ជង់ទិន្នន័យប្រភពបើកចំហទំនើបសម្រាប់ blockchain

1. បញ្ហាប្រឈមសម្រាប់ជង់ទិន្នន័យ blockchain ទំនើប

មានឧបសគ្គជាច្រើនដែលការចាប់ផ្តើមបង្កើតលិបិក្រម blockchain ទំនើបអាចប្រឈមមុខ រួមមាន:

• បរិមាណទិន្នន័យដ៏ធំ។ នៅពេលដែលចំនួនទិន្នន័យនៅលើ blockchain កើនឡើង សន្ទស្សន៍ទិន្នន័យនឹងត្រូវធ្វើមាត្រដ្ឋានដើម្បីគ្រប់គ្រងបន្ទុកកើនឡើង និងផ្តល់នូវការចូលប្រើប្រាស់ទិន្នន័យប្រកបដោយប្រសិទ្ធភាព។ អាស្រ័យហេតុនេះ វានាំឱ្យមានការចំណាយលើការផ្ទុកខ្ពស់ ការគណនាម៉ែត្រយឺត និងការកើនឡើងការផ្ទុកនៅលើម៉ាស៊ីនមេមូលដ្ឋានទិន្នន័យ។
• បំពង់ដំណើរការទិន្នន័យស្មុគស្មាញ។ បច្ចេកវិទ្យា Blockchain មានភាពស្មុគ្រស្មាញ ហើយការកសាងលិបិក្រមទិន្នន័យដ៏ទូលំទូលាយ និងអាចជឿទុកចិត្តបានទាមទារឱ្យមានការយល់ដឹងយ៉ាងស៊ីជម្រៅអំពីរចនាសម្ព័ន្ធទិន្នន័យមូលដ្ឋាន និងក្បួនដោះស្រាយ។ ភាពចម្រុះនៃការអនុវត្ត blockchain ទទួលមរតកវា។ ដោយបានផ្តល់ឧទាហរណ៍ជាក់លាក់ NFTs នៅក្នុង Ethereum ជាធម្មតាត្រូវបានបង្កើតឡើងនៅក្នុងកិច្ចសន្យាឆ្លាតវៃ បន្ទាប់ពីទម្រង់ ERC721 និង ERC1155។ ផ្ទុយទៅវិញការអនុវត្តរបស់ទាំងនោះនៅលើ Polkadot ជាធម្មតាត្រូវបានបង្កើតឡើងដោយផ្ទាល់ក្នុងរយៈពេលដំណើរការ blockchain ។ ទាំង​នោះ​គួរ​ត្រូវ​បាន​ចាត់​ទុក​ជា NFTs ហើយ​គួរ​តែ​ត្រូវ​បាន​រក្សា​ទុក​ជា​របស់​ទាំង​នោះ។
• សមត្ថភាពរួមបញ្ចូលគ្នា។ ដើម្បីផ្តល់តម្លៃអតិបរមាដល់អ្នកប្រើប្រាស់ ដំណោះស្រាយបង្កើតលិបិក្រម blockchain ប្រហែលជាត្រូវបញ្ចូលលិបិក្រមទិន្នន័យរបស់វាជាមួយប្រព័ន្ធផ្សេងទៀត ដូចជាវេទិកាវិភាគ ឬ APIs។ នេះ​ជា​ការ​លំបាក និង​ទាមទារ​ឱ្យ​មាន​ការ​ខិតខំ​ប្រឹងប្រែង​យ៉ាង​សំខាន់​ក្នុង​ការ​រចនា​ស្ថាបត្យកម្ម។

នៅពេលដែលបច្ចេកវិទ្យា blockchain កាន់តែរីករាលដាល បរិមាណទិន្នន័យដែលបានរក្សាទុកនៅលើ blockchain បានកើនឡើង។ នេះគឺដោយសារតែមនុស្សកាន់តែច្រើនកំពុងប្រើប្រាស់បច្ចេកវិទ្យា ហើយប្រតិបត្តិការនីមួយៗបន្ថែមទិន្នន័យថ្មីទៅកាន់ blockchain ។ លើសពីនេះទៀត បច្ចេកវិទ្យា blockchain បានវិវត្តន៍ពីកម្មវិធីផ្ទេរប្រាក់សាមញ្ញ ដូចជាកម្មវិធីដែលពាក់ព័ន្ធនឹងការប្រើប្រាស់ Bitcoin ទៅជាកម្មវិធីស្មុគស្មាញដែលពាក់ព័ន្ធនឹងការអនុវត្តតក្កវិជ្ជាអាជីវកម្មនៅក្នុងកិច្ចសន្យាឆ្លាតវៃ។ កិច្ចសន្យាឆ្លាតវៃទាំងនេះអាចបង្កើតទិន្នន័យយ៉ាងច្រើន ដែលរួមចំណែកដល់ការកើនឡើងនៃភាពស្មុគស្មាញ និងទំហំនៃ blockchain ។ យូរ ៗ ទៅនេះបាននាំឱ្យមាន blockchain កាន់តែធំនិងស្មុគស្មាញ។

