谈一谈数据存储与物联网
物联网(IoT)包括可以连接到互联网的各种物理对象或设备,从工厂机械设备、家用电器、汽车到智能手机和智能手表等移动设备。今天的物联网更具体地是指将传感器、处理能力、软件结合在一起,并与其他设备交换数据的互连设备。物联网正在改变各种行业和应用程序,这些设备生成的数据可以在数据分析过程之后显著改善业务成果。
图数据库中的“分布式”和“切图”
今天,试着简要综述几类不同的图数据库的分布式与切图的设计,希望可以帮助大家了解不同项目、产品的设计差异。
无处不在的时序数据能带来什么?
我们在生活中每天都在使用时序数据,比如智能家居、联网汽车和移动设备等。
IDC FutureScape:2023年中国数字化业务十大预测
到2025年,中国四分之一的组织将通过将与可持续性相关的数字技术支出在2022年的基础上增加25%以上,展现负责任的领导力。
聊聊PG数据库的防误删除问题
今天我们来简单聊聊PG数据库的误删除恢复问题,因为目前很多国产数据库都与PG同源,或者是基于PG社区版定制的。
教育大数据之数据资产管理系统
接下来开始第三个副本“数据资产管理系统”,刚听到这个系统名字的时候,还是蛮有信心的,因为四年前曾从0到1做过一个资产管理系统,但是深入了解之后发现资产管理和数据资产管理虽然只有两字之差,但是做的事情却是千差万别
谈谈基于事件驱动的数据架构
在数字化时代,我们一直在处理数据,我相信大家已经看到了数据领域的一些结构性变化。不仅与架构相关,如今其大部分基于云而且还与团队和实施中涉及的某些角色相关。
如何做到用数据说话(一)
本文内容受众不只限于数据分析师,因为事实上,不管是金融分析师、产品经理、项目经理、运营专员、市场营销专员或是销售经理,在工作中都或多或少需要向同事、老板、高管、或者客户用数据来展示自己的业绩/项目成果、公司的运行现状或者客户的需求满足。
索引是一种让你快速找到数据的数据结构
实际上在使用索引的时候,我们已经忘记了使用索引的目的就是为了更快速的找到数据,索引并不是只能是B树或者位图,索引是一种辅助性的数据结构,它其实是可以被定义成任何样式的。
谈一谈常见的数据治理怪象
对数据治理和数据管理的区别争论不休,其实所有争论都难分对错与否,各执一词,观点不同其实也是各自的立场不同、场景不同、语境关系不同罢了。
业务中间件设计方法论经验总结
业务中间件的设计是用来解决问题的,尤其是痛点问题的,比如说:维护成本、开发成本、性能风险、数据一致性保障风险。
时序数据库方兴未艾,有人却说看到了终局
近些年,一些新的时序数据库创业公司出现,获得资本的青睐,在万物智联时代争相竞逐,尤其是中国的初创公司,在时序数据库领域与全球基本处于同一起跑线,业界普遍认为前景可期。但也有人认为,专有的时序数据库是走了NoSQL的老路,没有未来,在万物智联时代,数据库的尽头是超融合。
谈谈企业数据价值计量的一个可行方法【航空公司案例】
“数据”和“信息”这两个词有时混用是很常见的。信息是指对人类有意义的经过处理的数据。数据是信息的组成部分。
10月数据库圈值得关注的事 | 2022
10月,中国数据库市场在资本层面动作频繁,星环科技登陆科创板,开盘大涨62%,瀚高、成章数据、南大通用获得新轮融资;另一个值得关注的是云的发展,甲骨文加码云端推多云战略……
数据库圈周盘点:南大通用完成新一轮融资; ISO GQL有哪些新进展
上周,老牌数据库公司南大通用宣布完成数亿元新一轮融资;在NebulaGraph举办的用户大会上相关专家分享了图技术的发展趋势和GQL 标准的制定进展;拓数派发布全新eMPP云原生分析型数据库PieCloudDB;AWS宣布推出Neptune Serverless……
聊聊大数据的存算分离
大数据集群从最初开始建设时,一般都采用存算一体化的架构,主要是考虑部署简单、管理起来也方便。但是随着集群规模的不断扩大,在整个集群的资源规划和稳定性上都遭受到了不同程度的挑战。业务数据不断增长和技术框架的不断革新,导致集群资源无法始终维护在一个存储和计算比较均衡的状态。因此,对集群适当做一些存储和计算的拆分,一方面可以提升集群的稳定性和性能,另外一方面,也可以降低整体的成本。达到降本增效的效果。
谈谈实现数据价值的四大要素
从收集数据到使其成为可操作的知识并查看对业务的影响,这可能是一条充满挑战的道路,特别是如果组织尚未进行数据驱动的转型或没有完全具备正确支持它的能力。
一个近30年的老DBA希望数据库厂商提供什么样的文档?
实际所有国产数据库厂商的文档都缺一本《完全参考手册》,这本手册就像字典一样,包含了所有的数据库产品特性的最完整的描述。
数字化转型对CTO/CIO提出的11个要求
数字化转型会逐步颠覆传统CTO/CIO的定义,因为他们不仅要关注技术、基础设施建设和IT运维,更要懂得让技术高度配合业务,推动企业数字化转型。
Spark千亿级数据去重,性能优化踩坑之路
如果你的业务让你计算几个维度(广告位置、小时、广告类型等等吧,我就随便举个例子),每个维度的数据uv量级,方便业务评估和市场决策,数据精准度不要求完全精准,误差在1%以内就行了,你该如何做?