当NBC环球筹备一场大型颁奖礼直播时，数据团队不再需要提前几个月预留大量计算槽，也不用担心流量洪峰冲垮报表系统。过去，为了支撑多部门并发的查询需求，他们必须提前锁定成百上千个“槽位”，哪怕平时大部分闲置，也要为峰值买单。如今，这套运行了多年的预留模式已经被一整套按需扩展的体系替代。
作为拥有百年历史的媒体巨头，NBC环球旗下囊括广播电视、有线频道和流媒体网络，每天都有海量用户行为数据涌入，支撑着从内容排播、营销决策到广告投放的实时判断。然而，随着原创内容爆发和直播活动密集，原有的数据基础设施逐渐显露出疲态：底层采用基于槽位预留的计算模型，多个团队并行分析时不得不争夺固定资源，导致计算成本居高不下，同时限制了机器学习等高级负载的灵活性。
“公司一直在推进数据可及性，让更多团队能快速获取洞察，这要求我们找到一种更敏捷的方式。”NBC环球数据技术与产品高级副总裁Kevin Hill这样描述当时的处境。换句话说，分析师们渴望更快地出报表，工程师们希望把时间花在分析上，而不是反复搭建管道——原有的架构已经无法匹配组织进化的速度。
变化源于一次与Databricks以及服务商EXL的合作迁移。NBC环球果断把分析环境和机器学习平台统一到Databricks上，采用“按作业指定计算”的弹性架构取代此前的预留槽机制，并把300多名分析师平稳迁移到Databricks SQL的交互式分析环境。迁移完成后，最直观的结果是数据基础设施成本下降了30%，而大规模并发查询的场景不再需要人工预留闲置槽——系统会随高流量事件自动伸缩。
弹性扩缩的好处很快在内容运营中显现。每逢重大剧集首播、体育决赛或王牌节目上线，数据查询量会短时间内飙升数倍，过去只能靠冗余槽位硬扛，现在几乎无所感知。NBC环球数据工程副总裁Louie Kuznia强调：“今天的内容生态演变非常快，我们的业务伙伴需要比以往更敏捷的决策支持。这次迁移让我们在不牺牲速度和灵活性的前提下，完成了基础设施的现代化。”
统一平台的价值还不止于报表层的性能优化。迁移过程中，NBC环球借助MLflow实现了机器学习工作流的统一管理，又通过Lakeflow Jobs打通了批流一体的数据处理。分析师可以在同一个环境里直接调用训练好的模型，无需切换工具栈。这种将BI与AI无缝衔接的方式，彻底解开了过去数据工程与数据科学割裂的死结。
如果非要“挑刺”这场迁移，唯一的代价或许是团队在切换初期需要适应新的SQL语义和工作流。但从最终成果来看，300余名分析师顺利过渡，迁移期间并未出现关键报表中断，反而因为弹性伸缩免去大量以前的手动扩容操作。在媒体行业普遍需要实时数据驱动内容分发和营销决策的当下，NBC环球给出了一个务实的参照：用按需计算替代固定预留，让基础设施真正为业务高峰服务，而不是为峰值持续付钱。
热门跟贴