提升 Data 360 技能
Data 360 学习之旅
Data 360 的学习之旅很直接：连接数据 → 映射到数据模型 → 统一数据 → 根据业务用例采取行动。但理解 Data 360 如何运作只是其中一部分，要真正发挥它的威力，还需要具备相应技能和经验的人。
此外，由于围绕数据的技术及其对 AI 的影响在快速演进，现在已不只是「数据」本身的问题，还涉及元数据（metadata）、语义（semantics）、上下文（context）、记忆（memory）等更多层面。数据专业人员的角色如今同时承载了首席数据官（CDO）与首席 AI 官（CAIO）的双重职责。
到目前为止，在 Data 360 学习之旅中您已经掌握了业务场景、收益和核心功能。在这一最终阶段，您将深入高级功能、开发者工具，以及构建跨 Salesforce 的端到端解决方案。那么，要取得成功需要哪些高级技能呢？
拓展你的技能
Data 360 用户需要的技能远不止理解数据本身，他们还必须理解 Salesforce 功能、Data 360 特有功能，以及越来越多地为提升 LLM 表现而需要的 LLM 解析 / 分块（chunking）策略。
无论您的日常工作身份是数据科学家、架构师、管理员、顾问还是营销人员，现在都同时肩负着首席数据官和首席 AI 官的责任。要成为公司数据（以及随之而来的 Agent）的有效管理者，Data 360 用户日益需要理解以下概念：
- 数据模型结构与概念；
- 数据血缘（data lineage）与数据卫生（data hygiene）；
- 本体论（ontology）与元数据；
- 语义层与上下文；
- 治理与标记（tagging）；
- 查询开发与优化；
- 用数据包（data kits）和沙盒开发；
- 大语言模型（LLM）及预测式与生成式 AI；
- 面向搜索索引和 RAG 的分块策略；
- 提示词开发与测试框架；
- 架构依赖与故障排查。
除 Data 360 学习路径外，Trailhead 还提供其他培训，包括 Build Your Data Literacy 学习路径，以及独特的 Agentblazer 项目——您甚至能成为 Agentblazer Legend！
高级 Data 360 内容
本里程碑中的内容帮助您构建跨 Data 360 的技能——从扩展转换、构建更高效的查询，到创建更高级的细分（segment）。以下预览五个高级内容领域：
- 架构指导（Architecture Guidance）——org 设置、数据空间、互操作性、多 org 复杂度；
- 提升数据、提升结果（Improve Data, Improve Results）——数据转换、Informatica 数据卫生、语义层、分块策略；
- 扩展功能（Expand Functionality）——高级细分、搜索索引、Intelligent Context、Document AI；
- 优化性能（Optimize Performance）——Data Graphs、Query Builder、降低信用额度消耗；
- 数据驱动自动化（Data-Driven Automation）——精简流程、智能工作流、面向结果的上下文引擎。
这些领域能帮助您提升性能、优化信用额度使用、精调 Data 360 功能。下面逐一展开。
架构指导
理解早期架构决策的利弊，可以极大地缩短 Data 360 的价值实现时间（time to value）。关键架构考量包括：
- 数据空间（data spaces）——为多品牌、多区域场景做逻辑分区；
- 合理的 org 设置——单 org vs 多 org；
- 互操作性（interoperability）——Data 360 与其他 Salesforce 云之间的连接。
复杂度会迅速攀升：单个 org 时架构决策相当直接；一旦叠加多个 org、数百个数据源、双向连接和复杂的安全需求，Data 360 架构会迅速变得复杂。要满足治理合规要求，就必须透彻理解数据隔离（data segregation）、元数据的访问控制，以及限制某些访问的下游影响。
早期做出正确的架构决策，可以避免日后昂贵的返工。
提升数据，提升结果
关于数据，您可能听过「垃圾进，垃圾出（garbage in, garbage out）」这句话。如果您改善了数据——甚至更好，改善了数据周围的上下文——所有结果都会随之改善，无论您是想改善营销受众还是改善 Agent 响应。
改善数据的方法包括：
- 数据转换（Data Transforms）——批量与流式转换，用于清洗、标准化和丰富数据；
- Informatica 数据卫生——企业级数据质量能力；
- 语义层（Semantic Layer）——用 Tableau Semantics 一致地定义业务术语和指标；
- 分块策略（Chunking Strategies）——优化非结构化内容为搜索和 RAG 而拆分的方式。
干净、结构良好、语义清晰的数据，是每一次成功 AI 实现的基础。一个基于干净数据构建的 Agent 会给出准确、有用的回答；而基于不一致、格式混乱数据构建的 Agent 则会给出错误或含糊的回答。
扩展功能
探索高级功能，让您的 Data 360 实现更进一步。
高级细分（Advanced Segmentation）：
- 精调受众，实现更智能的广告定向；
- 将计算洞察与复杂的容器逻辑相结合，构建精准的细分。
搜索索引与内容处理：
- 掌握向量（vector）、混合（hybrid）和增强（enriched）搜索索引；
- Intelligent Context——用 AI 驱动的上下文抽取增强非结构化数据处理；
- Document AI——从 PDF、发票和合同中提取结构化数据（姓名、日期、金额等）到数据湖对象。
这些功能让您从基础的 Data 360 使用，进阶到高级的、AI 驱动的数据处理与激活场景——每个功能都建立在 connect-map-unify-act 的核心基础之上。
优化性能
对大多数 Data 360 用户来说，信用额度消耗（credit consumption）及其追踪是最关注的问题。关键的优化工具包括：
- Data Graphs（数据图谱）——预先对关系建模以实现快速遍历，把复杂的多表联接查询简化为单次图谱遍历；标准图谱用于批处理、实时图谱用于即时更新；
- Query Builder（查询构建器）——在部署前测试和优化查询，理解查询性能特征，在消耗生产额度前识别昂贵的操作。
通过扩展查询技能，您可以直接影响查询性能并降低信用额度消耗。想象一下在年度绩效评估时告诉老板「我把信用额度消耗降低了 X%」——那是多么有说服力的成果！性能优化 = 成本优化。
数据驱动自动化
精简流程、自动化任务，可确保平台在无需持续人工干预的情况下保持稳健。超越单个工具，掌握高级数据技能是组织效率的催化剂，它能把 Data 360 转变为一个面向结果的上下文引擎（outcome-focused context engine）。
需要思考的关键问题：
- 您的流程自动化需要哪些数据？
- 需要哪些数据来减少手动配置、转向自动化、智能化的工作流？
- 如何用 Data 360 触发的 Flow 取代人工监控和干预？
- 如何用计算洞察驱动基于阈值的自动化，而非计划批处理？
目标：从被动的数据管理，迈向主动、自动化的数据智能，无需人工干预即可驱动 Agent、Flow 和体验——这是自主化企业的愿景。
下一步是什么？
通过深化对 Data 360 高级技能的理解——改善数据卫生、掌握优化工具、构建上下文——您将在AI 优先的市场中极具竞争力。
您的高级学习路径：
- 完成 Batch Data Transforms 徽章，提升数据质量；
- 继续 Data 360 学习之旅的 Level 3，学习高级功能和开发者工具；
- 探索 Data 360 Consultant 认证路径，验证您的专业能力；
- 查看配套学习路径，检查 Data 360 知识中的任何缺口；
- 加入 Agentblazer 项目，成为 Agentblazer Legend。
随着工具和功能的扩展，请随时回来重新查看此学习路径，了解最新内容。Data 360 的格局正在快速演进——持续学习不是可选项，而是必需品。