이 게시물은 다음을 사용하여 게임 산업 사용 사례를 위한 확장 가능한 분석 솔루션을 구축하는 방법에 대한 지침을 제공합니다. Amazon Redshift 서버리스. 이벤트 분석, 게임 내 구매 권장 사항, 플레이어 만족도 측정, 원격 분석 데이터 분석 등과 같이 가장 인기 있는 게임 산업 사용 사례에 대한 개념적 논리적 아키텍처를 사용하는 방법을 다룹니다. 이 게시물에서는 스트리밍, 기계 학습(ML), 데이터 공유 및 서버리스 기능과 관련하여 AWS 서비스의 새로운 혁신으로 가능성의 예술에 대해서도 논의합니다.
당사의 게임 고객은 주요 비즈니스 목표에 다음이 포함된다고 말합니다.
- 인앱 구매로 인한 수익 증가
- 높은 사용자당 평균 수익 및 평생 가치
- 더 나은 게임 경험으로 향상된 끈적임
- 향상된 이벤트 생산성 및 높은 ROI
게임 고객도 분석 솔루션을 구축하는 동안 다음을 원한다고 말합니다.
- 로우코드 또는 노코드 모델 – 맞춤형 솔루션을 구축하는 것보다 즉시 사용 가능한 솔루션을 선호합니다.
- 분리 및 확장 가능 – 서버리스, 자동 확장 및 완전 관리형 서비스가 수동 관리형 서비스보다 선호됩니다. 각 서비스는 쉽게 교체할 수 있어야 하며 종속성이 거의 또는 전혀 없이 향상되어야 합니다. 솔루션은 유연하게 확장 및 축소할 수 있어야 합니다.
- 여러 채널로의 이식성 – 솔루션은 PC, 모바일, 게임 플랫폼 등 대부분의 엔드포인트 채널과 호환되어야 합니다.
- 유연하고 사용하기 쉬운 – 솔루션은 덜 제한적이고 액세스하기 쉽고 즉시 사용할 수 있는 데이터를 제공해야 합니다. 또한 조정이 적거나 없는 상태에서 최적의 성능을 제공해야 합니다.
게임 조직을 위한 분석 참조 아키텍처
이 섹션에서는 게임 조직이 데이터 허브 아키텍처를 사용하여 기업의 분석 요구 사항을 해결하는 방법에 대해 설명합니다. 이러한 요구 사항에는 여러 수준의 세분성 및 다양한 형식의 동일한 데이터가 필요하고 더 빠른 소비를 위해 표준화됩니다. ㅏ 데이터 허브 데이터 저장소의 허브를 구성하는 데이터 교환의 중심이며 데이터 엔지니어링, 데이터 거버넌스, 보안 및 모니터링 서비스가 지원됩니다.
데이터 허브는 여러 세분화 수준의 데이터를 포함하며 종종 통합되지 않습니다. 사전 검증되고 표준화된 데이터를 제공하여 사용자가 더 간단하게 사용할 수 있다는 점에서 데이터 레이크와 다릅니다. 데이터 허브와 데이터 레이크는 조직에서 공존하면서 서로를 보완할 수 있습니다. 데이터 허브는 기업이 표준화된 데이터를 빠르고 쉽게 사용할 수 있도록 하는 데 더 중점을 둡니다. 데이터 레이크는 조직의 모든 데이터를 한 곳에 저장하고 유지 관리하는 데 더 중점을 둡니다. 그리고 주로 분석 저장소인 데이터 웨어하우스와 달리 데이터 허브는 거버넌스 프로세스와 함께 분석, 트랜잭션, 운영, 참조 및 데이터 I/O 서비스를 비롯한 모든 유형의 리포지토리의 조합입니다. 데이터 웨어하우스는 데이터 허브의 구성 요소 중 하나입니다.
다음 다이어그램은 개념적 분석 데이터 허브 참조 아키텍처입니다. 이 아키텍처는 허브 앤 스포크 접근 방식과 유사합니다. 데이터 저장소는 허브를 나타냅니다. 외부 프로세스는 허브에서 데이터를 공급하는 스포크입니다. 이 참조 아키텍처는 데이터 허브와 데이터 레이크를 부분적으로 결합하여 포괄적인 분석 서비스를 지원합니다.
아키텍처의 구성 요소를 자세히 살펴보겠습니다.
