为什么大促场景对BI提出了更高要求
电商大促的节奏正在变得越来越快。直播间里一个爆款的起量可能只需要几分钟，而运营团队如果还在等数据团队排期跑SQL，决策窗口早已关闭。服务超过490家国际品牌的电商服务商宝尊曾总结过电商数据分析的典型痛点：多源异构数据难打通、取数用数周期太长、专业分析人才稀缺。这三个问题在大促期间会被急剧放大——运营提需求、排期、写SQL、做报表，一套流程走完，复盘会可能已经开完了。
大促场景对BI的要求集中在三个维度：数据刷新要快，多平台数据要能整合到一张看板上，业务人员要能自己动手查数而不用等IT。传统BI工具在这三个维度上都存在明显短板，要么依赖离线数仓导致数据延迟数小时，要么操作门槛过高让一线运营无法独
临时表从4.7秒到0.12秒：不是所有Using temporary都需要优化
很多DBA看到EXPLAIN输出里的Using temporary就紧张，觉得查询“肯定慢”。但Using temporary不等于“磁盘临时表”——MySQL优先在内存中创建临时表，只有数据量超过阈值才会落盘。本文拆解临时表的三种形态、触发条件、内存与磁盘的判定方法，以及4种优化方案，帮你精准判断什么时候该出手、什么时候可以不管。
门店预约系统容量设计：时段库存、防超卖与履约提醒闭环实践
门店预约系统真正的难点是容量管理。本文基于连锁门店改造实践，搭建三层体系：时段容量层把服务能力建模成可扣减库存并从排班反推产能，并发防超卖层用条件原子UPDATE和锁定TTL机制保证高并发零超卖，履约闭环层通过分层提醒和爽约治理提升到店率，附容量建模、原子扣减SQL、履约度量代码与5个踩坑。
门店预约系统容量设计：时段库存、防超卖与履约提醒闭环实践
门店预约系统真正的难点是容量管理。本文基于连锁门店改造实践，搭建三层体系：时段容量层把服务能力建模成可扣减库存并从排班反推产能，并发防超卖层用条件原子UPDATE和锁定TTL机制保证高并发零超卖，履约闭环层通过分层提醒和爽约治理提升到店率，附容量建模、原子扣减SQL、履约度量代码与5个踩坑。
订单表上亿行，我按用户ID拆成128片之后怎么样了
从单表几千万行慢查询的痛点出发，讲清垂直拆分与水平拆分的区别、分片键怎么选、分片算法（hash取模/range/一致性hash）怎么权衡，以及分库分表带来的分布式ID、跨片查询、分布式事务等问题，给出避免过度拆分的避坑清单。
