从 Greenplum 到 StarRocks：头部金融客户如何通过架构升级实现“实时分析自由”？

数据已成为金融机构的核心战略资产，而实时分析能力正迅速成为竞争制胜的关键。通过从 Greenplum 迁移到 StarRocks，金融机构能够实现真正的“实时数据智能”，解决数据时效性、一致性和成本效益等关键痛点，为业务创新和风控合规构建坚实基础。

BI 工具响应慢？可能是 OLAP 层拖了后腿

当 BI 工具遇“卡顿”，OLAP 层优化是关键。

如何通过物化视图加速数据湖查询？

在企业数据分析实践中，数据湖查询性能不足是一个普遍性问题。为提升查询效率，大多数企业选择将数据迁移至数据仓库。这种方案虽然解决了性能问题，却增加了数据治理的复杂性和维护成本。本文将带大家探讨如何通过物化视图，让数据湖性能也能追平数仓，实现实时数据分析。

如何通过高效的缓存策略无缝加速湖仓查询

本文将探讨如何利用开源项目 StarRocks 的缓存策略来加速湖仓查询，为企业提供更快速、更灵活的数据分析能力。作为 StarRocks 社区的主要贡献者和商业化公司，镜舟科技深度参与 StarRocks 项目开发，也为企业着手构建湖仓架构提供更多参考。

如何使用 StarRocks 管理和优化数据湖中的数据？

本篇文章旨在介绍开源项目 StarRocks 作为高性能分布式分析型数据库，如何以其卓越的查询性能、低延迟和可扩展性，为数据湖中的数据管理和查询优化提供支持，进一步提供数据处理的效率及时效性。

如何利用 StarRocks 实时分析数据湖中的数据？

众所周知，湖仓一体架构（Lakehouse）能提供更为统一和高效的数据处理与分析能力。StarRocks 当前已打通多种数据湖组件，如 Apache Iceberg、Apache Hudi、Delta Lake、Apache Paimon等，实现了对数据湖的实时查询与分析。不仅能够作为查询引擎直接读取数据湖中的数据，还支持物化视图等高级功能，进一步提升查询性能，帮助企业“一键实现”湖仓架构。

CloudCanal 落地 StarRocks 数据迁移同步的实践与思考

本文内容主要分为以下两个部分： 1. 什么是 CloudCanal ：包括 CloudCanal 的核心能力、应用场景、产品特点和用户群体。 2. CloudCanal 落地 StarRocks 的数据迁移同步过程：包括 StarRocks 对端的使用、基础能力、写入优化，以及 StarRocks 和 CloudCanal 一起构建的数据体系在用户层面的应用。

Paimon+StarRocks 湖仓一体数据分析方案

本文整理自阿里云高级开发工程师曾庆栋（曦乐）在 Streaming Lakehouse Meetup 分享的内容，深入探讨了传统数据仓库分析、Paimon+StarRocks 湖仓一体数据分析、StarRocks 与 Paimon 的协同使用方法与实现原理，以及StarRocks 社区湖仓分析的未来规划。

StarRocks × Apache Flink：如何构建简单强大的实时数仓架构

当前在构建实时数仓时，由于数据源的多样性，需要使用不同的采集工具，如 Flume、Canal、Logstash。对于不同的业务，我们通常会采用不同的分析引擎。

如何利用 StarRocks 加速 Iceberg 数据湖的查询效率

01｜手动搭建 StarRocks 集群环境

02｜手动构建高可用 StarRocks 集群环境

03｜如何在 StarRocks 中创建表？

04｜StarRocks 表模型基本介绍

05｜StarRocks 极速特性介绍

06｜StarRocks 统一特性介绍