នៅក្នុងអត្ថបទនេះ យើងពិនិត្យមើលការវិវត្តន៍នៃស្ថាបត្យកម្មបច្ចេកវិទ្យា Footprint Analytics ជាដំណាក់កាលជាករណីសិក្សាដើម្បីស្វែងយល់ពីរបៀបដែលបច្ចេកវិទ្យា Iceberg-Trino ដោះស្រាយបញ្ហាប្រឈមនៃទិន្នន័យនៅលើខ្សែសង្វាក់។

Footprint Analytics បានធ្វើលិបិក្រមអំពីទិន្នន័យ blockchain សាធារណៈចំនួន 22 និងទីផ្សារ NFT ចំនួន 17 គម្រោង 1900 GameFi និងការប្រមូល NFT ជាង 100,000 ទៅក្នុងស្រទាប់ទិន្នន័យអរូបីតាមន័យធៀប។ វាជាដំណោះស្រាយឃ្លាំងទិន្នន័យ blockchain ដ៏ទូលំទូលាយបំផុតនៅក្នុងពិភពលោក។

ដោយមិនគិតពីទិន្នន័យ blockchain ដែលរួមមានជាង 20 ពាន់លានជួរនៃកំណត់ត្រានៃប្រតិបត្តិការហិរញ្ញវត្ថុដែលអ្នកវិភាគទិន្នន័យសួរញឹកញាប់។ វាខុសពីការកត់ត្រាចូលនៅក្នុងឃ្លាំងទិន្នន័យប្រពៃណី។

យើងមានបទពិសោធន៍នៃការធ្វើឱ្យប្រសើរឡើងចំនួន 3 ក្នុងរយៈពេលប៉ុន្មានខែកន្លងមកនេះ ដើម្បីបំពេញតាមតម្រូវការអាជីវកម្មដែលកំពុងរីកចម្រើន៖

2. ស្ថាបត្យកម្ម 1.0 Bigquery

នៅដើមដំបូងនៃការវិភាគស្នាមជើង យើងបានប្រើ Google Bigquery ជាម៉ាស៊ីនផ្ទុក និងសំណួររបស់យើង; Bigquery គឺជាផលិតផលដ៏អស្ចារ្យ។ វាមានភាពរហ័សរហួន ងាយស្រួលប្រើ និងផ្តល់នូវថាមពលនព្វន្ធថាមវន្ត និងវាក្យសម្ព័ន្ធ UDF ដែលអាចបត់បែនបាន ដែលជួយយើងឱ្យបំពេញការងារបានយ៉ាងឆាប់រហ័ស។

ទោះយ៉ាងណាក៏ដោយ Bigquery ក៏មានបញ្ហាមួយចំនួនផងដែរ។

• ទិន្នន័យមិនត្រូវបានបង្ហាប់ទេ ដែលបណ្តាលឱ្យមានការចំណាយខ្ពស់ ជាពិសេសនៅពេលរក្សាទុកទិន្នន័យឆៅជាង 22 blockchains នៃ Footprint Analytics ។
• ភាពស្របគ្នាមិនគ្រប់គ្រាន់៖ Bigquery គាំទ្រតែ 100 សំណួរក្នុងពេលដំណាលគ្នាប៉ុណ្ណោះ ដែលមិនស័ក្តិសមសម្រាប់សេណារីយ៉ូកម្រិតខ្ពស់សម្រាប់ការវិភាគ Footprint នៅពេលបម្រើអ្នកវិភាគ និងអ្នកប្រើប្រាស់ជាច្រើន។
• ចាក់សោជាមួយ Google Bigquery ដែលជាផលិតផលប្រភពបិទជិត។

