以Flink和SnappyData为核心，将原有的非实时、开发周期长、维护成本高的以“预处理”为核心的方案，转化为目前以“后处理”为核心的方案。

1. 开发效率：得到质变，无需预处理，周级别需求小时级完成。
2. 节省存储空间：比如原方案Kylin中150T+预处理结果数据不再需要。
3. 其他一些收益：比如指标一致性显著提升。
4. 历史数据问题：采用类SCD Type 2的方式，处理历史事实数据和数据压缩，有不少对比数据。
5. 建模问题：直接从原始表支持需求，中间缺少传统数仓建模的抽象层次，尝试实现类似Shasta的RVL层。

介绍SnappyData的优势劣势，当前的问题，我们在调优方面的努力，以及我们的定制化修改：

1. 支持注册Spark声明式UDF，相比于命令式UDF，性能提升一个量级，很好的解决了酒店的特殊场景；
2. Boxing/Unboxing优化；
3. QueryPlan Cache相关的优化。