Presto最初由Facebook公司开发，并于2012年开源。早期，Facebook依赖于Hive做数据分析，伴随业务需求的不断提升，Facebook的工程师们发现，hive不能很好地满足交互式查询的数据分析场景。对此，工程师们另

中通数据仓库目&#

随着物流行业的快速发展，用户对于快递送达时间的要求越来越高。于是，时效就成为了各家快递公司互相竞争的重要指标。影响快递时效的因素有很多，如自动化设备分拣效率，运输路由等，其中，现场管理也是影响时效的一个很重要因素。随着数字化的推广，现场管理由之前的实地管理，现场观察，逐步发展为现场可视化设备的实时监控、实时预警、实时干预、实时解决问题。那么如何把复杂的运营数据和现场实时场景呈现给现场管理者？如何在各种不同分辨率可视化投放工具上完美地展示数据，已经成为前端开发人员急需解决的问题。

随着公司业务体量不断发展，多个业务线依赖于大数据平台开展数据业务，大数据底层系统的稳定和高效成为了公司业务正常运转的基石。中通的大数据平台的基座依托于Hadoop，目前公司90%的ETL任务基于Spark-Sql引擎构建的，每天线上运行的 Spark任务有12w+，每天Shuffle产生的数据规模达6PB以上，同时单次Shuffle数据最大规模达数百TB以上，巨大的Shuffle数据量和复杂的计算环境使得Spark的Shuffle过程面临巨大挑战。因此保证Shuffle稳定性对Spark任务的执行效率和稳定性显得至关重要。

随着公司电子面单化的普及，公司各个产线对自定义打印模版进行打印的需求日益强烈，希望能有一套从模板设计、打印内容渲染到多端打印整个流程的解决方案，整个方案主要分为人员管理系统、日志管理系统、模版管理系统、打印组件SDK、日志系统和云打印系统。

文章介绍了分波次统计模型结合POI技术在快递派送场景中的应用。该模型可以用于计算派送难度、判断虚假批量签收以及其他分析场景。通过识别派送员派送难度，可以提升政策公平性和服务质量。同时，该模型还能实时监控派送情况，调整派件路线，提升客户满意度。对企业来说，该模型的应用还能降低物流成本、提高送达速度和货运效率，增加竞争力。随着物流技术的发展和智能化程度的提高，快递派送场景的分析将更加规模化、流程化、智能化。基于该模型的派送优化模型也会进一步完善，实现更高效、智能化的配送。

产品经理与用户体验设计师在工作中确实是有所交叉的，都需要围绕着产品与需求展开工作。但他们其实并不一样，工作的侧重点与工作内容多会有一定的差别。

中心业务数据线上化已多年，覆盖率并不低，但是使用上用户却很难直接通过已有的数据去进行业务决策。基于这个大背景，我们对中心的基层管理角色进行了梳理，希望针对不同角色进行应用定制化，让数据更有效的服务基层管理者。

本次主要复盘的是15个角色之一的“车辆管理员”角色，目前中通快递拥有直营+股份车队共87个，车辆共23,961辆，司机共15,000+名。运输是整个快递链路的关键一环，如何有效管理庞大的车辆&司机队伍，从而保证运输安全和降低成本是非常重要的。

随着业务体量逐步增大，跨系统数据抽取的应用场景越来越多，而对于业务开发人员，需要实现异构数据源数据的抽取和录入，除了自己写代码实现数据抽取、转换、写入，另一个选择是使用开源的数据同步工具来做。对于手动实现数据同步，一方面增大了数据投产周期（需要经历应用发布完整的流程），另一方面每个人代码实现差异，项目维护难度增大。如果每个项目引入了各版本、技术栈的第三方数据同步工具，又无法实现数据安全管控，并且多引入一个中间件，也增大项目的复杂度，降低应用可移植性。

假设你是一名前端开发人员，在使用产品的过程中，有用户反馈遇到了故障，但是故障发生的上下文是未知的。

你不知道故障发生在哪个页面，也不知道如何操作才能复现该故障，更不清楚发生故障的用户的客户端环境是怎样的。这些上下文信息都对故障排查有很大的帮助，但是要通过找到出问题的客户去沟通了解这些信息的成本非常高，一来二去时间过去故障的影响范围可能还会逐步扩大。