지우면 좋을거같음 . SM
기록 시스템, 애플리케이션에서 생성된 데이터, 운영 데이터 저장소, 전사적 참조 데이터 및 메타데이터, 공급업체 및 파트너의 데이터, 시스템 생성 데이터, 소셜 소스 및 웹 소스와 같은 여러 소스에서 데이터를 로드할 수 있습니다. 소스 데이터는 일반적으로 구조화된 형식 또는 반구조화된 형식으로 각각 높은 형식과 느슨한 형식입니다.
데이터 인바운드
이 섹션은 여러 소스의 데이터를 처리하고 데이터 저장소로 로드하는 구성 요소로 구성됩니다. 배치 모드, 연속, 게시/구독 또는 기타 모드일 수 있습니다.
맞춤 통합. ETL(추출, 변환 및 로드) 기술, 스트리밍 서비스, API 및 데이터 교환 인터페이스는 이 기둥의 핵심 구성 요소입니다. 수집 프로세스와 달리 데이터를 로드하기 전에 비즈니스 규칙에 따라 변환할 수 있습니다. 기술 또는 비즈니스 데이터 품질 규칙을 적용하고 원시 데이터도 로드할 수 있습니다. 기본적으로 가장 사용하기 쉬운 형태로 데이터를 리포지토리로 가져올 수 있는 유연성을 제공합니다.
데이터 저장소
이 섹션은 데이터 웨어하우스, 트랜잭션 또는 운영 데이터 저장소, 참조 데이터 저장소, 특별히 구축된 비즈니스 보기를 수용하는 도메인 데이터 저장소 및 엔터프라이즈 데이터 세트(파일 저장소)를 포함하는 데이터 저장소 그룹으로 구성됩니다. 파일 스토리지 구성 요소는 일반적으로 데이터 중복을 방지하고 포괄성을 제공하기 위해 데이터 허브와 데이터 레이크 간의 공통 구성 요소입니다. 또한 데이터 공유 및 통합 쿼리와 같은 기능을 사용하여 물리적으로 이동하지 않고도 이러한 모든 리포지토리 간에 데이터를 공유할 수 있습니다. 단, 포맷 및 지연 시간 등 다양한 소비 니즈를 고려하여 데이터 복사 및 복제는 허용한다.
데이터 아웃바운드
데이터는 종종 분석 요구를 위해 구조화된 쿼리를 사용하여 사용됩니다. 또한 ML, 데이터 내보내기 및 게시 요구 사항을 위해 데이터 세트에 액세스합니다. 이 섹션은 데이터, 내보내기, 교환 및 API를 쿼리하는 구성 요소로 구성됩니다. 구현 측면에서 인바운드와 아웃바운드 모두 동일한 기술을 사용할 수 있지만 기능은 다릅니다. 그러나 동일한 기술을 반드시 사용해야 하는 것은 아닙니다. 데이터가 이미 표준화되었고 거의 사용할 준비가 되었기 때문에 이러한 프로세스는 변환이 많지 않습니다. 초점은 소비 용이성 및 소비 서비스와의 통합에 있습니다.
소비
이 기둥은 엔터프라이즈 분석 요구를 위한 다양한 소비 채널로 구성됩니다. 여기에는 비즈니스 인텔리전스(BI) 사용자, 미리 준비된 대화형 보고서, 대시보드, 데이터 과학 워크로드, 사물 인터넷(IoT), 웹 앱 및 타사 데이터 소비자가 포함됩니다. 많은 조직에서 인기 있는 소비 엔터티는 쿼리, 보고서 및 데이터 과학 워크로드입니다. 소비자 요구 사항을 충족하기 위해 다양한 세분성 및 형식으로 데이터를 유지 관리하는 여러 데이터 저장소가 있기 때문에 이러한 소비 구성 요소는 올바른 소스를 찾기 위해 데이터 카탈로그에 의존합니다.
데이터 거버넌스
데이터 거버넌스는 데이터 허브 참조 아키텍처 성공의 핵심입니다. 데이터 허브의 조직적인 유지 관리에 필요한 메타 데이터 관리, 데이터 품질, 계보, 마스킹 및 관리와 같은 구성 요소를 구성합니다. 메타데이터 관리는 기술 및 비즈니스 메타데이터 카탈로그를 구성하는 데 도움이 되며 소비자는 이 카탈로그를 참조하여 어떤 데이터가 어떤 저장소에서 어떤 세분성, 형식, 소유자, 새로 고침 빈도 등으로 사용 가능한지 알 수 있습니다. 메타데이터 관리와 함께 데이터 품질은 소비자의 신뢰를 높이는 데 중요합니다. 여기에는 데이터 정리, 유효성 검사, 적합성 및 데이터 제어가 포함됩니다.
