# 云原生数据仓库AnalyticDB MySQL版 #
0
关注
5425内容
Apache Paimon统一大数据湖存储底座
Apache Paimon，始于Flink Table Store，发展为独立的Apache顶级项目，专注流式数据湖存储。它提供统一存储底座，支持流、批、OLAP，优化了CDC入湖、流式链路构建和极速OLAP查询。Paimon社区快速增长，集成Flink、Spark等计算引擎，阿里巴巴在内部广泛应用，旨在打造统一湖存储，打通Serverless Flink、MaxCompute等，欢迎大家扫码参与体验阿里云上的 Flink+Paimon 的流批一体服务。
|
带你读《Apache Kylin权威指南》之二：快 速 入 门
从最早使用大数据技术来做批量处理，到现在越来越多的人要求大数据平台也能够如传统数据仓库技术一样支持交互式分析，随着数据量的不断膨胀、数据平民化的不断推进，低延迟、高并发地在Hadoop之上提供标准SQL查询能力成为必须攻破的技术难题。而Apache Kylin的诞生正是基于这个背景，并成功地完成了很多人认为不可能实现的突破。
2万字揭秘阿里巴巴数据治理平台DataWorks建设实践
阿里巴巴一直将数据作为自己的核心资产与能力之一，从最早的淘宝、天猫等电商业务，到后续的优酷、高德、菜鸟等板块，DataWorks、MaxCompute、Hologres等产品用一套技术体系来支持不同业务的发展与创新，为企业带来整体的“数据繁荣”。
数据繁荣为我们带来了红利，同时也带动了各类数据治理需求的井喷，特别是降本等需求的不断出现，阿里云DataWorks团队将13年的产品建设经验整理成最佳实践，从数据生产规范性治理、数据生产稳定性治理、数据生产质量治理、数据应用提效治理、数据安全管控治理、数据成本治理、数据治理组织架构及文化建设等7个方面为大家揭秘数据治理平台建设实践
数据湖 vs 数据仓库：大厂为何总爱“湖仓并用”？
数据湖与数据仓库各有优劣，湖仓一体架构成为趋势。本文解析二者核心差异、适用场景及治理方案，助你选型落地。
湖仓一体：小米集团基于 Apache Doris + Apache Paimon 实现 6 倍性能飞跃
小米通过将 Apache Doris（数据库）与 Apache Paimon（数据湖）深度融合，不仅解决了数据湖分析的性能瓶颈，更实现了 “1+1>2” 的协同效应。在这些实践下，小米在湖仓数据分析场景下获得了可观的业务收益。
数仓常用分层与维度建模
本文介绍了数据仓库的分层结构和维度建模。数仓通常分为ODS、DIM、DWD、DWS和ADS五层，各层负责不同的数据处理阶段。维度建模是数据组织方法，包括星型和雪花模型。星型模型简单直观，查询性能高，适合简单查询；雪花模型则通过规范化减少冗余，提高数据一致性和结构复杂性，但可能影响查询效率。选择模型需根据业务需求和数据复杂性来定。
免费试用｜Vibe Coding正当时，AnalyticDB Supabase极速开发爆款应用
云原生数据仓库AnalyticDB PostgreSQL版重磅推出Supabase托管版本
AI Agent越用越笨？阿里云AnalyticDB「AI上下文工程」一招破解！
AI 上下文工程是管理大模型输入信息的系统化框架，解决提示工程中的幻觉、上下文溢出与信息冲突等问题。通过上下文的采集、存储、加工与调度，提升AI推理准确性与交互体验。AnalyticDB PostgreSQL 版提供增强 RAG、长记忆、Supabase 等能力，助力企业构建高效、稳定的 AI 应用。
大数据数仓建模基础理论【维度表、事实表、数仓分层及示例】
数据仓库建模是组织和设计数据以支持数据分析的过程，包括ER模型和维度建模。ER模型通过实体和关系描述数据结构，遵循三范式减少冗余。维度建模，特别是Kimball方法，用于数据仓库设计，便于分析和报告。事实表存储业务度量，如销售数据，分为累积、快照、事务和周期性快照类型。维度表提供描述性信息，如时间、产品、地点和客户详情。数仓通常分层为ODS(源数据)、DWD(明细数据)、DIM(公共维度)、DWS(数据汇总)和ADS(应用数据)，以优化数据管理、质量、查询性能和适应性。
免费试用