DLI服務適用于海量日志分析、異構數據源聯邦分析、大數據ETL處理。

海量日志分析

游戲運營數據分析

游戲公司不同部門日常通過游戲數據分析平臺，分析每日新增日志獲取所需指標，通過數據來輔助決策。例如：運營部門通過平臺獲取新增玩家、活躍玩家、留存率、流失率、付費率等，了解游戲當前狀態及后續響應活動措施；投放部門通過平臺獲取新增玩家、活躍玩家的渠道來源，來決定下一周期重點投放哪些平臺。

優勢

• 高效的Spark編程模型：使用DLI直接從DIS中獲取數據，進行數據清理等預處理操作。只需編寫處理邏輯，無需關心多線程模型。
• 簡單易用：直接使用標準SQL編寫指標分析邏輯，無需關注背后復雜的分布式計算平臺。
• 按需計費：日志分析按時效性要求按周期進行調度，每次調度之間存在大量空閑期。DLI按需計費只在使用期間收費，成本較獨占隊列降低50%以上。

建議搭配以下服務使用：

OBS，DWS，RDS。

異構數據源聯邦分析

車企數字化服務轉型

面臨市場新的競爭壓力及出行服務不斷變革，車企通過構建車聯云平臺和車機OS，將互聯網應用與用車場景打通，完成車企數字化服務轉型，從而為車主提供更好的智聯出行體驗，增加車企競爭力，促進銷量增長。例如：通過對車輛日常指標數據（電池、發動機，輪胎胎壓、安全氣囊等健康狀態）的采集和分析，及時將維保建議回饋給車主。

優勢

• 多源數據分析免搬遷：關系型數據庫RDS中存放車輛和車主基本信息，表格存儲中存放實時的車輛位置和健康狀態信息，數據倉庫DWS中存放周期性統計的指標。通過DLI無需數據搬遷，對多數據源進行聯邦分析。
• 數據分級存儲：車企需要保留全量歷史數據支撐審計類等業務，低頻進行訪問。溫冷數據存放在低成本的對象存儲服務OBS上，高頻訪問的熱數據存放在數據引擎（DWS）中，降低整體存儲成本。
• 告警快速敏捷觸發服務器彈性伸縮：對CPU、內存、硬盤空間和帶寬無特殊要求。

建議搭配以下服務使用：

CDM、OBS、DWS。

大數據ETL處理

運營商大數據分析

運營商數據體量在PB~EB級，其數據種類多，有結構化的基站信息數據，非結構化的消息通信數據，同時對數據的時效性有很高的要求，DLI服務提供批處理、流處理等多模引擎，打破數據孤島進行統一的數據分析。

優勢

• 大數據ETL：具備TB~EB級運營商數據治理能力，能快速將海量運營商數據做ETL處理，為分布式批處理計算提供分布式數據集。
• 高吞吐低時延：采用Apache Flink的Dataflow模型，高性能計算資源，從用戶自建的Kafka、MRS-Kafka、DMS-Kafka消費數據，單CU每秒吞吐1千~2萬條消息。

建議搭配以下服務使用：

OBS、DataArts Studio。