简介：本篇内容为 2021 云栖大会 - 云原生数据仓库 AnalyticDB 技术与实际峰会分论坛中，阿里云数据库解决方案架构师 王宏宇对于“云原生数据仓库 AnalyticDB 在批发行业的深度利用和业务价值”的分享。

更多前沿分享，点击 云栖大会视频回放链接 即可获取。

本篇内容将通过三个局部来介绍基于云原生数据仓库 AnalyticDB MySQL 的最佳实际。

一、批发行业的发展趋势

二、AnalyticDB 的外围能力

三、AnalyticDB 在批发中的利用

一、批发行业的发展趋势

从最早的商超、百货以及到当初的电商、新批发，都是围绕三个外围因素来发展的：人、货、场。传统的批发大都是从场开始的：先有批发场合的创立，而后再等用户前来生产；消费行为始于批发场合，也终止于批发场合。

然而随着数字化和信息化的利用，人、货、场之间的关系正在被数据所重构产生了粗浅的变动：批发从新回归到“以人为本”的理念上——用户的需要在哪里，批发就产生的哪里，如办公室的无人货柜、共享充电宝等等；同时逐步造成了以“人为外围”的平面网络——交易行为冲破了时空的限度，变得随时随地都能够产生，而且消费行为的生命周期也会更长。

批发行业的数字化体现在三个中央：

第一，“人”的数字化。不论是线下万达商铺还是线上的淘宝商城，它实质都在于吸引用户流量——吸引用户进店，之后剖析用户流量，最初生产用户流量，所以人的数字化其实就在于用户流量的剖析和生产。

商家能够通过不同的路径去获取到用户数据，比方自有电商平台的数据、微博粉丝数据或者微信公众号朋友圈等等。在实现数据收集之后，商家会借助不同的数据挖掘算法，从各种维度对用户画像进行剖析，提取用户行为标签进行分类，最初针对不同的客户群体制订不同的营销计划。如何实现人群的精准剖析将会给批发产生十分重要的影响，如客流将决定着店铺的地位抉择。

第二，“货”的数字化。货的数字化次要围绕整个供应链的优化发展的，包含多渠道铺货 / 下单、订单治理以及履约交付等各环节的数字化。全域买通与治理就会给批发行业带了一些挑战：包含线上 / 线下多个渠道之间采纳怎么的铺货策略 / 销售策略、库存如何对立治理、如何实现疾速交付、如何晋升回购等等。

比方每年双 11 从发货到交付到消费者手上的速度是越来越快，这背地正是货的数字化施展着神奇的力量：双 11 前，淘宝 / 天猫 / 京东等电商平台，会剖析用户最近一段时间的消费行为，并进行提前预判——剖析哪些商品复购率比拟高、哪些商品的购买具备地区属性等等，而后就会提前将这些商品搁置到离消费者更近的前置仓；消费者下单后，间接从前置仓进行发货。同时，物流行业外面，通用的电子面单零碎，也是将物流的各个环节进行了数字化，这也极大晋升了货物的流通速度。

第三，“场”的数字化。次要比拟线上和线下不同渠道之间各自的劣势 / 劣势，而后利用彼此的劣势实现信息流和资金流的重构。线下门店能够充沛体验产品，但整体老本缺比线上店铺高很多。

于是很多企业就将线下门店和线上电商店铺联合起来一起做，比方小米之家 & 小米商城、TATA 木门的线下体验店 & 天猫旗舰店等，都极大晋升了坪效。

批发行业的数字化，实现了全渠道商品 / 订单的对立治理、也积攒了大量用户数据、使得营销成果更加直观，然而也导致了数据量的极速增长。如何在海量数据中实现用户数据的实时 / 精准剖析、商品报表以及营销成果的及时疾速展示，也是零售商家所面临的问题和挑战。

二、AnalyticDB 的外围能力

上述是原生数据仓库 AnalyticDB 在整个数据链路的架构图。

自下而上，数据如结构化 / 非结构化数据、日志数据、对象存储上的文件数据，都能够通过不同的工具，实时或者离线汇聚到 AnalyticDB 中；而后利用 AnalyticDB 简单查问的性能劣势实现数据统计分析；最初借助开源或商业化的 BI 展现工具，或者业务程序，进行图形化或者交互式展示。当然，也能够借助数据开发 / 调度工具，如 DMS、DataWorks 实现数据的 ETL 批处理，实现在 / 离线一体化数仓。

AnalyticDB 的外围能力次要体现在三块：查问性能快，能够实现实时化剖析以及简略易用。

• AnalyticDB 使用新一代超大规模的 MPP+DAG 交融引擎，采纳行列混存、智能索引等技术，极大了晋升查问性能。简单 SQL 查问速度相比传统的关系型数据库快 10 倍以上，较传统数仓产品也有几倍的晋升。
• 借助 DTS 实时同步工具，能够讲业务库的变更及时地被传输到 ADB 外面，从数据变更到剖析再到展示，整个链路提早在秒级。
• 高度兼容 MySQL 和 PG 协定，通过规范 SQL 和罕用 BI 工具、以及 ETL 工具平台即可轻松应用，极大升高了数仓的构建老本以及保护老本。

