数据仓库
文章平均质量分 59
数据仓库
优惠券已抵扣
余额抵扣
还需支付
¥9.90
¥99.00
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
杨鑫newlfe
算法就是我的灵魂
展开
-
深入浅出理解什么是HTAP
关于HTAPHTAP(Hybrid Transactional/Analytical Processing)混合事务 / 分析处理。这里的HTAP就是常见的比较经典的OLAP和OLTP的处理场景的结合体。即可解决OLTP在线事务处理场景,还可以解决OLAP在线分析场景。Gartner也认为HTAP数据库将成为数据库领域的一个重要的发展趋势,一个集成的数据平台将会加速数字化转型。HTAP的概念最早在2014年Gartner的报告中提出这一概念,《混合事务/分析处理促进重大商业创新》。对于这个HTA原创 2022-05-12 01:13:09 · 17557 阅读 · 0 评论 -
新一代流式数据湖平台 Apache Hudi学习笔记 - 基础知识&定义
什么是Hudi?使用Hudi管理数据和基本概念理解,不处理和使用。仅是管理数据。发稿时,当前最新版本是V0.10.0为什么学习Apache HudiHudi是一个数据湖的框架。通过目录和表(分区,列式存储)进行管理。诞生于Uber并开源。数据仓库Data Warehouse 简称数仓、DW,是一个用于存储、分析、报告的数据系统。数据仓库的目的是构建面向分析的集成化数据环境,分析结果是为企业提供决策支持(Decision Support)。数据仓库的特点是.原创 2022-04-18 22:33:50 · 443 阅读 · 0 评论 -
《数据仓库工具箱 - 纬度建模权威指南》--- 第一章 数据仓库、商业智能及纬度建模初步读书笔记
简述:该章节主要的讨论点: DW/BI的业务驱动目标 发布DW/BI系统的隐喻 维度建模和新概念以及涉及的主要词汇,包括事实表于维度表 Kimball DW/BI 架构的组件与原则 不同DW/BI架构的比较研究,维度建模在不同架构中所扮演的角色 文章主干:一、数据获取与数据分析的区别二、数据仓库与商业智能的目标三、纬度建模简介四、Kimball的DW/BI架构五、其他DW/BI架构六、维度建模神话一、数据获取与数据原创 2021-10-07 15:59:27 · 575 阅读 · 0 评论 -
大数据架构演进历史小记
简述 从古人开始记录事件,到电子化时代的数据产生,都是从时间/事件/主题/维度等角度进行基础积累多种形态的数据存储需求。经典的几种架构可以拆分出来离线、实时、流批一体、OLAP、OLTP、分析、计算等经典模块。我们在解决了ETL/ELT问题之后,又增加了对数据进行分析的需求,同时基于业务数据特征和算法的特点,可以再次对数据进行深层次的分析和挖掘。达到业务数据价值最大化的目的。那么怎么快速的理解他们呢?架构演进 第一阶段:数据文件 (古代)我们常见的账本、石子、物品等...原创 2021-06-21 00:00:40 · 719 阅读 · 2 评论 -
数据架构在公司发展的历程节点
我们无论在谈论数据平台、数据仓库、还是数据湖以及数据中台。都是一个公司数据架构或业务发展的必经阶段,这里我梳理下我之前经历过公司的数据发展历程。第一期:原始需求,需要查看业务数据的离线报表。一般使用Python脚本编写,连接业务从库,获取数据组装成为Excel利用邮件发出。第二期:由于开发速度慢,业务越来越多,通常要写上千行的SQL,维护成本极高。因此开发了邮件报表系统。第三期:参数分析的数据量越来越大,单独的对业务从库查询并不能满足需求。隐私考虑使用分布式存储的数据仓库Hiv...原创 2021-03-28 17:07:04 · 526 阅读 · 0 评论 -
业务数据分层设计
数据分层 数据集成 维表数据 贴源数据 基础数据 汇总数据 基础指标 衍生指标 监管/战略/决策 数据服务体系 元数据管理 周期任务调度 数据质量管理 数据混淆系统 数据监控报警 数据治理体系 异常数据修复 干扰废弃数据 ..原创 2021-03-28 15:31:15 · 564 阅读 · 0 评论 -
记一次SQL左关联出现空结果的情况
