簡介：本篇內容為2021雲棲大會-雲原生資料倉儲AnalyticDB技術與實踐峰會分論壇中，阿里雲資料庫解決方案架構師 王巨集宇關於“雲原生資料倉儲AnalyticDB在零售行業的深度應用和業務價值”的分享。
更多前沿分享，點選雲棲大會視訊回放連結即可獲取。
本篇內容將通過三個部分來介紹基於雲原生資料倉儲AnalyticDB MySQL的最佳實踐。
一、零售行業的發展趨勢
二、AnalyticDB的核心能力
三、AnalyticDB在零售中的應用
一、零售行業的發展趨勢
從最早的商超、百貨以及到現在的電商、新零售，都是圍繞三個核心要素來開展的：人、貨、場。傳統的零售大都是從場開始的：先有零售場所的建立，然後再等使用者前來消費；消費行為始於零售場所，也終止於零售場所。
但是隨著數字化和資訊化的應用，人、貨、場之間的關係正在被資料所重構發生了深刻的變化：零售重新迴歸到“以人為本”的理念上——使用者的需求在哪裡，零售就發生的哪裡，如辦公室的無人貨櫃、共享充電寶等等；同時逐漸形成了以“人為核心”的立體網路——交易行為突破了時空的限制，變得隨時隨地都可以發生，而且消費行為的生命週期也會更長。
零售行業的數字化體現在三個地方：
第一，“人”的數字化。不管是線下萬達商鋪還是線上的淘寶商城，它本質都在於吸引使用者流量——吸引使用者進店，之後分析使用者流量，最後消費使用者流量，所以人的數字化其實就在於使用者流量的分析和消費。
商家可以通過不同的途徑去獲取到使用者資料，比如自有電商平臺的資料、微博粉絲資料或者微信公眾號朋友圈等等。在完成資料收集之後，商家會藉助不同的資料探勘演算法，從各種維度對使用者畫像進行分析，提取使用者行為標籤進行分類，最後針對不同的客戶群體制定不同的營銷方案。如何實現人群的精準分析將會給零售產生非常重要的影響，如客流將決定著店鋪的位置選擇。
第二，“貨”的數字化。貨的數字化主要圍繞整個供應鏈的優化開展的，包括多渠道鋪貨/下單、訂單管理以及履約交付等各環節的數字化。全域打通與管理就會給零售行業帶了一些挑戰：包括線上/線下多個渠道之間採用怎樣的鋪貨策略/銷售策略、庫存如何統一管理、如何實現快速交付、如何提升回購等等。
比如每年雙11從發貨到交付到消費者手上的速度是越來越快，這背後正是貨的數字化發揮著神奇的力量：雙11前，淘寶/天貓/京東等電商平臺，會分析使用者最近一段時間的消費行為，並進行提前預判——分析哪些商品復購率比較高、哪些商品的購買具有地域屬性等等，然後就會提前將這些商品放置到離消費者更近的前置倉；消費者下單後，直接從前置倉進行發貨。同時，物流行業裡面，通用的電子面單系統，也是將物流的各個環節進行了數字化，這也極大提升了貨物的流通速度。
第三，“場”的數字化。主要比較線上和線下不同渠道之間各自的優勢/劣勢，然後利用彼此的優勢完成資訊流和資金流的重構。線下門店可以充分體驗產品，但整體成本缺比線上店鋪高很多。
於是很多企業就將線下門店和線上電商店鋪結合起來一起做，比如小米之家&小米商城、TATA木門的線下體驗店&天貓旗艦店等，都極大提升了坪效。
零售行業的數字化，實現了全渠道商品/訂單的統一管理、也積累了大量使用者資料、使得營銷效果更加直觀，但是也導致了資料量的極速增長。如何在海量資料中實現使用者資料的實時/精準分析、商品報表以及營銷效果的及時快速展現，也是零售商家所面臨的問題和挑戰。
二、AnalyticDB的核心能力
上述是原生資料倉儲AnalyticDB在整個資料鏈路的架構圖。
自下而上，資料如結構化/非結構化資料、日誌資料、物件儲存上的檔案資料，都可以通過不同的工具，實時或者離線匯聚到AnalyticDB中；然後利用AnalyticDB複雜查詢的效能優勢完成資料統計分析；最後藉助開源或商業化的BI展示工具，或者業務程式，進行圖形化或者互動式展現。當然，也可以藉助資料開發/排程工具，如DMS、DataWorks實現資料的ETL批處理，實現在/離線一體化數倉。
AnalyticDB的核心能力主要體現在三塊：查詢效能快，可以實現實時化分析以及簡單易用。
- AnalyticDB運用新一代超大規模的MPP+DAG融合引擎，採用行列混存、智慧索引等技術，極大了提升查詢效能。複雜SQL查詢速度相比傳統的關係型資料庫快10倍以上，較傳統數倉產品也有幾倍的提升。
- 藉助DTS實時同步工具，可以講業務庫的變更及時地被傳輸到ADB裡面，從資料變更到分析再到展現，整個鏈路延遲在秒級。