보안 및 모니터링
사용자 및 애플리케이션 액세스는 여러 수준에서 제어되어야 합니다. 인증으로 시작한 다음 액세스할 대상과 대상, 정책 관리, 암호화 및 데이터 규정 준수 규칙 적용을 승인합니다. 또한 감사 및 분석을 위해 활동을 기록하는 모니터링 구성 요소도 포함되어 있습니다.
AWS의 분석 데이터 허브 솔루션 아키텍처
다음 참조 아키텍처는 솔루션 구성 요소에 대한 AWS 스택을 제공합니다.
각 구성 요소와 관련 AWS 서비스를 다시 살펴보겠습니다.
데이터 인바운드 서비스
AWS 접착제 과 아마존 EMR 서비스는 일괄 처리에 이상적입니다. 자동으로 확장되며 대부분의 산업 표준 데이터 형식을 처리할 수 있습니다. Amazon Kinesis 데이터 스트림, 아마존 키네 시스 데이터 파이어 호스및 Apache Kafka 용 Amazon Managed Streaming (Amazon MSK)를 사용하면 스트리밍 프로세스 애플리케이션을 구축할 수 있습니다. 이러한 스트리밍 서비스는 아마존 레드시프트 스트리밍 특징. 이를 통해 실시간 소스, IoT 데이터 및 온라인 채널의 데이터를 처리할 수 있습니다. Informatica, dbt 및 Matallion과 같은 타사 도구를 사용하여 데이터를 수집할 수도 있습니다.
다음을 사용하여 RESTful API 및 WebSocket API를 빌드할 수 있습니다. 아마존 API 게이트웨이 과 AWS 람다, 웹 소스, 소셜 및 IoT 소스와 실시간 양방향 통신이 가능합니다. AWS 데이터 교환 AWS Marketplace에서 타사 데이터를 구독하는 데 도움이 됩니다. 데이터 구독 및 액세스는 이 서비스로 완전히 관리됩니다. 자세한 내용은 해당 서비스 설명서를 참조하십시오.
데이터 저장소 서비스
아마존 레드 시프트 클라우드 데이터 웨어하우스, 데이터 마트 및 기타 분석 데이터 저장소와 같은 OLAP(온라인 분석 처리) 워크로드에 권장되는 데이터 저장소 서비스입니다. 이 서비스는 AWS의 이 참조 아키텍처의 핵심이며 즉시 대부분의 분석 요구 사항을 해결할 수 있습니다. 간단한 SQL을 사용하여 데이터 웨어하우스, 데이터 마트, 운영 데이터베이스 및 데이터 레이크에서 정형 및 반정형 데이터를 분석하여 모든 규모에서 최고의 가격 대비 성능을 제공할 수 있습니다. 그만큼 Amazon Redshift 데이터 공유 기능은 동일하거나 다른 AWS 계정에 있는 여러 Amazon Redshift 데이터 웨어하우스와 리전 간에 데이터 복사 및 데이터 이동 없이 즉각적이고 세분화된 고성능 액세스를 제공합니다.
사용 편의성을 위해 Amazon Redshift는 서버리스 옵션을 제공합니다. Amazon Redshift 서버리스 데이터 웨어하우스 용량을 자동으로 프로비저닝하고 지능적으로 확장하여 가장 까다롭고 예측할 수 없는 워크로드에도 빠른 성능을 제공하고 사용한 만큼만 비용을 지불합니다. 데이터를 로드하고 Amazon Redshift Query Editor 또는 좋아하는 BI 도구에서 바로 쿼리를 시작하고 사용하기 쉬운 제로 관리 환경에서 최고의 가격 대비 성능과 친숙한 SQL 기능을 계속해서 즐기십시오.
Amazon 관계형 데이터베이스 서비스 (Amazon RDS)는 트랜잭션 및 운영 데이터 저장소를 구축하기 위한 완전 관리형 서비스입니다. MySQL, PostgreSQL, MariaDB, Oracle 및 SQL Server와 같은 널리 사용되는 많은 엔진 중에서 선택할 수 있습니다. 아마존 레드시프트와 함께 통합 쿼리 기능을 사용하면 데이터를 이동하지 않고도 트랜잭션 및 운영 데이터를 제자리에서 쿼리할 수 있습니다. 통합 쿼리 기능은 현재 지원합니다. PostgreSQL 용 Amazon RDS, Amazon Aurora PostgreSQL 호환 에디션, MySQL 용 Amazon RDS및 Amazon Aurora MySQL 호환 에디션.
