操作性强的信息。
实现数据处理还需要建立完善的数据处理流程和规范，以确保数据处理质量和效率。
第四步是数据分析。
在数据中台项目中，数据分析是至关重要的一步，它能够为企业带来更深层次的商业理解和价值。
数据分析需要使用多种工具和技术，如数据挖掘算法、机器学习、统计学等，从数据中挖掘出有用的关联性。
同时，还需要建立一个统一的数据分析平台，以便企业更好地进行数据分析，为业务决策提供支持。
最后，数据应用是数据中台整体建设的最终目的。
数据应用需要以业务需求为导向，通过多种技术手段和工具将数据应用于各个业务领域，包括销售、市场营销、客户服务、供应链和人力资源等。
数据应用需要建立完善的业务流程和规范，确保数据应用的效益和质量。
总之，数据中台的整体建设方案V2需要从数据采集、存储、处理、分析和应用等方面进行综合考虑，借助先进的技术手段和工具，建立起一套完善的数据管控和服务体系，实现数据的统一管理和有效利用。
_网易数据中台建设实践
网易数据中台建设实践Agenda1什么是数据中台？2元数据中心：数据中台的基石3数据治理：效率、质量、成本4数据服务：数据中台的门户5数据中台治理效果什么是数据中台•如果我们把数据中台比作一个汽车工厂数据中台汽车工厂大数据平台设备：切割机Hadoop 集群水、电、煤输入的是原始数据，输出的是指标提供的是数据加工处理能力提供的是大数据基础计算、存储资源提供的工厂必须的运行能源提供的是原材料的处理能力输入的是原材料，输出的汽车数据中台需要解决什么问题？数据效率质量成本•数据研发的效率•数据发现的效率•数据分析的效率•指标一致性•数仓设计质量•数据质量•计算、存储资源成本•研发人力成本网易数据产品体系：以电商为例用户运营用户行为分析系统商品运营用户精准投放系统商品运营系统市场运营推广渠道管理系统供应链供应链决策协同系统管理层商品舆情系统高层看板活动实时直播Vipapp业务场景数据产品网易在做数据中台前面临的挑战指标口径不一致数据重复建设取数效率低成本指数增长数据无法按时正确产出数据中台支撑产品：网易猛犸网易有数网易大屏自助分析行业数据产品行业业务系统数据服务数据服务数据集成数仓设计数据开发数据治理运维安全数据传输日志采集数据填报埋点管理指标系统数仓设计离线开发实时开发数据测试成本治理质量治理数据地图任务运维智能报警权限中心产品特色•“组件式”产品架构，业务可以根据发展阶段选择性搭配•“开放式”产品架构，聚焦核心通用产品，同时开放基础能力，允许业务集成新的产品•“轻型易用”平台，通过“增强分析”降低用户使用的门槛•完美的支撑数据中台建设，减少重复建设，提高数据共享能力网易数据中台产品架构Agenda1什么是数据中台？2元数据中心：数据中台的基石3数据治理：效率、质量、成本4数据服务：数据中台的门户5数据中台治理效果元数据中心：数据中台基石数据血缘数据字典数据特征API 服务Service LayerSpark ListenerHive HookSqoop Hook静态解析Kafka血缘消息处理Neo4j时间戳来源类型Conn ManagerHive ConnMySQL Conn内嵌元数据Conn 内嵌元数据管理血缘采集标签管理访问热度生命周期存储空间元数据库版本索引通知MySQL MetaStore Redis Kafka•解决“有哪些数据可用？”，“到哪里找数据？”Agenda1什么是数据中台？2元数据中心：数据中台的基石3数据治理：效率、质量、成本4数据服务：数据中台的门户5数据中台治理效果如何评价一个数仓设计好坏？