sampeng
2024-01-31 14:16:34 +08:00
我觉得做技术不能光做技术。还是要考虑点别的。
横竖你是不考虑成本的，但这通常又是选型中的重点。
就我自己身边的统计学来看，如果只是集中怎么查。怎么说呢。起步做大数据分析的时候考虑，但是不重要，只要满足 MVP 功能要求，这个事就算起步了，kpi 就算完成了，前端只要有时间随时可以换。在选型过程中反而最怕选这类没什么公司用过的。后面数据多了，就跳进去出不来了。学习成本是最大的成本，这是在很多做决策的人都明白的道理。这也是为什么最近出现的产品绝大部分是即支持自己的 DSL 又支持 SQL 。这是学习成本的一方面，另一方面，计算引擎和算法确实是核心，但是使用者不关心，作为大数据平台还关心一点：我能不能把这玩意很方便接入到别的平台上去。
metabase ，superset 这类就选起来没什么压力，不好用换一个就是了，想两套展示，一套研发自己看，一套给领导看。数据展示平台直接支持 sql 接入，轻轻松松，没工作压力。来个 dsl ？你要说服决策者会有很大的阻力。
对于决策选型的人来说，不会考虑实现细节。就几点：
1.能不能满足数据分析需求
2.成本多少。和别的技术比起来成本差异怎么样。成本包含计算成本，存储成本，人力成本和学习成本。
3.扩展性，n 年后，有新的技术出现，现在这个选型会不会成为阻碍。
OP 的产品只回答了第一个问题。
预计算成本在大数据+云平台的情况下成本只有存储成本。极其低廉。
绝大多数数据，早上跑个把小时，所有计算资源就可以释放了。只有少量的数据需要实时分析，这是实时分析的舞台。因为在这个博客里面有这么一句：“人工是最贵的开销。”。这句话我以前是信的，当然，现在用来推脱一些不想做的事也会说这句话。但这句话对于 99%国内公司不成立，人工反而是最便宜的开销。如果你现在就是 CEO 。。。你做几年老板就知道了。