前言 最近在用SQL统计数据的时候发现一个特别有意思的问题(剧透一下,我自己挖的坑),我在使用左关联的时发现结果竟是空。那么我们复现一下场景问题和问题的解决方案。过程 有如下一段左关联的SQL,t_xxx_1表是非空的数据集合,t_xxx_2 是一个空的数据集合,那么我们简单的就可以得出这个LEFT OUTER JOIN的结果是t_xxx_1的原始数据。对吗?不对....!!!SELECT t_1.id AS id, t_1.name A...原创 2021-02-26 00:05:29 · 2492 阅读 · 1 评论 -
用户画像 - 实现画像数据
我们一般可能会在数据仓库或者数据中台中构建画像相关的数据表,例如用户画像。 我们构建画像的时候很简单,可以通过事实表和维表来构建画像表。 思路-相关表如下 事实表(明细表)t_1 维表-1 t_2 (有与t_1关联的字段) 维表-2 t_3(有与t_1关联的字段) 维表-3 t_4 (有与t_1关联的字段) 维表-4 t_5(有与t_1关联的字段) ... 通过关...原创 2021-01-20 23:14:09 · 879 阅读 · 0 评论 -
用户画像 - 方法论与工程化解决方案学习笔记
一、什么是画像、特征、标签? 画像 > 标签 > 特征; 画像:包含标签和特征,是由特征和标签组成的多维度的描述或定位侧写和刻画; 特征:是一类细节性描述,例如统计值,比如某些聚合的金额、数量; 标签:是一类细节性描述的归纳总结,是对特征的一层抽象理解,例如根据金额、数量等进行的评估头部客户?腰部客户等; 标签分类 业务标签; 模型标签; ..原创 2021-01-15 02:35:24 · 510 阅读 · 1 评论 -
数据工程师的开发自检素养
一、简述 在日常的快速开发和项目迭代工作中,我们通常以结果为导向开发完成各种需求,也处理各种上线前后的Bug。虽然目前有很多的自动化数据质量监测和检测工具,但对于自己开发产出的数据做自检是一个有素养的数据工程师必备的好习惯。我们通过自己的人肉质检可以在测试或预发环境以及上线前解决一些肉眼可见的小Bug,再经过多维度数据对比通常可以解决大部分易察觉的Bug。提高项目进度以及整体流程的时间把控,提升数据/项目质量。二、具体思路三、总结 目前很多自动化组件/...原创 2020-11-29 21:24:12 · 620 阅读 · 0 评论 -
脏数据清洗实践方案
一、概述 无论对于数据仓库/数据湖/数据中台,都会存在大量的脏数据,当我们在使用一张数据表时,发现其中出现大量的重复数据,活着其中的字段信息对应错误,原本ID:101 对应的name时YY,但实际存储的是XX,这种脏数据的场景就不举太多例子了肯定很常见。那么我来总结一个解决方案。 二、解决方案 现在有一张表t_1(按天分区全量),我们某一天发现t_1出现了概述中的提到的脏数据情况,那么我们大多数第一反应就是去找t_1_上游表,反馈给这个表的负责人(思路没问..原创 2020-11-22 12:44:26 · 2044 阅读 · 0 评论 -
数据中台学习笔记 --- 实战中的中台总结
关于中台的概念铺垫请参考前几篇的介绍:中台一中台二本篇主要叙述一下实际的中台是什么? 我们日常总听到的数据中台、业务中台、运营中台其实是跟我们所在的部门、事业部、事业群一样,都是人/数据/应用的集合; 对于大厂来说由于业务/数据快速发展到那一定成度,不是一个简单的数据仓库或者数据湖可以覆盖所有业务场景情况下提出的; 目的是为了解决人/数据/资源的高效运用和调度; 举个例子我们常见的中台在大厂中可以这样存在 例子一 人员原创 2020-11-12 23:46:57 · 745 阅读 · 0 评论 -
数据仓库Build The Data Warehouse(William H.Inmon)学习笔记 --- 第十章、数据仓库的设计复查要目
零、简介 在操作性环境中确保质量的最有效的方法之一是设计复查。通过设计符复查可以检测到各种错误,并在编码之前更正这些错误,能得到很大的好处; 在操作型环境中,设计复查通常是在一个应用的物理设计完成以后进行的。操作型设计复查所围绕的中心问题的类型有以下这些: 事务处理性能; 批窗口是否适当; 系统可用性; 容量; 项目准备的充分性; 用户需要..原创 2020-11-02 00:48:19 · 509 阅读 · 1 评论 -
