
美团云“云时代大数据”交流会在京举行
在大数据时代,随着互联网产业的发展,企业的数据处理能力也被提升到了重要的地位,BIG DATA思维已经渗透到当今每一个行业和业务领域,成为社会发展浪潮中的主旋律之一。时至今日,“大数据”显然已成为最火热的IT行业词汇。
8月28日,云计算行业新贵——中国最大的生活服务业电子商务平台旗下美团云、创业者线下沙龙领导者——葡萄创投、为技术极客而生的开发者平台——Codefollow联合出击。一场名为“云时代大数据与产品创新”的交流会在北京中关村举行。
美团经过五年多的发展,今年即将达到千亿量级的规模,业务类型也突破了传统的团购范畴,在电影、酒店、外卖等垂直行业也都取得了非常好的成绩。而在美团的发展当中,云计算和大数据都发挥了极为重要的作用。此次交流会的分享嘉宾——美团云架构师李慧霸以及美团数据专家吕永超也为我们带来了其中的干货。
美团云诞生于2012年,这个时间点非常洽当:一方面当时业务平台已经遇到了一些棘手问题,而这些问题恰好可以用云计算技术来解决;另一方面当时美团业务规模还不算太大,可以较为容易地迁移到云平台,两者一拍即合。美团云平台承载了美团全部业务之后,帮助业务平台解决了资源交付周期长、应用之间影响大、资源利用率低、资源回收难、资源用量不可计量等困难问题,并且还通过优化调度等手段提高了可用性、性能、效率。
美团还采用云平台来搭建研发环境。研发工作通常具有探索性、反复性、故障性,甚至具有一定的破坏性,所以用户之间必须能够完全的隔离开;另外研发环境不能产生直接收益,通常资源量相对较小。这两方面原因都使得研发环境对云平台产生更强烈的需求。美团的研发云允许工程师在配额内自助使用资源,极大提高了工作效率。这样的研发环境同样可以用公有云+VPN的方式实现。
美团也将云平台技术和资源开放出来,成为一种公共服务。公有云服务对稳定性要求更高,因此美团秉承『先做实,再扩展,做用户心中的可信云平台』的原则,大力建设基础设施,积极研发高新技术,完善产品线,确保API高度兼容业内标准。目前美团云已经获得了国家颁发的可信云认证,但美团云的目标是要做用户心中的可信云,让用户只需关注自己应用的核心业务逻辑,由美团云来提供并确保基础设施和平台的可靠运行。
在介绍了对于大数据(来源多样、规模大、处理效率要求高、应用价值大)的独有理解后,吕永超介绍了美团目前拥有的大数据,重点突出了大数据的价值如何在美团O2O的商业环境中进行落地,并强调只有结合业务场景把死的数据转换为商业洞察力,大数据才是有价值的。通过列举一些数据在美团应用的具体场景,大家体会到了大数据的真正价值。
随后,吕永超介绍了如何把这些数据价值发挥出来的大数据解决方案:针对大数据的特征,围绕“采集、存储、计算、应用”四大模块的技术体系,并介绍了各个模块涉及的具体技术点。以七夕这个最近刺激高消费的节日为例,计算DAU和GMV,数据如何从业务端生成到最后加工为可用指标的流转过程以及各技术模块间的配合,同时指出了随着业务规模和复杂度的发展,计算简单的指标都会需要复杂的技术体系:计算的数据量巨大;以事业群独立发展的各业务形态不一,源数据的存储和内容都会有很大的差异,业务口径的理解也有不同;业务间的交叉需要区分重复数据;复杂的竞争环境需要更快而灵活的获取高质量数据等等。也是在这样的业务挑战下,对美团大数据技术提出了很高的要求,也促进了大数据团队做了很多技术积累。
接着,针对本次交流主要面向初创公司技术人员的背景,吕永超对商业分析的标配——商业智能技术进行了详细介绍,围绕商业智能“源数据-后端处理-前端应用”介绍了当前美团新一代商业智能平台的技术架构以及相关的数据产品,并提出了商业智能是随着业务发展在提高商业洞察力的过程中不断迭代优化的解决方案,新一代商业智能平台也是根据美团从12年单一的团购模式发展为现在以团购业务为平台,电影、外卖、酒店等品类垂直发展的“T”型战略所决定的,需要从单一的IT解决方案演化为“IT+业务+治理”的综合解决方案。
最后,吕永超展望了大数据将来的发展趋势,也分享了将来美团在大数据提升商业洞察力方面的一系列规划,并提出大数据+云计算的服务模式:既然云计算已经在支撑各业务的技术,同样也可以把大数据技术部署在云端,在做了大量技术积累满足了内部业务需求的同时也把能力开放出来,帮助更多的企业以更低的成本更高效的提升商业洞察力,而这样的过程对于美团和云端用户来说也是一个双赢的局面。
经过简单但精彩的互动提问环节,交流会圆满结束。会后两位专家与到场嘉宾频频互换联系方式,并进行了深入的单独交谈,大家对于美团云大数据处理方式已经能够对自身创业产生的帮助十分感兴趣。而美团云作为云行业新势力,势必会迎来更大的发展。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29