RT.Warehouse

Массивно-параллельная СУБД для построения хранилищ данных

Оставить заявку
RT.Warehouse
Поскольку RT.Warehouse поддерживает сложные запросы, обрабатывающие большие объёмы данных, в том числе сложные аналитические функции, она эффективно может использоваться для построения корпоративного хранилища данных, BI-аналитики, AD-HOC запросов и data science

Какие задачи решает

Обеспечивает высокую степень производительности и отказоустойчивости

Гибкость горизонтального масштабирования

Гибкость горизонтального масштабирования

Продвинутый оптимизатор запросов

Продвинутый оптимизатор запросов

используется в ядре

Адаптация архитектуры

Адаптация архитектуры

для хранения и обработки больших массивов данных

Ключевые функции

Нагрузка и данные распределяются равномерно между серверами кластера. Масштабируются не только узлы, но и каналы загрузки и выгрузки данных, что существенно упрощает процесс интеграции с источниками данных и аналитическими системами
  • В RT.Warehouse реализован протокол параллельного обмена данными со сторонними системами — Platform eXtension Framework, который обеспечивает взаимодействие с внешней системой одновременно всех сегментов кластера
  • Поддерживается интеграция с Oracle, Postgres, MS SQL, My SQL, MongoDB, SAP HANA и другими СУБД, а также с решениями другого класса: Hadoop (HDFS, Hive, Hbase), S3
Кроме этого, все внутренние взаимодействия компонентов СУБД также могут быть зашифрованы с помощью протокола SSL, а данные, хранящиеся на дисках кластера — зашифрованы с помощью ключей PGP (на уровне таблиц, либо колонок в таблицах)
Помимо ограничения доступа к таблицам и другим объектам СУБД можно создать схемы ограничения к строкам и столбцам отдельных таблиц
Обеспечивает:
  • Синхронизацию между кластерами с разным количеством сегментов
  • Автоматическая синхронизация процессов бэкапа с процессами регулярных загрузок
Для параллельной загрузки данных напрямую в сегменты
Включает следующие функции:
  • Автоматическая установка кластера, благодаря собственным ansible-скриптам
  • Интерфейсы мониторинга состояния кластера: утилизация ресурсов на сегмент-серверах, утилизация ресурсных групп, объём баз/схем, объём таблиц системного каталога
  • Возможность автоматического линейного расширения
Реализация сценариев «охлаждения» данных детального слоя

Кейсы

Необходимая составляющая любого корпоративного хранилища данных, предназначенная для управления важнейшей для ведения бизнеса нетранзакционной информацией: о клиентах, продуктах, услугах, персонале, технологиях, материалах

Анализ эффективности рекламы на основе логов телесмотрения и данных о покупках

Организовать регулярную оценку рентабельности рекламных кампаний на ТВ с целью эффективного перераспределения бюджета и определения сильных и слабых каналов продвижения

Технологии:

Data Warehouse Data Engineering

Решение:

В рамках предоставления услуг IPTV Ростелеком накапливает по каждому клиенту статистическую информацию о времени включения телевизора и просматриваемых каналах. При наличии сетки выхода рекламных ТВ роликов эти данные дают возможность выявлять клиентов, у которых телевизор был включен в момент трансляции рекламы, рентабельность которой необходимо оценить.

На основе информации из чеков ОФД, включающих рекламируемый товар без привязки к ритейлеру и другим параметрам покупки и обогащенных идентификаторами клиентов, рассчитывается процент пересечения клиентов, купивших товар, с пользователями IPTV, смотревшими рекламный ролик. Проценты пересечения рассчитываются в разрезе регионов и поло-возрастных групп. Эти агрегированные показатели пересечения служат оценкой влияния ТВ рекламы на продажи.

Эффекты:

Оптимальное перераспределение рекламных бюджетов на базе оценки влияния ТВ-рекламы на продажи

Построение рекомендательных моделей продаж на базе искусственного интеллекта в сегментах B2B, B2C

Увеличить конверсию продаж за счёт использования индивидуальных рекомендаций, адаптированных к потребностям каждого клиента и учитывающих историю клиентского опыта

Технологии:

Data Warehouse Data Engineering Data Science

Решение:

Для решения задачи в ПАО Ростелеком построена система из нескольких сотен рекомендательных моделей на базе искусственного интеллекта, учитывающая все накопленные компанией знания о клиенте, как внутренние — например, обращения клиента в техническую поддержку, профиль использования услуг компании, адресная информация и др., так и полученные из внешних источников — например, данные социальных сетей, ЗАГС и др.

На основе анализа данных о клиенте модели помогают получать информацию о его потребностях и предпочтениях и при дальнейшем общении с клиентом позволяют предложить именно тот продукт, который с высокой вероятностью окажется ему полезен.

При этом не тратится время на предложение продуктов, в которых клиент не нуждается.

Эффекты:

Использование рекомендательных моделей продаж позволило повысить конверсию продаж в 2–3 раза для существующих и новых клиентов ПАО Ростелеком

Напишите нам

Мы ответим на ваши вопросы

Отправляя заявку, я даю согласие на обработку персональных данных в соответствии с законодательством России и политикой конфиденциальности.

С этим продуктом смотрят