数据仓库Build The Data Warehouse(William H.Inmon)学习笔记 --- 第九章、迁移到体系结构设计环境
介绍 迁移到体系结构设计的数据仓库环境中的过程,是一个逐步的,每次只需要完成有限的可提交的迁移工作。实现的最为成功的体系结果设计环境,是那些每次一遍的方式建立的数据仓库环境。 这样建立数据仓库只需要最少的人力资源,对现存应用环境造成的破坏也必定是最小的。对这种重复的开发而言,开发规模和速度都很重要,结果也必须能够快速交付; 一、一种迁移方案 迁移方案的起点是一个数据模型。数据模型描述企业信息需求,它指出一个企业所需要的,而并不一定是企业当前..原创 2020-10-19 23:29:06 · 481 阅读 · 0 评论 -
数据仓库Build The Data Warehouse(William H.Inmon)学习笔记 --- 第八章、外部数据/非结构化数据与数据仓库
零 大部分组织是以现有系统为来源的数据(即企业的内部数据)上建立第一个数据仓库。在绝大部分情况下,从现有的系统抽取的数据为内部结构化数据。数据来自于企业内部,并且数据已经被换成一种规则的格式; 数据仓库式存储外部与结构化数据的理想场所。如果外部数据与非结构化数据没有存放在一个集中确定的位置,势必会产生一些问题。下图就是当外部数据与非结构化数据以非规范的形式进入企业时,就失去了数据来源的标识,并且不管怎么样有次序的使用数据都不存在数据间的协同; ...原创 2020-10-13 23:56:36 · 835 阅读 · 0 评论 -
数据仓库Build The Data Warehouse(William H.Inmon)学习笔记 --- 第七章、高级管理人员信息系统和数据仓库
零、简述 先说说DSS和EIS区别 DSS 更加偏向于大众类的分析系统; EIS 更像是高层/CEO 驾驶舱这种分析系统; EIS-高级管理人员信息系统— 是计算的最有效形式之一。通过EIS,高级管理分析员可以精确指出问题并发现对于管理至关重要的趋势。在某种意义上说,EIS代表着计算机最复杂的使用之一。 EIS处理是出于帮助高级管理人员制定决策的目的而设计的。EIS变成了高级管理人员的观察公司运营的窗口..原创 2020-08-22 23:25:13 · 862 阅读 · 0 评论 -
数据仓库Build The Data Warehouse(William H.Inmon)学习笔记 --- 第六章、分布式数据仓库
零、简述 大部分企业建立和维护单一中央数据仓库环境。为什么单一中央数据仓库环境比较流行? 数据仓库中的数据全是企业集成的数据,仅在总部使用集成视图; 数据仓库中的大量数据使数据的单一的集中式存储具有意义; 即使数据能被集成,但是若将它们分布于多个局部站点,则存取这些数据也是很麻烦的; 总之,政策、经济和技术等诸多因素都更倾向于建立和维护单一中央数据仓库环境。但是在某些特定场景,需要建立分布式数据仓..原创 2020-08-10 00:45:58 · 565 阅读 · 0 评论 -
数据仓库Build The Data Warehouse(William H.Inmon)学习笔记 --- 第五章、数据仓库和技术
零、 在许多方面,数据仓库比数据库需要一系列更简单的技术; 数据仓库中没有联机的数据更新; 只有非常少的一些锁定技术; 而且对于远程处理接口的需求也是最基本的; 一、管理大量的数据 对于数据仓库,第一个也就是最重要的技术需求是能够管理大量的数据; 除此之外还有如下需求; 第一个技术需求 — 管理大量数据的能力; 第二个技术需求 — 能...原创 2020-07-20 10:52:02 · 594 阅读 · 0 评论 -
数据仓库Build The Data Warehouse(William H.Inmon)学习笔记目录
Inmon是经典的范式建模大师,该笔记目录是数据仓库Build The Data Warehouse(William H.Inmon)的学习笔记,内容包含书内的经典干货、随手结合实际经验的笔记心得;有相关的数据仓库建模问题可以私聊我讨论,互相学习!--- 文章持续更新中!---第一章数据仓库Build The Data Warehouse(William H.Inmon)学习笔记 --- 第一章、决策支持系统的发展第二章数据仓库Build The Data W...原创 2020-07-16 15:44:41 · 1688 阅读 · 0 评论 -