然而，ZCAT是一款全面的APM(应用程序性能监控)产品，它提供了前端监控ZCAT SDK，能够同时监控页面性能及JS报错、API报错等多项数据，并提供了告警推送、错误详情、链路追踪等多项能力。

通过ZCAT，可以快速了解故障发生的上下文信息，减少故障排查时间，提高生产效率。而通过告警通知，开发人员可以及时介入，降低故障影响范围，提升用户体验，保持用户忠诚度。

与需求方对接落地过程中，如何通过Midjourney降低试错成本？

1、问题点：实际的项目中，很多场景难以通过Midjourney具像化生成。

2、价值点：前期（关键词+风格方案定义），需求方可以深度参与，与设计师一起把控方向，降低试错成本。后期设计师只需补充元素场景，降低处理成本。

在当今竞争激烈的商业环境下，保持对竞品信息的了解和研究是尤为重要的。如何通过分析竞品的功能，探究竞品背后的产品方向和运营策略，进而优化自己产品，才是竞品分析的目的。本文将为你由浅入深的讲解竞品分析流程与方法。

中通快递创建于2002年5月8日，是一家以快递为核心业务，集跨境、快运、商业、云仓、航空、冷链、金融、智能、兔喜社区生活服务、中快数字营销等生态版块于一体的综合物流服务企业。2021年，中通快递全年业务量达到223亿件，同比增长31.1%。全网服务网点30,400+个，转运中心99个，直接网络合作伙伴5700+个，自有干线运输车辆10,900辆（其中超9000辆为高运力甩挂车），干线运输线路约3700条，网络通达99%以上的区县，乡镇覆盖率超过93%。科技中通大数据中心支撑了公司的业务，现在有了两个IDC，Hadoop集群规模达到了上千台，存储达到了18PB+，线上日活任务数2w+，目前，仍处在快速增长期。

如下图展示了一个快递的生命周期，五个字概括就是收发到派签。首先，客户通过线上或线下的方式和快递员取得联系，填写寄件人等信息，将快递A交给快递员。快递A经过称重、打单、扫描、包装等步骤，由快递员送往发件网点，此过程称为揽收。然后，发件网点的快递员将快递A进行建包、装包、装车，由发件网点发出，发往首转运中心。快递A经首转运中心被运输到末转运中心。快递A到达末转运中心后，快递员根据三段码的解析将快递A递交到收件网点，收件网点对快递A进行拆包和分拣，此过程包括发件和到件。快递A被分拣完，由快递员进行派件，最终快递A被送达到收件客户手里，收件客户完成签收。在快递A整个生命周期内，每个业务流程都会产生大量的数据，我们利用这些数据，可以追踪快递A的轨迹，分析快递A的运送时效，分析快递A的退改签等业务。当然，做上述事情的前提是，我们需要一个稳定的、计算高效的、海量存储的基础大数据平台。

随着中通快递业务量飞速发展，企业相关业务系统产生的业务数据体量也逐倍增长，中通生态系统日益丰富，业务系统数据多样化，业务部门常用数据存储oracle与mysql数据库已无法满足日常庞大数据体量的数据计算以及相关政策补贴费用计费统计，为了响应公司提出的“数字化”转型重要方针，我们数仓部门与业务系统部门展开了数据计算与业务系统相融合的探索和实践，那么，我们是如何进行数据计算方案选型和实施的呢？hadoop离线计算批处理还是实时消费消息flink流式计算？这让数据开发变得有趣起来。

为了适应多平台应用和复杂业务场景，移动端白盒测试是保障系统质量的方案趋势之一，中通科技测试开发团队也进行了移动端测试代码覆盖率相关的技术探索和实践。目前测试团队使用的是基于JaCoCo做二次开发的代码覆盖率工具，考虑现有测试工具体系，我们选择了中通宝盒Android 端APP作为测试代码覆盖率的实践应用。

数字化的应用是整个行业高速发展的源动力之一，快递行业日新月异，规模庞大，数字化能够使管理升级，提高整个内部的运营效率，降低相关的运营成本。在打破数据孤岛，链接用户跟快递员、网点、商家等角色的过程中，数字化都发挥着很大的作用。简单来说，数字化就是一道门，你被关在门外面，那未来很可能就会被淘汰。而数据架构治理，就是为中通数字化转型打下了基础。