•大量的表没有明确的主题域、业务过程，分层信息，数仓组织混乱•超过50%的任务直接引用ODS 层原始数据，30%的表存在跨层引用，DWD建设完善度较低•DWS 层表复用性差，平均表引用系数低•依然有查询ODS 层原始数据的Query，DWS，ADS Query 覆盖率低，取数效率差•表、字段命名规范混乱，数据发现困难规范化数仓设计EasyDesign 数仓设计度量•各层表的分布以及各层被下游表和任务引用情况，Query 查询覆盖率•DWD：ODS 被跨层引用的表的数量DWD平均被下游表引用系数•DWS：DWS 平均被下游表引用系数DWS Query 覆盖率ODS 被Query 查询情况规范化管理•度量管理•维度管理•模型设计团队协作•审批流程•基础字典管理数仓升级的目标覆盖度•消灭ADS/DWS 直接引用ODS 层原始数据•消灭Query直接查询ODS 层原始数据•DWS/ADS Query 覆盖度上升复用性•DWS、DWD 平均每张表被下游表引用数量增加规范性•表、字段命名规范统一•建表流程审核需求响应速度提升、查询速度提升、查询成本降低，数据使用者满意度提升！指标系统指标系统规范定义业务线(网易考拉)数据域(交易域)业务过程(下单)维度(商品)修饰类型(终端类型)修饰词(pc)时间周期(昨日)原子指标(销售量)派生指标(昨日pc端销售量)维度属性(商品id，名称)指标开发实施规范在做数据质量前业务面临的现状•超过90%的问题是由业务和产品发现•收集的问题中存在研发bug的占比超过50%报障人群统计业务产品开发分析师故障问题分类BUG数据源问题数据延迟性能数据质量方法论01030402完整性是指需要的数据已完整记录，可以分为记录数完整性和字段值完整性。
数据中台建设方案 (2)
数据中台建设方案1. 简介数据中台是指在企业内部将分散在各个业务系统中的数据整合到一个统一的平台中，通过数据的共享和流转，实现数据的一致性和可用性，为企业决策和业务发展提供支持。
本文将介绍数据中台建设的必要性和关键要素，并提出一个可行的数据中台建设方案。
2. 数据中台建设的必要性在传统的企业信息系统中，各个部门和业务系统独立运行，导致数据无法流通和共享，造成了数据的孤岛和冗余。
数据中台的建设可以解决这些问题，实现企业级数据的整合和管理，具有以下几个重要的必要性：2.1 数据共享与流通数据中台可以将各个部门和业务系统中的数据进行整合和共享，数据可以在不同系统之间自由流通，避免了重复录入和数据不一致的问题，提高了数据的质量和准确性。
2.2 数据一致性和可用性通过数据中台，可以实现数据的一致性和可用性。
不同系统中的数据在中台中进行了统一的管理，数据的定义和规范也由中台统一制定和管理，保证了数据的一致性和可用性，避免了数据冗余和不一致带来的问题。
2.3 提升数据分析和决策能力数据中台可以提供一个统一的数据分析平台，集成了各个业务系统中的数据，并通过数据仓库和数据湖等技术进行统一管理和处理。
这样可以为企业提供更全面、准确和及时的数据分析和决策支持，提升企业的竞争力和创新能力。
3. 数据中台建设的关键要素要实现一个有效的数据中台建设，需要考虑以下几个关键要素：3.1 数据治理数据治理是数据中台建设的基础，包括数据定义、数据规范、数据质量管理等方面。
在数据中台建设过程中，需要制定统一的数据规范和标准，明确各类数据的定义和使用方式，建立数据质量管理的机制，确保数据的准确性和可靠性。
3.2 数据整合和集成数据中台需要将来自不同系统的数据进行整合和集成，包括数据抽取、转换和加载等过程。
在数据整合和集成方面，可以使用ETL工具或者数据集成平台来实现，确保数据的有效集成和流通。
3.3 数据存储和管理数据中台需要建立一个统一的数据存储和管理平台，包括数据仓库、数据湖等技术。
数据中台的应用建设标准