数据仓库Build The Data Warehouse(William H.Inmon)学习笔记 --- 第四章、数据仓库中的粒度
零 数据仓库需要解决的一个重要的东西就是数据的粒度; 当数据仓库的粒度确定后,设计和实现的其他问题就会非常容易解决了,相反如果没有合理地确定粒度的话,就会影响其他每个方面; 一、粗略估算 确定合适的粒度级别的起点,是粗略估算数据仓库中将来的数据行数和所需DASD(直接存取存储设备)数; 有一个计算数据仓库所占空间的算法,如上图; 第一步,确定数据仓库中将要创建的所有表。然后,估计没张表中...原创 2020-07-16 14:43:09 · 487 阅读 · 0 评论 -
数据仓库学习笔记 --- 缓慢变化维
什么是缓慢变化维? 在维度建模的数据仓库中,有一个概念叫做Slowly Changing Dimensions,中文翻译叫做缓慢变化维,一般缩写为SCD; 缓慢变化维的提出是因为在现实世界中,维度的属性并不是静态的,它会随着时间的流失发生缓慢的变化; 这种随着时间发生的变化的维度一般称之为缓慢变化维,并且把处理维度表的历史变化信息的问题处理缓慢维度的问题,有时也称为SCD的问题; 缓慢变化的尝试用的三种类型(后面还有叙述,类型较多,这里只列..原创 2020-07-02 15:26:41 · 603 阅读 · 0 评论 -
数据仓库Build The Data Warehouse(William H.Inmon)学习笔记 --- 第三章、设计数据仓库
零、 建设企业数据仓库主要两个方面? 与操作型系统接口的设计 数据仓库本身的设计 建造数据仓库时发生了什么? 首先载入一部分数据,供DSS分析员使用和查看。然后根据最终用户的反馈,在数据仓库中修改、增添一些数据; 这种反馈循环贯穿于整个数据仓库的开发过程; 仅仅用过去曾用的设计方法就可以满足需求的想法是错误的。 部分需求是不可能预..原创 2020-06-30 22:21:29 · 679 阅读 · 0 评论 -
数据仓库Build The Data Warehouse(William H.Inmon)学习笔记 --- 第二章、数据仓库环境
一、数据仓库是体系结构设计环境的核心,是决策系统DSS处理的基础; 数据仓库是一个面向主题的、集成的、非易失的且随时间变化的数据集合,用来支持员工的决策; 如下是一个数据面向应用(操作型环境)和面向主题(数据仓库)的例子 操作型环境 数据仓库 汽车 顾客 人寿 保险单 健康 保险费 ..原创 2020-06-14 00:36:20 · 665 阅读 · 0 评论 -
Hive-SQL 实现计算近31天/一个月的每天的Top10地区
问题:有一张Hive表tb_order, 其中(order_id 订单ID, city 城市名称, dt日期分区例如2020-05-01)三个可用字段。然后我们要统计一下近31天的Top10地区的订单。简单实现如下:select dt, city from ( select city, count(order_id) as order_nums from tb_order where dt >= "2020-05-01" and dt < "2020-06-01" gr原创 2020-05-20 00:50:55 · 4821 阅读 · 0 评论 -
数据仓库Build The Data Warehouse(William H.Inmon)学习笔记 --- 第一章、决策支持系统的发展
20世纪60年代中期,主文件和磁带存储带来的问题 更新数据时需要保持数据的一致性; 程序维护的复杂性; 开发新程序的复杂性; 支持所有主文件需要增加大量硬件; 20世纪70年代,在线事务处理(Online Transaction Processing, OLTP)使得访问数据可以更快地进行; 自然演化式体系结构的问题 数据可信性; 数据无时间基准; 数据..原创 2020-05-11 01:41:51 · 843 阅读 · 0 评论 -
Sqoop根据字段的筛选条件导入Hive