ដូច្នេះ យើង​សម្រេច​ចិត្ត​ស្វែង​រក​ស្ថាបត្យកម្ម​ជំនួស​ផ្សេង​ទៀត។

3. ស្ថាបត្យកម្ម 2.0 OLAP

យើងចាប់អារម្មណ៍យ៉ាងខ្លាំងចំពោះផលិតផល OLAP មួយចំនួនដែលបានក្លាយជាការពេញនិយមយ៉ាងខ្លាំង។ អត្ថប្រយោជន៍ដ៏គួរឱ្យទាក់ទាញបំផុតរបស់ OLAP គឺពេលវេលាឆ្លើយតបសំណួររបស់វា ដែលជាធម្មតាត្រូវចំណាយពេលប៉ុន្មានវិនាទីដើម្បីត្រឡប់លទ្ធផលសំណួរសម្រាប់ទិន្នន័យដ៏ច្រើន ហើយវាក៏អាចគាំទ្រសំណួរដែលស្របគ្នារាប់ពាន់ផងដែរ។

យើងបានជ្រើសរើសមូលដ្ឋានទិន្នន័យ OLAP ដ៏ល្អបំផុតមួយ Dorisដើម្បីសាកល្បង។ ម៉ាស៊ីននេះដំណើរការបានល្អ។ ទោះយ៉ាងណាក៏ដោយ ក្នុងពេលឆាប់ៗនេះ យើងបានជួបបញ្ហាមួយចំនួនទៀត៖

• ប្រភេទទិន្នន័យដូចជា Array ឬ JSON មិនទាន់ត្រូវបានគាំទ្រនៅឡើយទេ (ខែវិច្ឆិកា ឆ្នាំ 2022)។ អារេគឺជាប្រភេទទិន្នន័យទូទៅនៅក្នុង blockchain មួយចំនួន។ ឧ វាលប្រធានបទ នៅក្នុងកំណត់ហេតុ evm ។ មិនអាចគណនាលើ Array ដោយផ្ទាល់ប៉ះពាល់ដល់សមត្ថភាពរបស់យើងក្នុងការគណនារង្វាស់ធុរកិច្ចជាច្រើន។
• ការគាំទ្រមានកំណត់សម្រាប់ DBT និងសម្រាប់សេចក្តីថ្លែងការណ៍បញ្ចូលគ្នា។ ទាំងនេះគឺជាតម្រូវការទូទៅសម្រាប់វិស្វករទិន្នន័យសម្រាប់សេណារីយ៉ូ ETL/ELT ដែលយើងត្រូវធ្វើបច្ចុប្បន្នភាពទិន្នន័យដែលបានធ្វើលិបិក្រមថ្មីៗមួយចំនួន។

ដែលត្រូវបាននិយាយថា យើងមិនអាចប្រើ Doris សម្រាប់បំពង់បង្ហូរទិន្នន័យទាំងមូលរបស់យើងលើការផលិតនោះទេ ដូច្នេះហើយយើងបានព្យាយាមប្រើ Doris ជាមូលដ្ឋានទិន្នន័យ OLAP ដើម្បីដោះស្រាយបញ្ហារបស់យើងនៅក្នុងបំពង់ផលិតកម្មទិន្នន័យ ដោយដើរតួជាម៉ាស៊ីនសំណួរ និងផ្តល់នូវល្បឿនលឿន និងកម្រិតខ្ពស់។ សមត្ថភាពសំណួរស្របគ្នា។

ជាអកុសល យើងមិនអាចជំនួស Bigquery ជាមួយ Doris បានទេ ដូច្នេះយើងត្រូវធ្វើសមកាលកម្មទិន្នន័យជាប្រចាំពី Bigquery ទៅ Doris ដោយប្រើវាជាម៉ាស៊ីនសំណួរ។ ដំណើរការធ្វើសមកាលកម្មនេះមានបញ្ហាជាច្រើន ដែលមួយក្នុងចំណោមនោះគឺថាការសរសេរអាប់ដេតបានប្រមូលផ្តុំយ៉ាងលឿននៅពេលដែលម៉ាស៊ីន OLAP រវល់ក្នុងការបម្រើសំណួរទៅកាន់អតិថិជនផ្នែកខាងមុខ។ ក្រោយមក ល្បឿននៃដំណើរការសរសេរបានរងផលប៉ះពាល់ ហើយការធ្វើសមកាលកម្មត្រូវចំណាយពេលយូរជាងនេះ ហើយជួនកាលថែមទាំងមិនអាចបញ្ចប់បាន។

