亚马逊AWS官方博客
Category: Analytics
使用 Amazon Personalize 在 StockX 上拓展个性化用户体验
本文为StockX公司Sam Bean与Nic Roberts II撰写的客座文章。援引他们的表述,“StockX是一家来自底特律的初创公司,希望以独特的竞价/出价市场革新电子商务体系。我们平台的设计灵感源自纽约证券交易所,并将运动鞋与街头潮牌服饰等商品视为高价值可交易商品。凭借运营透明化的市场交易体验,StockX将帮助消费者以真实市场价购买备受追捧的真品。”
使用 Amazon Personalize 建立个性化优惠券,借此提高客户参与度与忠诚度
本文为乐天玛特公司大数据分析师Sungoh Park撰写的客座文章。援引他的表述,“作为乐天有限公司下辖子公司,乐天玛特是韩国领先的零售商,销售各类日用百货、服装、玩具、电子产品及其他商品。”
通过 AWS Analytics 充分发掘数据的力量
2020年的种种变化,让我们再次意识到敏捷性的重要意义。随着新冠疫情的全面爆发,我们接触到的每家客户都着手推进自己的应对之策。部分公司决定努力提高运营效率,有些企业甚至在疫情期间获得了可观的业务增长。
2020 年 Amazon DynamoDB 年度回顾
对Amazon DynamoDB团队来说,2020年又是繁忙的一年。我们发布了多项对原有功能的更新以及全新功能,希望在可靠性、加密、速度、可扩展性与灵活性等方面为大家带来更出色的使用体验。
探索ClickHouse与Amazon S3结合使用的三种方法
本文首先简单介绍了ClickHouse及其特性和使用场景,然后介绍了通过与Amazon S3存储的结合,可以为数据分析系统带来的优势:成本优化以及数据湖的应用。接下来,我们又介绍了ClickHouse和S3集成的三种方案,并通过具体示例来展示了各方案的具体实现方法和优劣势。
在 AWS Glue 的 Python Shell 作业中部署 AWS Data Wrangler 进行 ETL 数据处理
本文首先介绍了AWS Glue以及该服务的功能和使用场景,然后介绍了AWS Glue 中的Python Shell作业,可以基于Python完成一些基础的ETL操作。接下来,我们又介绍了Pandas on AWS – AWS Data Wrangler这款在AWS上进行数据分析的利器,并通过一个示例场景(CSV转换Parquet)来介绍了如何在Python Shell作业引入AWS Data Wrangler来简化在AWS平台上的无服务器化的ETL任务。
在 AWS Graviton2 Arm 架构上编译构建 ClickHouse
本文首先简单介绍了ClickHouse及其特性和使用场景,然后介绍了AWS Graviton2 Arm架构的优势,并演示了如何在AWS Graviton2的EC2实例上进行编译安装。接着,对AWS Graviton2和x86架构的EC2实例上的ClickHouse进行了性能比对,通过结果可以看到,AWS Graviton2不仅增强了数据分析的成本优势,还给客户带来了更丰富的计算架构选项。
使用 Amazon Kinesis 和 Amazon EMR 构建数据批处理分析架构
使用Amazon Kinesis和Amazon EMR构建数据批处理分析架构,并和流式处理汇总到Redshift做集中数仓查询.
使用 AWS DMS 将数据从 Amazon S3 流式传输至 Amazon Kinesis Data
本文介绍了如何使用AWS DMS,将批处理方案转换为近实时解决方案。这套解决方案大大简化了将记录由Amazon S3迁移至Kinesis并加以分析的过程。Kinesis作为AWS DMS指定的目标,可为多种其他系统提供数据资源。这样一条近实时管道将帮助您快速了解系统内的各类变化,最终提升组织的实际决策能力。
配置和优化 Amazon Athena 联合 Amazon Redshift 查询性能
在本文中,我们探讨了如何使用Lambda配置并使用Athena联合AmazonRedshift功能。现在,您无需等待从Amazon Redshift数据仓库到Amazon S3的数据转移流程,也不再需要负担查询的日常维护工作。