Category: Analytics

通过 Amazon Kinesis Data Analytics Studio，您可以轻松地实时分析流数据并使用标准 SQL、Python 和 Scala 构建流处理应用程序。只需在亚马逊云科技管理控制台上单击几下，就可以启动无服务器笔记本来查询数据流，只需几秒钟即可获得结果。

实践证明，现代云技术可以通过汇集数据并使用数据仓库和大数据工具进行分析，以经济高效的方式实现有价值的见解。例如，使用 Amazon EMR 之类的大数据分析工具整合来自证券交易的数据，以实现增强风险管理。对监管机构来说，面临的挑战在于能够通过以受控、高度灵活且经济高效的方式分析各种大型数据集来获取见解和有价值的信息。随着市场的演变和经济风险的变化，监管机构和中央银行的需求也将发生变化，因此监管生态系统必须继续适应所有参与者并具有成本效益。

在本博客文章中，我们将深入探讨大规模管理数据的主题，并解释为什么 CPG 应考虑使用数据网格进行数据管理的新方法。

Amazon Elasticsearch Service（Amazon ES）支持实时的异常检测，它使用机器学习（ML）主动检测实时流数据中的异常情况。当分析应用程序日志时，它可以用来检测例如异常高的错误率或请求数量的突然变化等异常状况。例如，来自特定地区的食品配送订单数量的突增可能是由于天气变化或该地区用户遇到技术故障造成的。发现这种异常情况可以促进对事件的快速调查和补救。

Amazon Redshift 是快速、广受欢迎的完全托管式云数据仓库，允许您使用标准 SQL 处理数据仓库、运营数据库和数据湖中的 EB 级数据。它提供不同的节点类型以适应各种工作负载；您可以根据需求从 RA3、DC2 和 DS2 中选择。RA3 是最新的实例类型，它允许您独立扩展计算和存储并支付其费用，还支持跨集群数据共享和跨可用区集群重新定位等高级功能。有关升级时节点计数和类型建议的更多信息，请参阅升级到 RA3 节点类型。

在本文中，我们将介绍一套框架，帮忙清除您组织中的亚马逊云科技托管数据湖内的各特定用户数据。此外，我们还将共同了解一套由多种不同亚马逊云科技存储层构成的分析解决方案，以及针对Amazon S3的示例代码。

在 Amazon Redshift 的协助下，客户得以顺利完成一系列业务目标，例如从加速现有数据库环境，到提取网络日志以进行大数据分析等等。

FreeWheel大数据团队在搭建数据仓库的过程中，在EMR的使用上积累了大量的实践和运维经验，本文将从EMR实践的角度出发，讲述FreeWheel Transformer团队在搭建ETL pipeline的过程中是如何玩转EMR的，以期抛砖引玉。

本文首先介绍了在亚马逊云科技平台上使用Apache Flink的快速方式 – Amazon Kinesis Data Analytics for Flink，然后通过一个无服务器架构的示例演示了如何在Amazon Kinesis Data Analytics for Flink通过PyFlink实现Python流数据处理和分析，并通过Glue和Athena对数据进行即席查询。

This article introduces the use of Athena to crop, enrich, repartition, format conversion and other ETL operations