- 高度相容MySQL和PG協議，通過標準SQL和常用BI工具、以及ETL工具平臺即可輕鬆使用，極大降低了數倉的構建成本以及維護成本。
AnalyticDB作為一款新型的OLAP產品，通常有兩個常見的應用場景：
- 互動式BI分析。如天貓雙11大屏，涵蓋總的交易額、類目的TOP、地域等相關統計。優勢：查詢效能高，可以達到萬億級資料分析亳秒級響應，查詢速度約為MySQL100倍。
- l 日誌分析。如遊戲運營分析和IT運維日誌分析等。優勢：實現結構化和非結構化資料的融合分析，同時冷熱分離使得儲存成本極大降低。
三、AnalyticDB在零售中的應用
AnalyticDB是如何幫助零售行業客戶提升業務價值的呢？我們來看幾個客戶案例。
第一個案例來自於客戶雲。客如雲是給餐飲、零售、美業等本地生活服務業商家提供SAAS方案的服務商。
客戶主要有三個訴求：
- 報表實時展現。傳統資料倉儲一般只能做到T+1展現，可能會導致商家隔天才能檢視運營情況，進而導致補貨、資源調配存在延遲影響正常銷售。
- 畫像分析增值服務。客如雲的商家希望其提供更加精準的畫像分析服務，這樣可以為不同的目標群體提供更貼心的餐飲服務，例如情侶套餐、經濟套餐、滿減打折券等。
- 穩定性和擴充套件性。比如情人節、七夕、聖誕節等節假日用餐高峰，需要保證系統的順暢。
這個是架構升級之後的架構圖。
PolarDB MySQL替代了傳統MySQL，承擔業務流量，具備極致彈效能力。
DTS將業務庫中的資料變更實時地同步到AnalyticDB裡面，實現業務庫跟分析庫的解藕及實時同步。
AnalyticDB幫助客戶實現了實時報表分析、複雜互動式查詢和使用者畫像分析等功能。
通過這個架構升級，AnalyticDB幫助客如雲擴充了商業邊界，找到了新的營收增長點：推出商戶報表VIP套餐，報表更新從天降低到小時級別；同時也開發了使用者畫像精準營銷服務，兩項新功能給客如雲每年新增幾億的營收。同時七夕、國慶、聖誕節等節假日用餐高峰，系統執行非常的流暢，沒有任何卡頓。
第二個案例來自於北京蜂創科技。北京蜂創科技中國企業級營銷一體化管理 SaaS 平臺。旗下擁有營銷活動管理平臺、CRM使用者關係管理平臺、社群運營系統、精準營銷投放平臺等多個產品平臺。
主要面臨幾個問題：
- 查詢效能差。表資料量大，單表資料量過億甚至數十億，並且多表關聯/多維互動查詢場景較多。而且廣告主對於營銷展現時效性要求非常高。
- 傳統數倉架構複雜。涉及的元件多、資料鏈路長、人員學習成本運維成本大。
- 擴充套件性。可以承載未來3-5年資料的增長，不需要做架構再次升級。
結合業務場景，採用了PolarDB-X+DTS+AnalyticDB的解決方案：分散式PolarDB-X做分庫分表承擔業務高併發；資料通過DTS實時傳輸到AnalyticDB；同時AnalyticDB也可以直接讀取OSS上資料進行聯合查詢。這樣就構建了一個資料匯聚、資料清洗、ETL計算和實時查詢服務的資料分析平臺。
架構完成之後，AnalyticDB的引入使得多維分析查詢效能都在秒級返回，營銷效果展示更加及時。同時，AnalyticDB的快速彈性以及資料冷熱分離，使得整體成本更可控。
第三個案例來自於上海分尚網路，國內鮮花電商領導品牌，創造了“線上訂閱+產地直送+增值服務”的日常鮮花訂閱模式。
主要面臨的問題是：業務庫和分析庫都使用傳統MySQL，分析場景如訂單、商品流量、採購、業務轉化率、商品售罄報警等查詢速度較慢甚至查詢不出來的情況；業務發展很快，資料量增長迅猛；技術團隊對MySQL生態比較熟悉，傳統數倉元件多學習成本高；另外就是考慮未來資料進一步增長的情況下，系統的擴充套件性。
後來OLAP分析放置到了AnalyticDB上：利用AnalyticDB優異的查詢效能，報表和BI分析速度有2-10倍的提升，整體業務響應度和顧客服務體驗也得到很大提升。同時，利用ADB的資料冷熱分離以及資源組彈性功能，更高的擴充套件性和靈活性，IT支出成本降低30%以上。
還有更多的零售行業的客戶，如飛鶴、居然之家、生意參謀等等，也都在使用AnalyticDB承載複雜的報表統計以及互動式分析場景，通過數字化轉型挖掘更多的商業價值。
版權宣告：本文內容由阿里雲實名註冊使用者自發貢獻，版權歸原作者所有，阿里雲開發者社群不擁有其著作權，亦不承擔相應法律責任。具體規則請檢視《阿里雲開發者社群使用者服務協議》和《阿里雲開發者社群智慧財產權保護指引》。如果您發現本社群中有涉嫌抄襲的內容，填寫侵權投訴表單進行舉報，一經查實，本社群將立刻刪除涉嫌侵權內容。