យើងបានដឹងថា OLAP អាចដោះស្រាយបញ្ហាជាច្រើនដែលយើងកំពុងប្រឈមមុខ ហើយមិនអាចក្លាយជាដំណោះស្រាយ turnkey នៃ Footprint Analytics ជាពិសេសសម្រាប់បំពង់ដំណើរការទិន្នន័យ។ បញ្ហារបស់យើងកាន់តែធំ និងស្មុគ្រស្មាញ ហើយយើងអាចនិយាយបានថា OLAP ដូចជាម៉ាស៊ីនសំណួរតែមួយមិនគ្រប់គ្រាន់សម្រាប់យើងទេ។

4. ស្ថាបត្យកម្ម 3.0 Iceberg + Trino

សូមស្វាគមន៍មកកាន់ស្ថាបត្យកម្ម Footprint Analytics 3.0 ដែលជាការកែលម្អពេញលេញនៃស្ថាបត្យកម្មមូលដ្ឋាន។ យើងបានរចនាឡើងវិញនូវស្ថាបត្យកម្មទាំងមូលចាប់ពីមូលដ្ឋានឡើងដើម្បីបំបែកការផ្ទុក ការគណនា និងការសាកសួរទិន្នន័យជាបីផ្នែកផ្សេងគ្នា។ ទទួលយកមេរៀនពីស្ថាបត្យកម្មមុនពីរនៃ Footprint Analytics និងរៀនពីបទពិសោធន៍នៃគម្រោងទិន្នន័យធំៗដែលជោគជ័យផ្សេងទៀតដូចជា Uber, Netflix និង Databricks។

៤.១. សេចក្តីផ្តើមនៃបឹងទិន្នន័យ

ដំបូងយើងបង្វែរការយកចិត្តទុកដាក់របស់យើងចំពោះទិន្នន័យបឹង ដែលជាប្រភេទថ្មីនៃការផ្ទុកទិន្នន័យសម្រាប់ទាំងទិន្នន័យដែលមានរចនាសម្ព័ន្ធ និងមិនមានរចនាសម្ព័ន្ធ។ Data lake គឺល្អឥតខ្ចោះសម្រាប់ការរក្សាទុកទិន្នន័យនៅលើខ្សែសង្វាក់ ដោយសារតែទម្រង់នៃទិន្នន័យនៅលើខ្សែសង្វាក់យ៉ាងទូលំទូលាយពីទិន្នន័យឆៅដែលមិនមានរចនាសម្ព័ន្ធរហូតដល់ទិន្នន័យអរូបីដែលមានរចនាសម្ព័ន្ធ Footprint Analytics ត្រូវបានគេស្គាល់យ៉ាងច្បាស់សម្រាប់។ យើងរំពឹងថានឹងប្រើប្រាស់ Data lake ដើម្បីដោះស្រាយបញ្ហានៃការផ្ទុកទិន្នន័យ ហើយតាមឧត្ដមគតិវាក៏នឹងគាំទ្រដល់ម៉ាស៊ីនគណនាសំខាន់ៗដូចជា Spark និង Flink ផងដែរ ដូច្នេះវានឹងមិនឈឺចាប់ក្នុងការរួមបញ្ចូលជាមួយប្រភេទម៉ាស៊ីនដំណើរការផ្សេងៗ ដូចដែល Footprint Analytics វិវត្តន៍។ .

Iceberg រួមបញ្ចូលគ្នាយ៉ាងល្អជាមួយ Spark, Flink, Trino និងម៉ាស៊ីនគណនាផ្សេងទៀត ហើយយើងអាចជ្រើសរើសការគណនាសមស្របបំផុតសម្រាប់ម៉ែត្រនីមួយៗរបស់យើង។ ឧទាហរណ៍:

• សម្រាប់អ្នកដែលត្រូវការតក្កវិជ្ជាគណនាស្មុគស្មាញ Spark នឹងជាជម្រើស។
• Flink សម្រាប់ការគណនាតាមពេលវេលាជាក់ស្តែង។
• សម្រាប់កិច្ចការ ETL សាមញ្ញដែលអាចត្រូវបានអនុវត្តដោយប្រើ SQL យើងប្រើ Trino ។

