该公司的项目数据有限，很难在行业中获得在线和离线消费数据。没有足够的数据量。如何应用大数据？如何在公司现有情况下与实际的高恒星大数据项目联系？
只想练习高含量架构的设计或参与Internet级别项目的开发，但是您不想放弃当前的工作吗？
大数据本身特别容易地形成技术垄断，因此长期尾声无法形成它们可以拥有的大数据技术方法和经验，从而难以改变小型企业的命运，并且也很容易引起该方法失去高质量的工程师。如何找到解决这种情况的方法？
中小型企业通常是长尾。小型数据表基本上无法生成大型数据，并且没有建立数据共享平台的优势。它还与其他公司具有自然的信任障碍。在公司数据之间进行共享。这些基本基本逻辑引起的问题是，中小企业很难通过组合生成足够的规模数据，因此很难应用大数据技术带来的优势和大型数据数据平台化。
但是，如果中小型企业有机会，他们必须参与大数据，因为智能互联网的时代已经到来。有必要为将来的发展铺平道路，并避免轻松消除。在这个时代，公司越强，弱越弱。
有什么好方法吗？中小型企业的可行策略是“吃大家庭”，寻找大家庭合作，为大家庭服务，然后获取大型家庭的平台数据以行使其大数据功能。这必须具有强大的业务和技术合作，开放的心态和持久的耐心！
例如，我曾经知道一家小型软件公司的建筑师。该公司通过业务运营接管了一个省政府大数据项目。但是，该项目的关键要素是了解如何将核心业务数据用于数据清洁。我的朋友公司恰好是这方面的商业专家。这使公司可以全力以赴接管该项目。顾问与我的朋友建筑师合作，并将项目的技术架构和数据开发以及该项目的实施共同实施。经过两年左右的时间，企业迅速使公司能够进行大数据项目。在我的朋友之后，我的朋友还成为一名大数据技术架构师，口口相传。
当然，许多中小型企业不是软件公司，但是他们还可以建立大数据应用部门来招募一些出色的才能，或者与其他专业的企业家大数据技术团队建立战略联盟，以组建战略联盟，即密切关注自己行业的数据业务，制定，制定并制定它。其自身公司特征的开发策略。然后转到政府，电信，银行，能源，制造等。，提供有关大数据的服务解决方案，并振兴大型家庭的数据成为数据资产。通过这项服务，它成为了大数据战略服务提供商，然后它有权使用大型数据，这不仅可以帮助大型家庭提供收集，分析和操作数据的服务能力，还可以快速在大数据时代创造自己的公司的优势和标志。
例如：您是医疗设备的小型制造商。尽管您在垂直领域非常强大，但业务限制非常大。收集到的入口将进一步为政府提供医疗大数据清洁服务，并抓住一个或几个关键医疗分析的突出显示数据分析需求，进行AI进行AI分析平台，并添加大数据采购列表。Thenthere必须有很多变化。
另一个示例：如果您是交通视频系统集成商，并且可以将自己定位为系统设备集成商，那么您将永远不会摆脱激烈的竞争和低营利的红海。能够改变市场的能力，并将交易定位的大数据和AI提供者定位，因此您将查看您的业务环境。这将是另一个场景。这不仅可以构成商业模式，而且还可以为智能互联网时代的企业奠定良好的基础。
对于工程师而言，最难的是在自己的发展和企业的感觉之间进行选择。企业发展良好，没有情感和痛苦。企业发展是有限的，情感和不满意的。
从本质上讲，您如何联系更好的项目？例如：高并发和大数据项目，工程师本身不仅可以实用，实践和促进，而且还可以为企业的快速增长提供非常有价值的建议。同时，社会发展并不容易消除它们。然后，我还提供了一些分析和方法。
首先，平行数据和大数据的技术问题，最终解决方案几乎将变成分布式存储+真实的时间流处理解决方案，即，高串联的请求负载将转换为大的吞吐量和有序的排队以减少高并发和现有的。CPU，内存和I/O资源的基本问题是由性请求引起的，然后通过数据库的不同分布式节点中的数据碎片和降落来实施数据的水平扩展。
例如：nginx不管构图多高，都可以安排业务处理，数据库查询和写作是一个瓶颈。：HBASE，MONGODB，KUDU等。这足以实现行事务。在本文中，如何练习：您需要直接参考企业项目的业务系统的业务需求和业务模型。通常，业务复杂性与大数据，高概率无关。数据集下载与Google Kaggle相似的数据集，然后清理。此过程还可以练习数据清洁。如何执行ETL。查明所需的数据并制作大数据源。Kaggle没有类似于您的业务的数据。然后编写仿真客户端程序的数据以创建数据并运行3天以查看结果。
在收集您自己的数据源的过程中，尝试Kafka，Redis，HBase，TIDB，MySQL，Elk，MongoDB，Hadoop的不同组合效应。最终实现三个目标，1。数据集的酸性交易，2。数据分布式存储，3。无法跳到最后。
最重要的是，此方法适合小型数据公司的工程师练习自己的手。技术方面绝对比大型工厂的工程师更全面，但并不否认对大型制造商的工程师的实际理解更为重要。
处理当前数据后，形成了多电流聚合，并编写了库表业务模型。目前，选择MySQL群集或NewsQL的TIDB以形成关系数据模型，并实现了分布式交易环境中的数据。
查询nginx+redis（辅助缓存）+mySQL（读取和写入分离负载）或tidb（分布式数据库）等的过程，与mongodb合作（某些业务可以替换MySQL）和Elasticsearch（搜索引擎），基本上是这样，这是如此Modelcan带有大多数查询响应。
其次，我们使用实例博客文章架构，如下图所示：当它非常高度同时时，每天录制的文章如何记录超过1亿个数据？
经常做自我的朋友会知道，过程编辑过程将经常修改，并且云将继续存储草稿。作为帖子的顶级播放站，这种内容的规模经常在任何关系数据库中编写。如果您不能携带它，则需要使用大数据平台的K -V数据库来实现频繁的编辑和操作高速和大规模文章。
然后，提交后，系统将始终输入审核过程。我们总是必须等待几秒钟，几分钟甚至数十分钟。为什么？因为提交的内容正在排队，所以等待在一定时间段内发布和修改的队列吞吐量的速度需要多长时间。流过滤，例如：敏感的单词，sh，sh，内容重复等等。
从真正的商业关系意义上讲，该文章已正式发布。有必要等到审核完成。目前，它将真正实现业务一致性。目前，它是否已大大降低了关系数据库的高度并发压力。
最后，如何练习：您需要直接参考企业项目的业务系统的业务需求和业务模型。通常，业务复杂性与大数据，高概率无关。数据集下载与Google Kaggle相似的数据集，然后清理。此过程还可以练习数据清洁。如何执行ETL。查明所需的数据并制作大数据源。Kaggle没有类似于您的业务的数据。然后编写仿真客户端程序的数据以创建数据并运行3天以查看结果。
在收集您自己的数据源的过程中，尝试Kafka，Redis，HBase，Tidb，MySQL，Elk，MongoDB，Hadoop的不同组合效应。最终实现了三个目标：
1.数据集的酸性交易
2.数据分布式存储
3.数据处理和查询意识到子秒响应
实际上，如果完成这些，则在高持续环境中的大数据交易处理（OLTP）和数据分析（OLAP）体系结构，并且该体系结构方案模式最终无法跳跃。
最重要的是，此方法适合小型数据公司的工程师练习自己的手。技术方面绝对比大型工厂的工程师更全面，但并不否认对大型制造商的工程师的实际理解更为重要。