[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"general-list":3,"footer-feature-tags":4,"slate-glossary-term-olap-oltp":66},true,[5,14,20,29,34,40,46,52,56,62],{"id":6,"name":7,"hex":8,"translations":9,"count_pages":13},8,"Компания","#f40925",{"ru":10,"en":11},{"name":7},{"name":12},"Company",9,{"id":15,"name":16,"hex":17,"translations":18,"count_pages":6},26,"Главная страница",null,{"ru":19},{"name":16},{"id":21,"name":22,"hex":23,"translations":24,"count_pages":28},2,"Проекты","#3027ff",{"ru":25,"en":26},{"name":22},{"name":27},"Project",15,{"id":30,"name":31,"hex":17,"translations":32,"count_pages":21},33,"ИИ",{"ru":33},{"name":31},{"id":35,"name":36,"hex":17,"translations":37,"count_pages":39},34,"Комментарии",{"ru":38},{"name":36},4,{"id":41,"name":42,"hex":17,"translations":43,"count_pages":45},25,"Задачи",{"ru":44},{"name":42},24,{"id":47,"name":48,"hex":17,"translations":49,"count_pages":51},27,"Рабочие пространства",{"ru":50},{"name":48},3,{"id":45,"name":53,"hex":17,"translations":54,"count_pages":6},"Kanban-доска",{"ru":55},{"name":53},{"id":57,"name":58,"hex":17,"translations":59,"count_pages":61},23,"Диаграмма Ганта",{"ru":60},{"name":58},1,{"id":28,"name":63,"hex":17,"translations":64,"count_pages":61},"Календарь",{"ru":65},{"name":63},{"detail":67,"more":129},{"id":68,"slug":69,"translations":70,"category":84,"tags":92,"letter":102,"og_image":17,"cover":17,"author_name":17,"author_position":17,"author_avatar":17,"faqs":103,"related":117,"views_count":126,"helpful_yes_count":106,"helpful_no_count":106,"created_at":127,"updated_at":128,"published_at":17},309,"olap-oltp",{"ru":71},{"title":72,"short_definition":73,"tldr":74,"full_explanation":75,"when_to_apply":76,"when_not_to_apply":77,"examples":78,"tips":79,"synonyms":80,"translation_en":81,"seo_title":82,"seo_description":83},"OLAP и OLTP (аналитические и транзакционные базы данных)","Два типа баз данных: OLTP обслуживает быстрые операции продукта, OLAP — тяжёлые аналитические запросы по большим объёмам данных.","OLAP и OLTP — два класса баз данных с разными задачами. OLTP обслуживает продукт: быстро вставляет и обновляет записи, держит сотни тысяч транзакций в секунду. OLAP считает аналитику: тяжёлые запросы по миллионам и миллиардам строк, где важна скорость агрегатов, а не записи. PostgreSQL и MySQL обычно работают как OLTP, ClickHouse, BigQuery и Snowflake — как OLAP.","\u003Cp>Граница между OLTP и OLAP объясняет, почему обычно нельзя просто построить аналитику в боевой базе и зачем нужны отдельные хранилища.\u003C\u002Fp>\u003Ch3>OLTP\u003C\u002Fh3>\u003Cul>\u003Cli>Рассчитан на короткие транзакции со строгими гарантиями ACID.\u003C\u002Fli>\u003Cli>Хранение по строкам — удобно для записи и точечных чтений.\u003C\u002Fli>\u003Cli>Объёмы: миллионы, максимум сотни миллионов строк.\u003C\u002Fli>\u003Cli>Примеры: PostgreSQL, MySQL, MS SQL Server, Oracle.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>OLAP\u003C\u002Fh3>\u003Cul>\u003Cli>Рассчитан на аналитические запросы по огромным таблицам.\u003C\u002Fli>\u003Cli>Колоночное хранение и сжатие — агрегаты считаются гораздо быстрее.\u003C\u002Fli>\u003Cli>Объёмы: миллиарды и триллионы строк.\u003C\u002Fli>\u003Cli>Примеры: BigQuery, Snowflake, Redshift, ClickHouse, Vertica.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>Почему важно различать\u003C\u002Fh3>\u003Cul>\u003Cli>Тяжёлые аналитические запросы в боевой базе роняют продукт.\u003C\u002Fli>\u003Cli>OLAP плохо подходит для записи единичных строк и операций в реальном времени.\u003C\u002Fli>\u003Cli>В современных архитектурах эти роли разделяют намеренно и связывают регулярными загрузками данных.\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>При проектировании архитектуры данных компании\u003C\u002Fli>\u003Cli>При выборе базы под новый продукт или новый аналитический проект\u003C\u002Fli>\u003Cli>В обсуждении скорости отчётов и нагрузки на продукт\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>В очень маленьком проекте отдельная аналитическая система не нужна — всё помещается в одну транзакционную базу с представлениями для отчётов\u003C\u002Fli>\u003C\u002Ful>","\u003Cp>Команда продукта решила построить сводный экран для руководства прямо в базе сервиса на PostgreSQL. После пары запросов с агрегатами по миллионам строк продукт лёг на 10 минут. Через неделю подняли отдельный ClickHouse, залили туда нужные данные регулярной загрузкой, и нагрузка от аналитики перестала касаться продукта. Один и тот же отчёт в PostgreSQL считался 45 секунд, в ClickHouse — 200 миллисекунд.