아마존 단순 스토리지 서비스 (Amazon S3)는 아키텍처의 다중 형식 스토리지 계층에 권장되는 서비스입니다. 업계 최고의 확장성, 데이터 가용성, 보안 및 성능을 제공합니다. 조직은 일반적으로 개방형 파일 형식을 사용하여 Amazon S3에 데이터를 저장합니다. 개방형 파일 형식을 사용하면 여러 처리 및 소비 계층 구성 요소를 사용하여 동일한 Amazon S3 데이터를 분석할 수 있습니다. Amazon S3의 데이터는 SQL을 사용하여 제자리에서 쉽게 쿼리할 수 있습니다. 아마존 레드시프트 스펙트럼. 데이터를 로드하지 않고도 Amazon S3의 파일에서 정형 및 반정형 데이터를 쿼리하고 검색할 수 있습니다. 여러 Amazon Redshift 데이터 웨어하우스는 각 데이터 웨어하우스에 대한 데이터 복사본을 만들 필요 없이 Amazon S3에서 동일한 데이터 세트를 동시에 쿼리할 수 있습니다.
데이터 아웃바운드 서비스
Amazon Redshift는 웹 기반 분석 워크벤치와 함께 제공됩니다. 쿼리 편집기 V2.0, 공통 인터페이스를 통해 쿼리를 실행하고, 데이터를 탐색하고, SQL Notebook을 만들고, SQL에서 팀과 데이터에 대해 공동 작업할 수 있습니다. AWS Transfer 제품군 SFTP, FTPS, FTP 및 AS2 프로토콜을 사용하여 파일을 안전하게 전송할 수 있습니다. 수천 명의 동시 사용자를 지원하며 완전히 관리되는 로우 코드 서비스입니다. 인바운드 프로세스와 마찬가지로 다음을 활용할 수 있습니다. 아마존 API 게이트웨이 과 AWS 람다 데이터 풀을 사용하여 아마존 레드시프트 데이터 API. 과 AWS 데이터 교환 AWS Marketplace를 통해 사용할 수 있도록 타사에 데이터를 게시하는 데 도움이 됩니다.
소비 서비스
아마존 퀵 사이트 보고서 및 대시보드를 만드는 데 권장되는 서비스입니다. ML 인사이트를 통해 대화형 대시보드, 시각화 및 고급 분석을 생성할 수 있습니다. 아마존 세이지 메이커 모든 데이터 과학 워크로드 요구 사항을 충족하는 ML 플랫폼입니다. 데이터 허브의 리포지토리에서 데이터를 소비하는 모델을 구축, 교육 및 배포하는 데 도움이 됩니다. 당신이 사용할 수있는 Amazon 프런트 엔드 웹 및 모바일 서비스 및 AWS IoT 웹, 모바일 및 IoT 엔드포인트 애플리케이션을 구축하여 데이터 허브 외부에서 데이터를 소비하는 서비스.
데이터 거버넌스 서비스
XNUMXD덴탈의 AWS Glue 데이터 카탈로그 과 AWS Lake 형성 AWS가 현재 제공하는 핵심 데이터 거버넌스 서비스입니다. 이러한 서비스는 모든 데이터 저장소에 대한 메타데이터를 중앙에서 관리하고 액세스 제어를 관리하는 데 도움이 됩니다. 또한 데이터 분류를 돕고 스키마 변경을 자동으로 처리할 수 있습니다. 당신이 사용할 수있는 아마존 데이터존 내장된 거버넌스 및 액세스 제어를 통해 조직 경계를 넘어 대규모로 데이터를 검색하고 공유합니다. AWS는 AWS 서비스에 대해 보다 통합된 경험을 제공하기 위해 이 공간에 투자하고 있습니다. Collibra, Alation, Amorphic, Informatica 등과 같은 많은 파트너 제품이 있으며 AWS 서비스와 함께 데이터 거버넌스 기능에도 사용할 수 있습니다.