数据中台的应用建设标准一、概述数据中台是现代企业数字化转型的核心组件，它为企业提供统一、高效、安全的数据管理服务。
为了确保数据中台的成功建设和有效应用，需要遵循一系列的标准。
本文将详细介绍数据中台在数据整合、数据存储、数据处理、数据服务、数据安全、数据治理、平台运维和用户权限等方面的应用建设标准。
二、数据整合1.数据标准化：数据中台应采用统一的数据标准，确保数据的准确性和一致性。
2.数据质量监控：建立数据质量监控机制，对数据进行清洗、去重、校验等操作，保证数据的准确性。
3.数据接口管理：制定数据接口的管理规范，包括接口定义、接口访问权限、接口调用日志等。
三、数据存储1.存储架构：根据数据规模和访问需求，设计合理的存储架构，包括分布式存储、对象存储、关系型数据库等。
2.数据分类管理：根据业务需求对数据进行分类存储和管理，提高数据的管理效率和查询性能。
3.数据备份与恢复：建立完善的数据备份和恢复机制，确保数据的可靠性和完整性。
四、数据处理1.数据处理流程：建立标准化的数据处理流程，包括数据抽取、转换、加载等环节。
2.计算性能优化：采用分布式计算、内存计算等技术，提高数据处理性能。
3.数据挖掘与分析：提供数据挖掘和分析工具，支持多维度数据分析。
五、数据服务1.数据服务接口：提供标准化的数据服务接口，支持RESTful API、GraphQL等方式。
2.数据服务注册与发现：实现数据服务的注册和发现机制，方便客户端查找和使用数据服务。
3.数据服务监控：对数据服务进行实时监控和告警，确保服务的稳定性和可用性。
六、数据安全1.数据加密：对敏感数据进行加密存储，保证数据的安全性。
2.访问控制：实施严格的访问控制策略，确保数据的保密性和完整性。
3.安全审计：建立安全审计机制，对数据操作进行记录和监控。
七、数据治理1.数据治理组织：建立专门的数据治理团队，负责数据中台的建设和运维。
2.数据质量管理：制定数据质量标准和规范，定期对数据进行质量检查和评估。
数据中台建设方案
数据中台建设方案
一、中台建设的背景及建设意义
1、背景：
随着信息化应用的普及，企业和组织结构正在从传统的单一中心架构
过渡到更加灵活的分布式架构。
此外，技术的不断进步，应用程序也正从
传统的单一平台到分布式平台。
因此，中台建设正成为企业和组织架构转
型的必要步骤。
2、建设意义：
中台建设的重要意义在于，能够帮助企业和组织实现应用程序的连接
和整合，从而更高效地实现业务流程的自动化和自动化，从而提高企业的
整体运营效率。
此外，中台还可以帮助企业更好地接入外部应用，如商店、客户服务等，进一步提高服务质量，提升企业竞争力。
二、中台建设总体方案
1、建设步骤
（1）定义中台构架：根据企业的业务需求，确定中台的构架，规划
中台所需要的服务器、网络等基础架构。
（2）搭建中台：根据定义的构架，搭建中台硬件和软件环境，建立
中台统一管理、集中部署、运维建设等服务体系。
（3）构建系统：根据企业应用需求，建立系统架构，搭建平台服务，搭建中台的应用系统，实现应用的信息收集、分析和查询等应用。
（4）实施测试：完成中台的搭建后，进行测试和验证。
数据中台（方法论篇）
数据中台（⽅法论篇）从上⼀篇⽂章我们知道数据中台是什么，解决什么问题，有什么价值，要做些什么，接下来我们去了解下通过什么⽅法来指导实施数据中台。
数据中台既不是⼀项技术，也不是⼀款产品，⽽是⼀套⽅法论，或者说是企业的⼀套战略，其本质是企业运营思路和模式的转变。
数据中台并不是购买⼀套产品就能实现的，成功的数据中台战略的实施不仅需要⼯具和产品的⽀持，更需要公司架构和流程层⾯的配合。
数据中台建设过程本⾝需要⼀整套的⽅法论来指导，包括实施路线、技术架构、组织⽅式、⼈员协作等各个⽅⾯的指导⽅针。
