除了，Uber大數據平臺省錢策略還另一個重點戰略，就是從大數據需求端下手。Uber大數據平臺資深主任工程師Zheng Shao甚至強調，從需求端下手，比降低供應端硬體成本更重要。
「Uber大數據平臺有上千位內部使用者，從深度技術專家到非技術的業務都包括在內，」Zheng Shao在官方部落格上寫道：「這麼龐大、不同性質的使用者，對大數據平臺成本效益造成負面影響，比如，Uber大數據儲存和運算資源有限，不知道該將資源優先給誰。」這個問題，就是Uber大數據平臺的多租戶難題（Multi-tenant problem）。
和許多企業一樣，Uber大數據平臺使用者橫跨多單位，不論是技術端的資料工程師、機器學習工程師、後端工程師，還是業務端的產品經理、業務分析師都算在內，每個人手上更負責不同的業務線。
這種錯綜複雜的關係，不僅造成Uber無法深入了解每項業務，再加上大數據儲存和運算資源有限，Uber無法決定該將資源優先分配給哪些使用者。也因為缺乏詳細的所有權角色劃分，Uber難以確定哪些人該為大數據資源的使用負責、付費。
這不只是Uber談大數據需求端成本效益時遇到的問題，也是許多企業發展大數據業務時，會遇到或正在經歷的挑戰。不只如此，Uber也面臨其他困境，像是當硬體資源有限時，如何決定大數據工作優先順序，來提供高品質的服務？又或是，如何確保自己擁有足夠的容量來應付需求尖峰，而且在閒置時又不產生過多成本？面對臨時作業需求，Uber能否彈性提供低成本的硬體資源？
作法1：劃分所有權，打造專屬用量管理工具
為何Uber認為，控制大數據平臺成本效益，需求端很重要？這是因為，Uber營運靠創新，大數據工作負載大多是實驗性的，內部使用者得不斷嘗試新實驗和機器學習模型。為滿足使用者不斷嘗試的需求，Uber打造一系列工具，來讓使用者管理自己的實驗需求，使用者也能同時知道，自己的實驗如何耗費大數據平臺資源，來精準調整用量。
也因此，在開發管理工具前，Uber先劃分大數據平臺儲存量、運算量和工作量的所有權角色，鎖定出關鍵資源使用者，就像是先找出債主，之後才能用來把關大數據資源用量，甚至是用來計價大數據平臺資源用量的依據。Uber在劃分所有權時，特別強調3點，首先是人員，因為組織內部人員會異動，不同組織也會隨著時間重新調整，因此得定義清楚定義所有權角色。
再來是資料族譜（Lineage），也就是涵蓋資料從上游產出、加工，再到下游運用的一系列追蹤記錄，就像是資料的血統演變。一般來說，一個完整的資料流程包含數十個步驟，每個步驟都可能由不同人或團隊負責，在多數情況下，資料所有權很難單一歸給資料生產者、資料處理者或資料使用者。Uber就利用領域知識，來把所有權一一劃分給資料處理流程中的各個負責人。
最後是所有權的顆粒度。因為一套資料集中，可能會有不同角色使用特定資料，比如，產品團隊需要某段時間的資料，過了那段時間，就希望刪除，但對法遵團隊來說，會希望這些資料儲存久一點。如何滿足不同角色對同一資料的需求，是Uber所有權顆粒度劃分的重點。
他們也根據這3大層面，自建了一系列工具來劃分所有權，比如用組織圖表和階層式所有權管理工具，來掌管資源使用者。Uber也正評估新方法，來打造所有權顆粒度工具，要讓不同團隊順利存取資料集中的特定資料。
用Databook掌握資料族譜
至於資料族譜，他們也早在2018年，就開發一套資料追蹤工具Databook，來掌握資料處理歷程資訊，特別是詮釋資料（Metadata）。當時，Uber正面臨業務快速擴增，2016年，他們新增外送服務Uber Eats、卡車貨運服務Uber Freight、單車共享服務Jump Bikes，2年後，每日出行次數超過1,500萬趟，每月活躍用戶更超過7,500萬人。
這種增長，讓資料系統和工程架構越來越複雜，比如，在他們使用的分析引擎Hive、Presto和Vertica中，已經散落著數以萬計的表格。隨著業務擴張，表格數量和詮釋資料跟著暴增，為了讓內部的業務分析跟上公司發展腳步，Uber 4年前開發出Databook，就像是一個集中站，能管理、顯示Uber內部所有的詮釋資料，讓使用者更容易探索、運用這些資料。
使用者可透過Databook了解資料的背景，像是資料的意義、品質，更讓這些關鍵訊息，不在上千次的分析中遺失。這些詮釋資料，還能讓Uber內部的工程師、資料科學家、作業團隊不再只是觀察原始資料，而是能將資料轉化為可實際動手運用的知識。
這就是Uber用來追蹤資料族譜的自動化方法。
作法2：掌握每項業務需求
前段劃分好大數據工作負載的所有權後，接下來第2步，就是根據這些所有權角色，來預測大數據資源的需求變化，並評估是否超出預期，來調整資源用量。
Uber觀察發現，大數據平臺需求增長有2種原因，一是業務事件增加，也就是Uber出行次數和UberEats訂單數一旦增加，大數據工作負載需求就會增加。另一個原因是單一業務事件增加，也就是新功能、更多實驗的出現，也可能是更多詳細的日誌出現，或是更多資料分析和機器學習模型出現，這些也會造成大數據資源需求增長。
Uber大數據成本效益團隊，每個月會檢查每個所有權小組的大數據資源使用量，是否超出預期。如超過預期量，這些小組就得自行找出原因，也得自己想辦法降低用量。但有些所有權小組太龐大，無從找出原因，因此會請Uber大數據成本效益團隊來拆解。
自建資料方塊工具，使用者輕鬆了解資源用量
特殊造型滑鼠墊去哪買?