보안 및 모니터링 서비스
AWS 자격 증명 및 액세스 관리 (AWS IAM)은 AWS 서비스 및 리소스에 대한 자격 증명을 관리합니다. 인력 및 워크로드의 세분화된 액세스 관리를 위해 사용자, 그룹, 역할 및 정책을 정의할 수 있습니다. AWS 키 관리 서비스 (AWS KMS)는 애플리케이션에 대한 AWS 키 또는 고객 관리형 키를 관리합니다. 아마존 클라우드 워치 과 AWS 클라우드 트레일 모니터링 및 감사 기능을 제공하는 데 도움이 됩니다. 메트릭 및 이벤트를 수집하고 분석하여 운영 효율성을 높일 수 있습니다.
이 게시물에서는 각 솔루션 구성 요소에 대한 가장 일반적인 AWS 서비스에 대해 논의했습니다. 그러나 이러한 서비스에만 국한되지 않습니다. 여기에서 논의한 것보다 귀하의 요구에 더 적합할 수 있는 특정 사용 사례를 위한 다른 많은 AWS 서비스가 있습니다. 적절한 지침은 AWS Analytics Solutions Architects에 문의할 수 있습니다.
게임 사용 사례의 아키텍처 예
이 섹션에서는 두 가지 게임 사용 사례에 대한 예제 아키텍처에 대해 설명합니다.
게임 이벤트 분석
게임 내 이벤트(시간 제한 이벤트 또는 실시간 이벤트라고도 함)는 흥분과 기대를 통해 플레이어의 참여를 유도합니다. 이벤트는 플레이어가 게임과 상호 작용하도록 유도하여 게임 내 구매로 플레이어 만족도와 수익을 높입니다. 이벤트는 특히 게임이 있는 그대로의 정적인 엔터테인먼트에서 게임이 진행되는 동안 정보를 사용하여 게임 플레이에 대한 결정을 내리는 서비스를 사용하여 동적이고 변화하는 콘텐츠를 제공하는 것으로 바뀌면서 점점 더 중요해졌습니다. 이를 통해 플레이어가 플레이할 때 게임이 변경되고 작동하는 것과 작동하지 않는 것에 영향을 미치며 모든 게임에 잠재적으로 무한한 수명을 제공합니다.
친숙한 프레임워크 내에서 신선한 콘텐츠와 활동을 제공하는 인게임 이벤트의 이러한 기능은 플레이어가 몇 달에서 몇 년 동안 계속 참여하고 플레이하도록 하는 방법입니다. 플레이어는 자신이 사랑하게 된 친숙한 프레임워크나 세계에서 새로운 경험과 도전을 즐길 수 있습니다.
다음 예는 확장성, 차지백 및 소유권을 수용하기 위해 데이터를 별도의 컨테이너로 나누는 것과 같은 프로세스의 다양한 섹션을 지원하기 위한 변경 사항을 포함하여 이러한 아키텍처가 어떻게 나타날 수 있는지 보여줍니다.
플레이어가 이벤트를 보는 방식을 완전히 이해하고 향후 이벤트에 대한 결정을 내리려면 최신 이벤트가 실제로 수행된 방법에 대한 정보가 필요합니다. 즉, 각 이벤트의 효율성과 플레이어 만족도를 측정하는 핵심 성과 지표(KPI)를 구축하기 위해 플레이어가 플레이할 때 많은 데이터를 수집해야 합니다. 이를 위해서는 각 이벤트를 구체적으로 측정하고 각 이벤트에 대한 플레이어 경험을 캡처, 분석, 보고 및 측정하는 분석이 필요합니다. 이러한 KPI에는 다음이 포함됩니다.
- 초기 사용자 흐름 상호 작용 – 게임에서 이벤트 업데이트를 처음 받거나 다운로드한 후 사용자가 수행하는 작업. 사람들이 이벤트를 꺼리게 만드는 명확한 하차 지점이나 병목 현상이 있습니까?
- 섹션을 선택한다. – 게임 내 통화 구매, 광고 응답, 특별 행사 등 사용자가 이벤트에서 언제, 무엇을, 어디에 돈을 쓰는지.
- 게임 경제 – 사용자는 게임 내 머니, 거래 또는 물물 교환을 사용하여 이벤트 기간 동안 가상 통화 또는 상품을 획득하고 사용할 수 있습니다.
- 게임 내 활동 – 이벤트 내에서 플레이어의 승패, 레벨업, 경쟁 승리 또는 플레이어 업적.
- 사용자 간 상호 작용 – 이벤트 중 초대, 선물, 채팅(개인 및 그룹), 도전 등.