我们这里使用参数--where "day>=20191001"来控制条件筛选,那么我们使用案例如下:sqoop import --connect jdbc:mysql://ip:3306/db——name --username user_name --password password -m 10 --table source_table --hive-import --...原创 2020-04-27 19:28:58 · 1107 阅读 · 0 评论 -
大数据之路、阿里巴巴大数据实践读书笔记 --- 第十六章、数据应用
本篇主要介绍两个应用:提供给外部商家使用的数据产品平台-生意参谋和服务于阿里巴巴内部的数据产品平台 一、生意参谋 作为大数据公司,阿里巴巴在推动业务数据化的同时,也在不断地帮助商家实现数据业务化。在对外产品方面,阿里巴巴以“生意参谋”作为官方统一的数据产品平台,为商家提供多种多样化,普惠性的数据赋能; 截止2016财年,生意参谋累计服务商家已超过2000万,越服务商家...原创 2020-04-16 14:58:17 · 676 阅读 · 2 评论 -
大数据之路、阿里巴巴大数据实践读书笔记 --- 第十五章、数据质量
随着IT向DT时代的转变,数据的重要性不言而喻,数据的应用也日趋繁茂,数据正扮演着极其重要的角色。而对于被日益重视的数据,如何保障其质量是一个关注的话题; 数据质量是数据分析结论有效性和准确性的基础,也是一切的前提。如何保障数字质量,确保数据可用性时阿里数据仓库建设不容忽视的环节。 一、数据质量保障原则 从四个方面评估 完整性 准确性...原创 2020-04-16 02:00:34 · 572 阅读 · 0 评论 -
Hive修改外部表分区名并且重命HDFS目录名字查询不到数据
问题描述: Hive创建的一张外部表 table_1, 有一个按照天增量存储的分区,dt=‘2020-04-01’我们通过 Hive 命令 ALTER TABLE 分区的名称修改为dt=‘2020-03-31’ ,我们也想把对应的HDFS目录改成dt=‘2020-03-31’但是发现查询的数据为空 ??? 原因: 由于是外部表,所以Hive的元数据记录与数据的...原创 2020-04-15 16:55:32 · 2575 阅读 · 0 评论 -
大数据之路、阿里巴巴大数据实践读书笔记 --- 第十四章、存储和成本管理
在大数据时代,移动互联、社交网络、数据分析、云服务等应用迅速普及,对数据中心提出了革命性的需求,存储管理已经成为了IT核心之一。对于数据爆炸式的增长,存储管理也要面临一系列挑战。如何有效地降低存储资源的消耗,节省存储成本,将是存储管理孜孜追求的目标; 一、数据压缩 在分布式文件系统中,为了提高数据的可用性与性能,通常会讲数据存储3分,这就意味着存储1TB的逻辑数据,实际上会占用...原创 2020-04-14 12:37:47 · 535 阅读 · 0 评论 -
大数据之路、阿里巴巴大数据实践读书笔记 --- 第十三章、计算管理
目前内部MaxCompute集群上有200多万个任务,每天存储资源、计算资源消耗都很大。如何降低资源的消耗,提高任务执行的性能,提升任务产出时间,是计算平台和ETL开发工程师孜孜追求的目标; 一、系统优化 Hadoop等分布式计算系统评估资源的方式,一般是根据输入数据量静态评估,Map任务用于处理输入,对于普通的Map任务,评估一般符合预期; 而对于Reduce任务,...原创 2020-04-12 22:46:18 · 519 阅读 · 0 评论 -
大数据之路、阿里巴巴大数据实践读书笔记 --- 第十二章、元数据
一、元数据概念 元数据定义 按照传统的定义,元数据(Metadata)是关于数据的数据。元数据打通了源数据、数据仓库、数据应用,记录了数据从产生到消费的全过程; 元数据主要记录数据仓库中的模型的定义、各层级间的映射关系、监控数据仓库的数据状态一级ETL的任务运行状态; 在数据仓库系统中,元数据可以帮助数据仓库管理员和开发人员非常方便的找到他们所...原创 2020-04-12 02:37:11 · 545 阅读 · 0 评论 -
大数据之路、阿里巴巴大数据实践读书笔记 --- 第十一章、事实表设计
