类似微薄利网站怎么做优化关键词排名提升
3 月 13 日，StarRocks 社区在新加坡成功举办了第二场 Meetup 活动，主题为“Empowering Customer-Facing Analytics”。本次活动在 Shopee 新加坡办公室举行，吸引了来自 Shopee、Grab 和 Pinterest 的专家讲师以及 50 多位参会者。大家围绕电商、BI 报表和广告场景中的数据分析挑战展开了深入探讨，并分享了如何利用 StarRocks 为关键业务提供更快、更精准的数据分析解决方案。
以下为本次活动的精彩回顾，演讲视频、PPT 及相关用户案例文章可通过文末链接获取更多信息。
Leveraging Big Data Infra for E-Commerce Online Applications by Shopee
Gong Chen, Senior Expert Engineer（左）
Yan Duan, StarRocks Active Contributor & Senior OLAP Engineer （右）
Gong Chen 分享了 Shopee 如何通过 Data Service Platform 支持电子商务在线应用，每日处理超过 2 亿次 OLAP 查询。由于旧的数据架构无法满足延迟一致性、高实时性和 SLA 保证等需求，Shopee 引入了 StarRocks，简化了架构并通过物化视图进行预计算，显著提升了性能。目前，平台已支持 100 多个 API，日均处理 200 万次查询，TP95 延迟低至 26 毫秒，支撑了广告、供应链、安全基础设施和反欺诈等核心业务场景。
Yan Duan 则分享了 Shopee 如何通过优化元数据缓存提升 ad-hoc 集群的查询性能。通过 Managed table、External table 和虚拟视图定制缓存策略，Shopee 将查询计划时间减少了 50% 以上，并将查询结果不匹配率从 3.1% 降至 0.9%，同时有效降低了 HMS 的压力。
StarRocks @ Grab
Gable Heng, Lead Data Engineer, Grab（左）
Huong Vuong, Senior Software Engineer, Grab（右）
Grab 是东南亚领先的超级应用平台，业务涵盖出行、外卖、配送、数字支付和金融服务等领域。Gable Heng 分享了 Grab 如何利用 StarRocks 优化交互式查询和 BI 报表场景。通过引入 StarRocks 的 Query Cache、异步物化视图和多 FE 节点等特性，Grab 将图表报表从平均 11.8 秒提升至 0.456 秒，性能提升了 25 倍。
Huong Vuong 则介绍了 Grab 如何通过 StarRocks 改进 Spark 任务的可观测性工具 Iris。StarRocks 解决了 TIG 栈（Telegraf、InfluxDB、Grafana）在处理高基数数据和复杂元数据时的性能瓶颈，并通过物化视图和动态分区功能简化了数据聚合和管理，显著提升了近实时数据的可用性。
How Pinterest Delivers Fast Customer-Facing Analytics
（Zhenxiao Luo, Senior Staff Software Engineer，Pintrest）
Zhenxiao Luo 分享了 Pinterest 如何通过引入 StarRocks 替代传统的 Apache Druid，解决了 JOIN、物化视图和实时更新等功能的缺失问题。StarRocks 提供了完整的 SQL 支持、列式存储和向量化执行，显著提升了查询性能，并将实时数据分析的延迟降低了 50%。通过存算分离模式和 Archmage 集成，Pinterest 实现了更高效的数据处理，同时降低了成本，支持了广告报表、实验分析和反垃圾平台（anti-spam）等关键业务场景。
由于这段视频现场视频的收音效果不理想，我们最终采用了 Zhenxiao 老师此前在线上直播分享的视频片段。值得一提的是，在分享开始前，Zhenxiao 老师还与我们分享了他第一次到新加坡的激动心情。为了这次活动，他特意从加州飞了 17 个小时抵达新加坡（几乎是直飞的最远距离之一）。尽管旅途漫长，但他的分享热情丝毫未减，为活动增添了不少亮点。
Query Resilience: Achieving Low Latency with SLA
（Harrison Zhao, StarRocks TSC Member）
Harrison Zhao 作为产品负责人，分享了 StarRocks 在低延迟和高可用性方面的优化。他提到，稳定的低延迟对于用户体验、业务决策和客户信任至关重要。StarRocks 通过优化查询性能（如 poller-free 架构、runtime filter 下推）和确保缓存稳定性（如主动缓存预热、分段 LRU），能够在面对工作负载变化和基础设施故障时保持高可用性。智能工作负载管理和查询计划稳定性进一步帮助系统在满足严格 SLA 的同时，提供高效、可靠的实时分析服务。
活动现场花絮：
以上就是本次新加坡 Meetup 的精彩内容回顾。未来，StarRocks 将持续分享更多来自国内外用户的实践故事与经验。我们也诚挚邀请更多技术专家加入我们的讲师团队，共同将技术干货分享给更多大数据行业的从业者！
相关链接：
🔽 PPT 下载：https://forum.mirrorship.cn/t/topic/18005
📺 视频：https://space.bilibili.com/1273141509/lists/3059098?type=season
📚 文章：
StarRocks 在 Shopee 数据产品的实践
Pinterest：从 Druid 到 StarRocks，实现 6 倍成本效益比提升
https://engineering.grab.com/building-a-spark-observability