滑鼠墊是滑鼠的好夥伴，可使滑鼠游標穩定滑順，多樣的材質
總是為了廚餘煩惱嗎？
雅高環保提供最適用的廚餘機，滿足多樣需求。
如何正確使用飲水機?
電解水部份採用美國NSF認證通過之過濾系統，再加上超強白金電解槽並採用日本九州日立的電解元件，安全性高，品質有保障。
中古貨櫃屋設計案例?
金誠運用中古貨櫃屋，重新改造各式活動展場、代銷中心、旅遊渡假空間，皆可依顧客需求製作。
為此，團隊也開發一套資源用量的資料方塊（Data Cube）工具，方便大數據平臺使用者，進一步了解不同維度資料使用大數據資源的狀況。進一步來說，有別於傳統的平面資料表，資料方塊是由一系列的維度和度量組成，原理就像立方體般，能更完整掌握資料性質。
比如，在Uber的Hadoop分散式檔案系統HDFS用量資料方塊中，光是維度，就涵蓋了區域、HDFS叢集、HDFS層、HDFS目錄、Hive資料庫、Hive表格、Hive分區等，而度量則包括檔案數、字節數、預計年度成本。
接著，使用者可從這款工具的介面，選擇不同條件、維度分類和度量等，來查看用量細節，不僅能視覺化觀察不同資料消耗的大數據平臺資源，還能幫助使用者找出原因、節省成本。
Uber大數據平臺成本效益團隊打造一套資料方塊工具，可讓大數據平臺的使用者小組，來查看自己的資料如何消耗平臺資源，並進一步找出可省錢之處。（圖片來源／Uber）
作法3：主動分析詮釋資料，找出無用資料集
除了被動的視覺化呈現大數據平臺資源需求變化，Uber也主動分析詮釋資料，來找出可再節省的資源。
在他們的觀察中，有2點是非常能節省大數據平臺成本的。其一就是管理無用的資料集，也就是在過去180天內都沒人讀寫的資料集。這些集多半是隨著應用範例而生，像是實驗或臨時的分析任務等。這些資料表的擁有者，通常只想持有這些資料一段時間，但很少人會在完成後刪除資料。
於是，Uber設計一套提醒系統，能自動生成任務，每隔90天就問使用者，是否還需要這些無用的資料集。此外，Uber也新增了表格等級和分區等級的TTL（存活時間）支援，會自動刪除資料表或表中的分區。
另一個能節省大數據需求成本的，則是孤立的工作流程，也就是在過去180天內，都沒人讀取的ETL工作流程產出的資料集。而這些資料集，也類似無用的資料集，都是擁有者可以刪除的。
作法4：下一步自動決定工作優先順序
Uber大數據平臺有著各式各樣的使用者、工作和資料表，團隊現在也正擬定一套指引，來劃分工作層級，並根據這些層級提供所需資源，使用者也得依此付費。接下來，Uber大數據成本效益團隊會與定價部門，設計一套優化演算法，來在低成本的條件下，提供最佳客戶體驗。
不只如此，Uber還聯手線上運算平臺和線上儲存平臺的同事，要將原本的大數據工作負載，轉換為線上工作負載，比如使用線上服務、線上儲存等，來降低大數據平臺的需求負擔。這正是他們未來2、3年的目標。
Uber大數據需求端省錢術
1. 劃分所有權，找出大數據平臺資源使用者
2. 自建資料族譜追蹤工具，將資料轉為知識
3. 建立資料方塊工具，掌握資源用量
4. 主動分析詮釋資料，找出無用資料集
5. 制定計價機制，使用者付費
資料來源：Uber，iThome整理，2022年2月
https://www.ithome.com.tw/news/149336
客製專屬滑鼠墊、可愛造型L夾、L型資料夾、透明證件套、手提袋，專業印刷設計廠商!
通過SGS環保認證，無毒無害 環保材質符合歐盟RoHs、REACH認證
影響示波器測試準確度的五大因素
混合訊號示波器（MSO）有兩種輸入，一小部分（通常是2個或4個）的類比通道，更多（通常為16個）的部份是屬於數位通道。
塑膠射出成型技師工作甘苦談
一間在新竹耕耘超過20年的塑膠射出成型公司，初期以硬質pvc起家與模具開發設計；
隨著技術的不斷提升新觀念、新技術、新設備的不斷加入。亦得因需應各界之需求，運用了管理。技術達到每個客戶希望的目標。
連續封口機購物網-不怕你比價,就怕你買貴!
封口機就是指在包裝容器盛裝產品後，對容器進行封口的機械。製作包裝容器的材料很多，如紙類、塑料、玻璃、陶瓷、金屬、複合材料等，包裝容器的形態及物理性能也各不相同。