• Корпоративный Новый год
  • Организация выпускных
  • Студия вокала
  • Организация свадеб
  • Программы для диджеев
  • Организация корпоративов
  • Написания музыки
  • Вокала
  • Дни рождения
  • Новости
  •  

    Как Saavn вырос в крупнейшем музыкальном потоковом сервисе Индии с MongoDB

    Построение системы push-уведомлений на сложном конвейере анализа данных на основе Apache Kafka, Storm и MongoDB

    2015 год был важным для музыкальной индустрии. Впервые цифровая связь стала основным источником дохода для записанной музыки, обогнав продажи физических форматов. Ключом к этой вехе стал доход от потоковых услуг, который вырос за год на 45%.

    Как и во многих потребительских сервисах, рынок потоковой передачи музыки фрагментирован по всему миру. В Индии - второй по численности населения стране на планете и втором по величине рынке смартфонов - Саавн превратился в крупнейший музыкальный сервис субконтинента. У него 80 миллионов подписчиков, а количество ежедневных активных пользователей (DAU) увеличилось в 9 раз всего за 24 месяца, при этом 90% потоков было передано мобильным пользователям. Есть много факторов, которые в совокупности способствовали росту Saavn, но в основе этого лежат данные. И для этого они полагаются на MongoDB.

    ! [] (Https://webassets.mongodb.com/_com_assets/cms/Saavn-Logo-Horizontal-White-500-eua0kyb1uk.png)

    Saavn начал использовать MongoDB в качестве постоянного кэша, заменив существующий слой memcached. Вскоре они осознали универсальность и гибкость базы данных, чтобы служить системой записи ее данных об абонентах, устройствах и активности пользователей. Именно гибкость и масштабируемость MongoDB сыграли важную роль в поддержании темпов роста Saavn.

    Благодаря своей обширной коллекции музыки, компания быстро привлекла новых пользователей к своему потоковому сервису, но обнаружила, что вовлечение часто пропадает. Он определил, что push-уведомления, отправляемые непосредственно на клиентские устройства, являются ключом к повторному соединению с пользователями и сохранению их вовлеченности, обслуживая персонализированные списки воспроизведения. На Всемирной конференции MongoDB в этом году технический директор Сриранджан Манджунатх представил, как Саавн использовал MongoDB как часть сложного аналитического конвейера, позволяющего увеличить вовлечение пользователей в 3 раза.

    Как заметил Сриранджан и его команда, было недостаточно просто транслировать общие уведомления своим пользователям. Вместо этого Saavn нужно было создавать уведомления, которые предоставляли плейлисты, персонализированные для каждого пользователя. Saavn построил сложный конвейер обработки данных, который использует планировщик для извлечения данных об устройстве, активности и пользователях, хранящихся в MongoDB. Оттуда он вычисляет соответствующие списки воспроизведения, анализируя предпочтения пользователя по прослушиванию, активность, устройство, местоположение и многое другое. Затем он отправляет вычисленные рекомендации процессу диспетчера, который доставляет список воспроизведения на каждое устройство пользователя и входящие. Чтобы уточнить персонализацию, все действия пользователя попадают обратно в очередь Kafka, где они обрабатываются Apache Storm и записываются обратно в MongoDB. Saavn также расширяет использование искусственного интеллекта для более точного прогнозирования интересов пользователей и использует MongoDB для хранения полученных моделей машинного обучения и предоставления их в реальном времени для рекомендательного приложения.

    Saavn также расширяет использование искусственного интеллекта для более точного прогнозирования интересов пользователей и использует MongoDB для хранения полученных моделей машинного обучения и предоставления их в реальном времени для рекомендательного приложения

    В настоящее время система отправляет 30 миллионов уведомлений в день, но она была рассчитана на поддержку до 1 миллиона в минуту, обеспечивая достаточный запас для поддержки дальнейшего роста Saavn.

    В своей презентации Сриранджан рассказал о том, как Saavn мигрировал с MongoDB 2.6 на MongoDB 3.0, используя преимущества Контроль параллелизма на уровне документов механизма хранения WiredTiger для повышения производительности. Он рассказывает о своих ключевых уроках по изменению дизайна схемы, чтобы отразить различия в том, как обновления обрабатываются базовым механизмом хранения, и использование Индексы TTL для автоматического истечения срока действия данных из MongoDB , Шриранджан также обсуждает выбор ключа шарда для оптимизации равномерного распределения данных по кластеру и преимущества использования MongoDB Cloud Manager для мониторинга системы и непрерывного резервного копирования, включая интеграцию со Slack для автоматического оповещения оперативной команды.

    Нажмите для просмотра Презентация Саавна от MongoDB World

    Чтобы узнать больше об управлении потоковыми данными в режиме реального времени, загрузите:

    Белая книга MongoDB и Kafka

    Об авторе - Mat Keep

    Мэт является директором маркетинговой команды MongoDB, отвечающей за формирование концепции, позиционирования и контента для продуктов и услуг MongoDB, включая анализ тенденций рынка и требований клиентов. До прихода в MongoDB Мэт был директором по управлению продуктами в Oracle Corp. и отвечал за работу базы данных MySQL в веб, телекоммуникациях, облаке и рабочих нагрузках больших данных. Это последовало за серией продаж, развития бизнеса и позиции аналитика / программиста как с поставщиками технологий, так и с компаниями конечных пользователей.

     






    © 2009 Broadway 21 Records
    Все права сохранены.