\u003C\u002Fp>","\u003Cp>Договоритесь в команде: новые продуктовые таблицы живут в OLTP, аналитические витрины — в OLAP, а данные между ними двигаются регулярными загрузками. Любая попытка временно посчитать аналитику в боевой базе имеет неприятную привычку становиться постоянной. Зафиксируйте правило в базе знаний Shtab, чтобы новые разработчики видели его до инцидента, а не после.\u003C\u002Fp>","OLAP, OLTP, аналитические базы данных, транзакционные базы данных, оперативная аналитическая обработка","OLAP and OLTP","OLAP и OLTP — чем отличаются базы данных | Глоссарий Shtab","OLAP и OLTP — два типа баз данных. Чем отличаются по архитектуре, объёмам и нагрузке, какую систему брать под продукт, а какую под аналитику и отчёты.",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":88},11,"analytics-data","#06b6d4",{"ru":89},{"title":90,"description":91},"Аналитика и данные","Понятия и инструменты работы с данными: виды аналитики, статистические основы, A\u002FB-тестирование, продуктовые метрики, дашборды и BI, инфраструктура данных, качество и управление данными.",[93],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":99},44,"data-engineering","tool","#0F9488",102,{"ru":100},{"title":101},"Инфраструктура данных","O",[104,111],{"id":105,"order":106,"translations":107},1142,0,{"ru":108},{"question":109,"answer":110},"Можно ли совмещать OLAP и OLTP в одной базе?","\u003Cp>В небольших объёмах — да, многие транзакционные базы тянут аналитические запросы поверх обычных индексов. Но по мере роста таблиц и числа запросов скорость быстро падает, отчёты начинают мешать продукту, и нагрузку приходится разводить по отдельным системам. Обычно этот момент наступает раньше, чем команда успевает к нему подготовиться.\u003C\u002Fp>",{"id":112,"order":61,"translations":113},1143,{"ru":114},{"question":115,"answer":116},"А что такое HTAP?","\u003Cp>HTAP — попытка сделать одну систему сразу и для транзакций, и для аналитики: так расшифровывается гибридная транзакционно-аналитическая обработка. Примеры такого класса решений — TiDB и SingleStore. Направление интересное, но на практике большинство компаний пока всё равно предпочитают разделять транзакционный и аналитический контуры: так проще предсказывать нагрузку и не рисковать продуктом ради отчёта.\u003C\u002Fp>",{"related":118},[119],{"id":120,"slug":121,"translations":122},306,"data-warehouse",{"ru":123},{"title":124,"short_definition":125},"Хранилище данных (Data Warehouse)","Специализированная база данных, в которой собраны и согласованы данные из разных источников для аналитики.",114,"2026-05-11T20:16:08.005693+03:00","2026-05-11T20:16:08.005710+03:00",[130,153,173],{"id":131,"slug":132,"translations":133,"category":138,"tags":141,"letter":151,"cover":17,"updated_at":152,"published_at":17},313,"arpu",{"ru":134},{"title":135,"short_definition":136,"translation_en":137},"ARPU и ARPPU (средняя выручка на пользователя)","ARPU — средняя выручка на пользователя. ARPPU — средняя выручка на платящего пользователя.","ARPU and ARPPU",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":139},{"ru":140},{"title":90,"description":91},[142],{"id":143,"slug":144,"kind":145,"hex":146,"order":147,"translations":148},45,"product-analytics","metric","#5e79ec",103,{"ru":149},{"title":150},"Продуктовая аналитика","A","2026-05-11T20:16:09.534333+03:00",{"id":154,"slug":155,"translations":156,"category":161,"tags":164,"letter":171,"cover":17,"updated_at":172,"published_at":17},304,"bi",{"ru":157},{"title":158,"short_definition":159,"translation_en":160},"Business Intelligence (бизнес-аналитика)","Совокупность процессов и инструментов сбора, хранения и визуализации данных для принятия деловых решений.","Business Intelligence (BI)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":162},{"ru":163},{"title":90,"description":91},[165,168],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":166},{"ru":167},{"title":101},{"id":143,"slug":144,"kind":145,"hex":146,"order":147,"translations":169},{"ru":170},{"title":150},"B","2026-05-11T20:16:06.204990+03:00",{"id":174,"slug":175,"translations":176,"category":181,"tags":184,"letter":188,"cover":17,"updated_at":189,"published_at":17},312,"dau-wau-mau",{"ru":177},{"title":178,"short_definition":179,"translation_en":180},"DAU, WAU, MAU (активная аудитория за день, неделю и месяц)","Количество уникальных активных пользователей за день, неделю и месяц соответственно.","DAU \u002F WAU \u002F MAU",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":182},{"ru":183},{"title":90,"description":91},[185],{"id":143,"slug":144,"kind":145,"hex":146,"order":147,"translations":186},{"ru":187},{"title":150},"D","2026-05-11T20:16:09.166914+03:00"]