这⼀套⽅法论的核⼼原则是：业务驱动，使⽤可衡量的成果激发⾃主积极性；敏捷式的实施和迭代，快速落地和见效；强调规范的制定和⼯具的使⽤，可持续发展。
数据中台本质上是符合⼀定规范的⼤数据平台和数据仓库体系。
这些规范总结为OneID、OneModel、OneService、TotalPlatform和TotalInsight。
建设符合这些规范的数据中台，最重要的是建设时遵循⼀个合理的⽅法论，采⽤⼀个合理的体系架构。
在⽅法论中，最主要的思想是业务驱动，数据赋能，快速落地，⼩步快跑。
在说数据⽅法论之前，我们看看阿⾥巴巴的数据中台。
阿⾥数据中台OneData1.阿⾥数据中台从阿⾥巴巴数据中台全景图中我们看到，阿⾥的数据中台主要由四个部分组成：数据资产管理IPaaS、数据中台DaaS、数据研发平台IPaaS、计算与存储平台IaaS。
（1）数据资产管理IPaaS数据资产管理其核⼼是基于元数据管理技术实现数据资产的“可看、可找、可⽤”，主要提供资产地图、资产分析、资产管理、资产应⽤、资产运营等功能。
通过数据地图让数据管理和使⽤者，清楚的知道企业都有哪些数据，这些数据存在什么地⽅，数据被谁管理，如何获取等等；资产分析是利⽤BI技术对数据资产进⾏统计分析，并提供可视化服务，例如：按主题、类型的统计数据资产数量、数据资产的质量和数据资产的使⽤情况等；资产管理可以理解为对元数据的管理，包括元数据的增删改查；资产应⽤可以理解为通过元数据管理提升数据资产的利⽤率，⽐如：数据资产的热度分析、全链分析、影响分析等；⽽资产运营严格意义上说不能是⼀个功能，⽽是为了提升数据资产质量和使⽤效率的⼀系列措施，可能涉及组织、制度、绩效考核等等⽅⾯。
数据中台建设方案
数据中台建设方案
数据中台是一个统一的数据管理平台，将各个业务系统中的数据进行整合、清洗和管理，为企业决策提供数据支持。
在数据中台建设方案中，主要包括以下几个方面：
1. 数据整合：通过数据中台平台，将企业内部各个业务系统中的数据进行整合，形成一个统一的数据源。
通过数据中台，可以有效解决企业数据孤岛问题，避免多个业务系统之间的数据冗余和不一致。
2. 数据清洗：在数据中台中，对整合的数据进行清洗和校验，去除重复数据和错误数据，确保数据的准确性和完整性。
数据清洗是数据中台建设的关键步骤，对于提高数据质量和决策的准确性具有重要作用。
3. 数据分析：通过数据中台平台，可以将清洗后的数据进行进一步的分析，提取有价值的信息和洞察。
数据分析可以帮助企业发现潜在的问题和机会，为业务决策提供科学依据。
4. 数据应用：将分析后的数据应用到具体的业务场景中，为企业决策提供支持。
数据应用可以包括各种形式的数据报表、可视化展示和决策模型等，帮助企业管理者进行合理决策。
5. 数据安全：在数据中台建设过程中，要重视数据的安全性和隐私保护。
通过制定合理的数据权益和权限管理机制，保障数据的安全和合规。
6. 数据治理：数据中台建设需要建立完善的数据治理机制，确保数据的规范、质量和可信度。
通过建立数据质量评估和监控机制，及时发现和修复数据质量问题。
综上所述，数据中台建设方案主要包括数据整合、清洗、分析、应用、安全和治理等方面的内容。
通过建立和完善数据中台平台，可以帮助企业实现数据的整合和应用，提高决策的准确性和效率，提升企业的竞争力。
数据中台建设方案
数据中台建设方案一、背景与意义在当前信息技术高速发展的背景下，企业数据规模日益庞大，数据来源多样化，各个业务系统间数据孤岛现象严重，数据质量难以保证，数据分析效率低下等问题成为制约企业发展的重要因素。
为了解决这些问题，许多企业开始关注数据中台建设。
