发布了 13 篇内容
共 37274字, 被阅读 9898次
获得了 89 次赞同
获得了 23次喜欢, 获得了 66 次收藏
参与了 16 次互动
互动包含发布评论、点赞评论、参与投票等

clickhouse 准实时数仓能力探索
通过实践结果对 clickhouse 作为准实时数仓能力进行总结 数据复用性:通过对数据分层与 clickhosue 提供的 MATERIALIZED view 能力,可以解决数据重复建设,提高数据复用性,同时简化数据处理(不用配置与维护任务调度)。

clickhouse 索引、索引局限与解决方案
clickhouse 索引详细、索引局限与解决方案

供应链管理是对产品流、信息流、资金流综合管理
《采购与供应链管理:一个实践者的角度》读后感 概况书中对供应链管理实际上可以理解为是对产品流、信息流、资金流综合管理;产品是从最初供应商流向最终客户;资金是按照相反方向流动;而信息则是双向流动。

数据,不能只讲大道理
在谈论数据时候,有些供应商特喜欢提变革性、推到重来解决方案,必带一些时髦名称;2019-2021 人人都提数据中台,张口就说业务数据化、数据业务化,数据驱动业务,甚至数据重塑业务;如今大家都不提数据中台(会被打上骗子标签),开始说 DAAS,阿里提了一个独

小 A 数仓之路:数仓现状与解决方案
业务增长速度快,数据迅速增加,同时取数需求激增与数据应用场景对数据质量、响应速度、数据时效性与稳定要求越来越高;但技术能力滞后业务增长,如实时数仓技术能力、高可用稳定保障能力、流程规范缺少等;通过梳理数据仓库问题,并针对问题提出解决方案

Dremio 推出在 AWS 云上运行的数据湖服务
Dremio 今天推出了一项云服务,该服务基于内存 SQL 引擎创建数据湖,该引擎针对存储在基于对象的存储系统中的数据启动查询。

黄金圈法则解读数据中台(1):为什么需要数据中台
2019 年,中台大热之时,整个互联网圈言必称中台;然而,仅仅一年,市场对于中台的风评就开始出现两极分化,拿着亲身实践力证中台有效的人不少,翻车和指责的也大有人在;而这些失败绝大部分都是因为没想明白为什么需要数据中台。

怎么对数据指标管理
优秀的数据指标管理,不仅能让你快速解决数据需求,洞察出可能会被忽略的价值数据,还能反映出你目前最需解决的业务问题。该如何对数据指标进行管理?我提供给你一些经验,希望你能从中学习到如何高效、规范化的管理指标。

聊聊实时数仓架构设计
什么是实时数仓?怎么设计实时数仓架构?有哪些实时数仓架构?

聊聊数据仓库建设
聊聊数仓建设思路与建设内容

多维数据分析(OLAP)技术选型(2):数据分析与 OLAP 差异
此文主要是跟大家聊聊数据分析与 OLAP 差异,只有清晰它们之间差异,我们才可以深入了解所选型技术使用场景,脱离使用场景的技术选型就如无源之水,无本之末;我们对用场景认知程度,决定了选型技术的解决方案;如“盲人摸象”的例子,如果你只摸到了象的耳朵,

多维数据分析(OLAP)技术选型(1):对什么进行选型
我们在 OLAP 选型时,究竟是对什么进行选型?是否有方法可以缩小我们选型范围?此文章很好解答这些问题。
最新评论
Dremio 推出在 AWS 云上运行的数据湖服务
聊聊实时数仓架构设计
聊聊数据仓库建设
聊聊数据仓库建设