本章节与上一章节第十章一样,都是本书最难理解的部分,建议如果有不理解的部分,可以先标记,后面实战后再消化。一、事实表基础 事实表特性 事实表作为数据仓库维度建模的核心,紧紧围绕着业务过程来设计,通过获取描述业务过程的度量来表达业务过程,包含了引用的维度和于业务过程有关的度量; 事实表中一条记录所表达的业务细节程度被称为粒度。通常粒度可以通过两种方式来表达:...原创 2020-04-08 01:35:50 · 555 阅读 · 0 评论 -
大数据之路、阿里巴巴大数据实践读书笔记 --- 第十章、维度设计
零、写在前面此章节是我读到现在较难懂的一部分,如果数据仓库水平、处理的数据量、业务种类并不多的情况下,很多情况还是较难理解的,希望大家可以对不懂的地方多读些,欢迎交流讨论;内含拉链表,以及极限压缩等部分,对于数据仓库模型的优化很有帮助;一、维度设计基础 维度的基本概念 维度是维度建模的基础和灵魂; 在维度建模中,将度量称为“事实”,将环境称为...原创 2020-04-03 21:32:45 · 821 阅读 · 2 评论 -
大数据之路、阿里巴巴大数据实践读书笔记 --- 第九章、阿里巴巴数据整合及管理体系
OneData即是阿里巴巴内部进行数据整合及管理的方法体系和工具。 阿里巴巴大数据工程师在这一体系下,构建统一、规范、可共享的全域数据体系,避免数据的冗余和重复建设,规避数据烟囱和不一致性,充分发挥阿里巴巴在大数据海量、多样性方面独特优势。借助这一统一化数据整合及管理的方法体系,我们构建了阿里巴巴的数据公共层。 一、概述 阿里巴巴的大数据建设方法论的核心是: ...原创 2020-04-02 16:24:27 · 707 阅读 · 0 评论 -
大数据之路、阿里巴巴大数据实践读书笔记 --- 第八章、大数据领域建模综述
一、为什么需要数据建模数据建模就是数据组织和存储方法,他强调从业务、数据存储和实用角度合理存储数据。有了适合业务和基础数据存储环境的模型,那么大数据就能获得以下好处: 性能:良好的数据模型能帮助我们快速查询所需要的数据,减少数据的I/O吞吐; 成本:良好的数据模型能极大地减少不必要的数据冗余,也能实现计算结果复用,极大地降低大数据系统中的存储和计算成本; 效率:良...原创 2020-04-01 16:46:21 · 491 阅读 · 0 评论 -
大数据之路、阿里巴巴大数据实践读书笔记 --- 第七章、数据挖掘
一、阿里巴巴算法平台框架和原理 算法平台计算框架MaxCompute MPI; 伏羲为阿里云飞天系统的分布式调度系统; 女娲为阿里云飞天系统的分布式一致性协同服务; 盘古为阿里云飞天喜听的分布式文件存储系统; 基于MaxCompute MPI,目前阿里巴巴的算法平台已经继承了攫夺大多数业界主流的机器学习算法 分类 ...原创 2020-03-31 21:01:53 · 665 阅读 · 0 评论 -
Sqoop export 数据导出覆盖与更新
sqoop-export xxxxxx --table xxxxxxxxx --columns xxx,xxxx --fields-terminated-by ',' --input-null-string '' --input-null-non-string '' --export-dir "/hdfs/xxxxxx/dt=$dt" --update-key id --update-mode ...原创 2020-03-26 12:29:58 · 2675 阅读 · 0 评论 -
Hive学习笔记 --- Hive外部表和内部表的关系
1.默认情况下是内部表(MANAGED_TABLE); 2.外部表(External Table)创建的时候需要加上External关键字,并指定位置存储位置; 3.删除内部表会直接删除元数据(METADATA)以及存储数据;删除外部表仅仅会删除元数据,HDFS上的文件并不会删除; 4.内部表由数据由Hive自由管理,外部表数据由HDFS管理; 5.对内...原创 2020-03-25 22:47:47 · 587 阅读 · 0 评论 -
数据仓库学习笔记 --- 数据仓库入门知识(业务数据矩阵、数据集市与主体域名、数据治理、数据中台、实时数仓、传统与互联网对比)
一、主题域划分规则(业务数据矩阵)下图是以某电商业务为背景做的划分 主题 通用行为主题 曝光 点击 下载 安装 注册 登陆 业务行为主题 订单 阅读 ...原创 2020-03-22 23:39:58 · 1010 阅读 · 0 评论