数据中台是指将企业内部分散在各个业务系统中的数据，进行数据整合、统一存储、标准化处理，构建一套开放、共享、可复用的数据平台。
数据中台建设旨在提高企业数据整合、共享和分析的效率，加强数据的管理和治理，提升企业业务决策能力。
二、数据中台建设的关键步骤及方法1. 数据整合与清洗数据中台建设的第一步是进行数据整合与清洗。
在数据整合阶段，需要收集各个业务系统中的数据，进行统一整合，消除数据冗余。
在数据清洗阶段，需要对数据进行清洗和规范化，去除重复数据、脏数据，修正错误数据。
数据整合与清洗可以通过数据集成工具和数据清洗工具来实现。
常用的数据集成工具有Informatica PowerCenter、Talend等；数据清洗工具有OpenRefine、Trifacta Wrangler等。
2. 数据标准化与模型设计数据中台建设的第二步是进行数据标准化与模型设计。
在数据标准化阶段，需要定义统一的数据标准、数据格式和数据质量要求，确保数据的一致性和准确性。
在模型设计阶段，需要设计统一的数据模型，包括数据架构、数据流程和数据关系等，以满足企业的业务需求。
数据标准化与模型设计可以通过数据建模工具和数据质量工具来实现。
常用的数据建模工具有PowerDesigner、ERwin等；数据质量工具有IBM InfoSphere DataStage、Oracle Data Quality等。
3. 数据存储与管理数据中台建设的第三步是进行数据存储与管理。
在数据存储阶段，需要选择合适的数据库管理系统（DBMS）或数据仓库来存储数据，以满足数据的快速访问和高效管理。
在数据管理阶段，需要建立数据管理策略，包括数据权限管理、数据备份与恢复、数据安全保护等，以确保数据的完整性和安全性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
统一查询服务
仓颉-指标管理系统 燧人-指标地图
夸父-埋点管理系统
商品域 用户互动域
采购域 营销域
数据中台
标签服务
数据仓库
仓储域
流量域
指标监控服务
数据产出服务
数据导入服务
物流域 售后域
交易域 财务域
数据质量中心 北斗-数仓设计管理系统
精卫-数据填报系统
数据平台
离线计算平台
实时计算平台
算法平台
网质量的实践路径
严选有数 数据仓库
业务人员
400
日UV
140000
日均PV
70000
图表数
网效分析
以终为始 PPT式操作
高性能
网效分析
数据化驱动
被动缓存
定时主动缓存
数据驱动缓存
精细化缓存
报告级 页面级 图表级
85%
缓存命中率
2S
平均响应时间
网效集成
开发
-
运营工作台 供应商系统
CRM
分销系统
遂
业务系统
人
自
助
统一查询服务
关注点分离
高效 数据中台
分而治之
高质量
高效分析 高效集成 高效研发 任务治理
数据治理
普通任务 关键任务 耗时任务
源 仓 端
品控工作台
严选有数-敏捷BI平台
统一查询服务
仓颉-指标管理系统 燧人-指标地图
夸父-埋点管理系统
商品域 用户互动域
采购域 营销域
数据中台
标签服务
数据仓库
仓储域
流量域
指标监控服务
数据产出服务
数据导入服务
物流域 售后域
交易域 财务域
数据质量中心 北斗-数仓设计管理系统
精卫-数据填报系统
数据平台
离线计算平台
客户服务
仓储物流
交易履约
B I
全链路精细化运营
数
数
报 表
据 产 品
据 大 屏
数据中台
为什么要建数据中台
大规模的数据需求需要高效地满足
数据中台是什么
高效、高质量赋能数据前台的一系列数据系统和数据服务的组合
数据中台的定位
BI报表
营销分析 用户分析 流量分析
商品分析 订单分析 采购分析
VIPAPP 移动数据工作台
网易严选数据中台建设实践与网法论
