IT与业务如何实现1+1>2？

那就看下我们多维实时数据分析系统的方案选型，选型我们对比了行业内的领先方案，选择了最符合我们业务场景的方案。

第一块是实时数仓的选型，我们选择的是业界比较成熟的Lambda架构，他的优点是灵活性高、容错性高、成熟度高和迁移成本低；缺点是实时、离线数据用两套代码，可能会存在一个口径修改了，另一个没改的问题，我们每天都有做数据对账的工作，如果有异常会进行告警。

第二块是实时计算引擎选型，因为Flink设计之初就是为了流处理，SparkStreaming严格来说还是微批处理，Strom用的已经不多了。再看Flink具有Exactly-once的准确性、轻量级Checkpoint容错机制、低延时高吞吐和易用性高的特点，我们选择了Flink作为实时计算引擎。

第三块是实时存储引擎，我们的要求就是需要有维度索引、支持高并发、预聚合、高性能实时多维OLAP查询。可以看到，Hbase、Tdsql和ES都不能满足要求，Druid有一个缺陷，它是按照时序划分Segment，无法将同一个内容，存放在同一个Segment上，计算全局TopN只能是近似值，所以我们选择了最近两年大火的MPP数据库引擎ClickHouse。

五、设计目标与设计难点
 

经过刚才的介绍，再来看下我们这个项目的背景。

作者发文的内容被内容中心引入，经过内容审核链路，启用或者下架。启用的内容给到推荐系统和运营系统，然后推荐系统和运营系统将内容进行C侧分发。内容分发给C侧用户之后，用户会产生各种行为，曝光、点击、举报等，通过埋点上报实时接入到消息队列中。

接下来我们做了两部分工作，就是图中有颜色的这两部分。

第一部分构建了一个腾讯看点的实时数据仓库；第二部分就是基于OLAP存储引擎，开发了多维实时数据分析系统。

我们为什么要构建实时数仓，因为原始的上报数据量非常大，一天上报峰值就有上万亿条。而且上报格式混乱。缺乏内容维度信息、用户画像信息，下游没办法直接使用。而我们提供的实时数仓，是根据腾讯看点信息流的业务场景，进行了内容维度的关联，用户画像的关联，各种粒度的聚合，下游可以非常方便的使用实时数据。

四、方案选型
 

但在新技术周期里，与芯片、汽车一样，都在面临软件重新定义。这也给美团这样的算法和场景强大的公司，提供了准入的机会和窗口。

而且无独有偶，目前在无人配送和无人零售等Robotics领域发展最快最好的公司，清一色都是科技互联网公司，而且传统机器人巨头。

所以如此天时地利人和，一贯以深度思考著称的美团，又怎么会错过？

无论是对无人零售和无人配送的押注，还是整个智能化升级中的角色，都是一家千亿美元市值公司迈向万亿不容错过的战略航向。

重估美团

所以也是时候，重新审视、重新认知，重估美团了。

美团说，要帮大家吃得更好，生活更好。

但这种“吃得更好和生活的更好”背后，核心驱动引擎是技术。

所以从创办第一天起，美团始终被关注的就是科技底色和技术创新模式，在登陆港交所之时，也被以科技互联网IPO视之……其后股价和市值一骑绝尘，晋升千亿美元序列。

只不过易于忽略的是，美团实现这些，更主要的还是业务成绩和业务增长趋势，还不是平台和生态潜力。

现在，AI智慧门店MAI Shop——无人配送和无人零售，就是这种平台和生态潜力冰山一角的展示。

在大洋彼岸，亚马逊凭借这种平台和生态潜力，已经展示了无止境的进击。

而类似的美团，现在小荷才露尖尖角，对于美团的认知，或许是时候要刮目相待？

至少，是到提出这个问题的时候了。

（编辑：鹤壁站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!