AnalyticDB 作为一款新型的 OLAP 产品，通常有两个常见的利用场景：

• 交互式 BI 剖析。如天猫双 11 大屏，涵盖总的交易额、类目标 TOP、地区等相干统计。劣势：查问性能高，能够达到万亿级数据分析亳秒级响应，查问速度约为 MySQL100 倍。
• l  日志剖析。如游戏经营剖析和 IT 运维日志剖析等。劣势：实现结构化和非结构化数据的交融剖析，同时冷热拆散使得存储老本极大升高。

三、AnalyticDB 在批发中的利用

AnalyticDB 是如何帮忙批发行业客户晋升业务价值的呢？咱们来看几个客户案例。

第一个案例来自于客户云。客如云是给餐饮、批发、美业等本地生存服务业商家提供 SAAS 计划的服务商。

客户次要有三个诉求：

• 报表实时展示。传统数据仓库个别只能做到 T + 1 展示，可能会导致商家隔天能力查看经营状况，进而导致补货、资源调配存在提早影响失常销售。
• 画像剖析增值服务。客如云的商家心愿其提供更加精准的画像剖析服务，这样能够为不同的目标群体提供更贴心的餐饮服务，例如情侣套餐、经济套餐、满减打折券等。
• 稳定性和扩展性。比方情人节、七夕、圣诞节等节假日用餐顶峰，须要保证系统的顺畅。

这个是架构降级之后的架构图。

PolarDB MySQL 代替了传统 MySQL，承当业务流量，具备极致弹性能力。

DTS 将业务库中的数据变更实时地同步到 AnalyticDB 外面，实现业务库跟剖析库的解藕及实时同步。

AnalyticDB 帮忙客户实现了实时报表剖析、简单交互式查问和用户画像剖析等性能。

通过这个架构降级，AnalyticDB 帮忙客如云拓展了商业边界，找到了新的营收增长点：推出商户报表 VIP 套餐，报表更新从天升高到小时级别；同时也开发了用户画像精准营销服务，两项新性能给客如云每年新增几亿的营收。同时七夕、国庆、圣诞节等节假日用餐顶峰，零碎运行十分的晦涩，没有任何卡顿。

第二个案例来自于北京蜂创科技。北京蜂创科技中国企业级营销一体化治理 SaaS 平台。旗下领有营销流动治理平台、CRM 用户关系治理平台、社区经营零碎、精准营销投放平台等多个产品平台。

次要面临几个问题：

• 查问性能差。表数据量大，单表数据量过亿甚至数十亿，并且多表关联 / 多维交互查问场景较多。而且广告主对于营销展示时效性要求十分高。
• 传统数仓架构简单。波及的组件多、数据链路长、人员学习老本运维老本大。
• 扩展性。能够承载将来 3 - 5 年数据的增长，不须要做架构再次降级。

联合业务场景，采纳了 PolarDB-X+DTS+AnalyticDB 的解决方案：分布式 PolarDB- X 做分库分表承当业务高并发；数据通过 DTS 实时传输到 AnalyticDB；同时 AnalyticDB 也能够间接读取 OSS 上数据进行联结查问。这样就构建了一个数据汇聚、数据荡涤、ETL 计算和实时查问服务的数据分析平台。

架构实现之后，AnalyticDB 的引入使得多维分析查问性能都在秒级返回，营销成果展现更加及时。同时，AnalyticDB 的疾速弹性以及数据冷热拆散，使得整体老本更可控。

第三个案例来自于上海分尚网络，国内鲜花电商领导品牌，发明了“线上订阅 + 产地直送 + 增值服务”的日常鲜花订阅模式。

次要面临的问题是：业务库和剖析库都应用传统 MySQL，剖析场景如订单、商品流量、洽购、业务转化率、商品售罄报警等查问速度较慢甚至查问不进去的状况；业务倒退很快，数据量增长迅猛；技术团队对 MySQL 生态比拟相熟，传统数仓组件多学习老本高；另外就是思考将来数据进一步增长的状况下，零碎的扩展性。

起初 OLAP 剖析搁置到了 AnalyticDB 上：利用 AnalyticDB 优异的查问性能，报表和 BI 剖析速度有 2 -10 倍的晋升，整体业务响应度和顾客服务体验也失去很大晋升。同时，利用 ADB 的数据冷热拆散以及资源组弹性性能，更高的扩展性和灵活性，IT 收入老本升高 30% 以上。

还有更多的批发行业的客户，如飞鹤、竟然之家、生意顾问等等，也都在应用 AnalyticDB 承载简单的报表统计以及交互式剖析场景，通过数字化转型开掘更多的商业价值。

版权申明：本文内容由阿里云实名注册用户自发奉献，版权归原作者所有，阿里云开发者社区不领有其著作权，亦不承当相应法律责任。具体规定请查看《阿里云开发者社区用户服务协定》和《阿里云开发者社区知识产权爱护指引》。如果您发现本社区中有涉嫌剽窃的内容，填写侵权投诉表单进行举报，一经查实，本社区将立即删除涉嫌侵权内容。