이는 게임이 기존 사용자의 참여, 참여 및 플레이를 유지하면서 새로운 플레이어를 획득함에 따라 이벤트의 예측 모델링에 핵심적인 KPI 및 지표 중 일부에 불과합니다.
게임 내 활동 분석
게임 내 활동 분석은 본질적으로 플레이어가 보여줄 수 있는 의미 있고 목적이 있는 활동을 살펴보고, 어떤 행동이 취해졌는지, 그 타이밍 및 결과를 이해하려는 목표를 가지고 있습니다. 여기에는 플레이어가 플레이하는 위치(지리적 및 문화적 모두), 빈도, 시간, 각 로그인에서 수행하는 작업 및 기타 활동을 포함하여 플레이어에 대한 상황 정보가 포함됩니다.
다음 예는 데이터를 별도의 웨어하우스로 나누는 것과 같은 프로세스의 다양한 섹션을 지원하기 위한 변경 사항을 포함하여 이러한 아키텍처가 어떻게 나타날 수 있는지 보여줍니다. 다중 클러스터 웨어하우스 접근 방식은 워크로드를 독립적으로 확장하고 구현된 차지백 모델에 유연성을 제공하며 분산된 데이터 소유권을 지원합니다.
이 솔루션은 기본적으로 플레이어의 행동을 이해하는 데 도움이 되는 정보를 기록하므로 기존 플레이어의 유지율을 높이고 새로운 플레이어를 확보하는 통찰력을 얻을 수 있습니다. 이를 통해 다음을 수행할 수 있습니다.
- 게임 내 구매 추천 제공
- 단기 및 시간 경과에 따른 플레이어 동향 측정
- 플레이어가 참여할 계획 이벤트
- 게임에서 가장 성공적인 부분과 그렇지 않은 부분을 이해합니다.
이러한 이해를 바탕으로 향후 게임 업데이트에 대한 결정을 내리고, 게임 내 구매 권장 사항을 만들고, 게임 경제의 균형을 맞춰야 하는 시기와 방법을 결정하고, 플레이어가 게임 진행에 따라 캐릭터를 변경하거나 플레이하도록 허용할 수도 있습니다. 정보 및 그에 수반되는 결정을 게임으로 되돌립니다.
결론
이 참조 아키텍처는 몇 가지 분석 유형의 예만 보여주지만 게임 분석 애플리케이션을 활성화하기 위한 더 빠른 기술 경로를 제공합니다. 분리된 허브/스포크 접근 방식은 분석에 대한 다양한 접근 방식을 구현하고 게임 애플리케이션의 성능을 이해할 수 있는 민첩성과 유연성을 제공합니다. 이 아키텍처에 설명된 전용 AWS 서비스는 게임 및 이벤트 지표를 쉽게 수집, 저장, 측정, 분석 및 보고할 수 있는 포괄적인 기능을 제공합니다. 이를 통해 게임 내 분석, 이벤트 분석을 효율적으로 수행하고, 플레이어 만족도를 측정하고, 게임 플레이어에게 맞춤형 권장 사항을 제공하고, 이벤트를 효율적으로 구성하고, 유지율을 높일 수 있습니다.
게시물을 읽어 주셔서 감사합니다. 피드백이나 질문이 있으시면 댓글에 남겨주세요.
저자 소개
사테시 손티 애틀랜타에 기반을 둔 수석 분석 전문가 솔루션 설계자이며 엔터프라이즈 데이터 플랫폼, 데이터 웨어하우징 및 분석 솔루션 구축을 전문으로 합니다. 그는 데이터 자산을 구축하고 전 세계 은행 및 보험 고객을 위한 복잡한 데이터 플랫폼 프로그램을 주도하는 데 16년 이상의 경험을 가지고 있습니다.
타냐 로즈 샌프란시스코에 기반을 둔 수석 솔루션 설계자로서 게임 및 지원 시스템의 분석, 확장 및 성능 향상에 중점을 두고 게임 고객에게 중점을 둡니다. 그녀는 게임, 뱅킹, 의료, 고등 교육 및 주 정부를 포함한 여러 비즈니스 라인에 걸쳐 대규모 비즈니스 조직을 전문으로 하는 엔터프라이즈 및 솔루션 아키텍처 분야에서 25년 이상의 경험을 보유하고 있습니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/big-data/how-gaming-companies-can-use-amazon-redshift-serverless-to-build-scalable-analytical-applications-faster-and-easier/