分享网纲
• 数据中台建设背景 • 数据中台建设实践 • 数据中台方法论
数据中台建设背景
严选模式
品牌
+
平台
研发 消费者
生产
采购
配送
销售
物流 仓储
平台
线上渠道
app
PC 公众号 小程序
CRM DMP
搜
推
风
索
荐
控
数据中台品牌Fra bibliotek商品开发工厂生产
采购入库
商品管理
市场运营
标签服务
查
询
系
统
仓颉-指标管理系统
数据仓库
68
应用数
67 0
模型数
2000 w
调用数
网效研发
VIPAPP 移动数据工作台
大麦 商品数据运营
河洛 供应链数据运作
指 标
神相 用户行为分析
刑天 投放管理
谛听 舆情洞察
统 一
监
权
控
数据导入服务
数据导出服务
限
服
服
务
统一查询服务
标签服务
务
数据产出服务
数据仓库
13
产品数
2周
迭代周期
1 :10
测开比
数据中台快照
BI报表
营销分析 用户分析 流量分析
商品分析 订单分析 采购分析
VIPAPP 移动数据工作台
神相 用户行为分析
数据产品
大麦 商品数据运营
刑天 投放管理
河洛 供应链数据运营
谛听 舆情洞察
业务系统
商品中心
分销系统
运营工作台
供应商系统
CRM系统
品控工作台
严选有数-敏捷BI平台
实时计算平台
算法平台
数据中台方法论
数据中台特征
全域、非内聚
数据中台
采购
活动
供应商
⋯
H5
⋯
数据中台的设计思维
分析师 业务系统开发 数据产品开发
用户导向
敏捷迭代
前台中台螺旋上升
产品化
产品交付
中台系统 数据服务 数据仓库
数据中台的实现网法
标准化
业务 流程
规范化
工具化
数据中台的实现网法
解决复杂问题的网法
仓颉-指标管理系统
北斗-数仓设计管理系统
猛犸
燧人-指标地图系统
统一查询服务
数据产品
有数报告
业务系统
• 原子指标管口径 • 产品经理管原子指标
• 数仓管口径 • 先设计后开发
• 定义动态获取 • 定义交互规范
数仓体系
夸父-埋点管理系统
供 应
精卫-数据填报系统
架 构
北斗-数仓设计管理系统
数据仓库
质 量
数据质量中心
仓颉-指标管理系统
需 求
燧人-指标地图
数据中台快照
BI报表
营销分析 用户分析 流量分析
商品分析 订单分析 采购分析
VIPAPP 移动数据工作台
神相 用户行为分析
数据产品
大麦 商品数据运营
刑天 投放管理
河洛 供应链数据运营
谛听 舆情洞察
业务系统
商品中心
分销系统
运营工作台
供应商系统
CRM系统
数据仓库
数据中台
采购域
仓储域
物流域
交易域
数据质量中心 北斗-数仓设计管理系统
用户互动域
营销域
流量域
售后域
财务域
精卫-数据填报系统
数据平台
离线计算平台
实时计算平台
算法平台
数据中台建设实践
实践路径
高效
高质量
网效的实践路径
赋能数据分析 高效分析
赋能业务系统 高效集成
赋能数据产品 高效研发
网效分析
分析师
数据治理
(异常)任务治理
(异常)数据治理
(异常)任务治理
分类
流程
普通任务
关键任务 耗时任务
冷却任务
发现 任务监控报警
处理 值班人员恢复
(异常)任务治理
模块粒度任务监控
(异常)数据治理
数据源
DB协同 日志监控 夸父-埋点管理系统
数据仓库
数据稽查
数据应用
指标监控
指标网致性
统一定义 统一开发 统一使用
神相 用户行为分析
数据产品
大麦 商品数据运营
刑天 投放管理
河洛 供应链数据运营
谛听 舆情洞察
业务系统
商品中心
分销系统
运营工作台
供应商系统
CRM系统
品控工作台
严选有数-敏捷BI平台 仓颉-指标管理系统
燧人-指标地图 夸父-埋点管理系统
统一查询服务
数据中台
标签服务
指标监控服务
数据产出服务
数据导入服务
商品域