៤.២. ម៉ាស៊ីនសួរ

ជាមួយនឹង Iceberg ដោះស្រាយបញ្ហាការផ្ទុក និងការគណនា យើងត្រូវគិតអំពីការជ្រើសរើសម៉ាស៊ីនសំណួរ។ មិនមានជម្រើសច្រើនទេ។ ជម្មើសជំនួសដែលយើងបានពិចារណាគឺ

អ្វី​ដែល​សំខាន់​បំផុត​ដែល​យើង​បាន​ពិចារណា​មុន​នឹង​ចូល​ទៅ​កាន់​តែ​ស៊ីជម្រៅ​គឺ​ម៉ាស៊ីន​សំណួរ​អនាគត​ត្រូវ​តែ​ត្រូវ​គ្នា​ជាមួយ​នឹង​ស្ថាបត្យកម្ម​បច្ចុប្បន្ន​របស់​យើង។

• ដើម្បីគាំទ្រ Bigquery ជាប្រភពទិន្នន័យ
• ដើម្បីគាំទ្រ DBT ដែលយើងពឹងផ្អែកលើម៉ែត្រជាច្រើនដែលត្រូវផលិត
• ដើម្បីគាំទ្រ BI ឧបករណ៍ metabase

ដោយផ្អែកលើអ្វីដែលបានរៀបរាប់ខាងលើ យើងបានជ្រើសរើស Trino ដែលមានការគាំទ្រយ៉ាងល្អសម្រាប់ Iceberg ហើយក្រុមការងារបានឆ្លើយតបយ៉ាងខ្លាំង ដែលយើងបានលើកឡើងនូវកំហុសមួយ ដែលត្រូវបានជួសជុលនៅថ្ងៃបន្ទាប់ និងចេញផ្សាយជាកំណែចុងក្រោយបំផុតនៅសប្តាហ៍បន្ទាប់។ នេះគឺជាជម្រើសដ៏ល្អបំផុតសម្រាប់ក្រុម Footprint ដែលទាមទារឱ្យមានការឆ្លើយតបខ្ពស់ក្នុងការអនុវត្តផងដែរ។

៤.៣. ការធ្វើតេស្តការអនុវត្ត

នៅពេលដែលយើងបានសម្រេចចិត្តលើទិសដៅរបស់យើង យើងបានធ្វើតេស្តការអនុវត្តលើការរួមផ្សំ Trino + Iceberg ដើម្បីមើលថាតើវាអាចបំពេញតម្រូវការរបស់យើង និងការភ្ញាក់ផ្អើលរបស់យើងដែរឬទេ សំណួរគឺលឿនមិនគួរឱ្យជឿ។

ដោយដឹងថា Presto + Hive គឺជាអ្នកប្រៀបធៀបដ៏អាក្រក់បំផុតអស់ជាច្រើនឆ្នាំនៅក្នុងការឃោសនាបំផ្លើស OLAP ទាំងអស់ ការរួមបញ្ចូលគ្នានៃ Trino + Iceberg បានបំផ្ទុះគំនិតរបស់យើងទាំងស្រុង។

នេះគឺជាលទ្ធផលនៃការធ្វើតេស្តរបស់យើង។

ករណីទី១៖ ចូលរួមជាមួយសំណុំទិន្នន័យធំ

តារាង 800 GB1 ភ្ជាប់ជាមួយតារាង 50 GB ផ្សេងទៀត ហើយធ្វើការគណនាអាជីវកម្មដ៏ស្មុគស្មាញ

ករណីទី 2៖ ប្រើតារាងធំមួយដើម្បីធ្វើសំណួរដាច់ដោយឡែក

សាកល្បង sql៖ ជ្រើសរើស distinct (អាសយដ្ឋាន) ពីក្រុមតារាងតាមថ្ងៃ

ការរួមបញ្ចូលគ្នានៃ Trino + Iceberg គឺលឿនជាង Doris ប្រហែល 3 ដងក្នុងការកំណត់ដូចគ្នា។

លើសពីនេះទៀត មានការភ្ញាក់ផ្អើលមួយទៀត ដោយសារតែ Iceberg អាចប្រើប្រាស់ទម្រង់ទិន្នន័យដូចជា Parquet, ORC ជាដើម ដែលនឹងបង្រួម និងរក្សាទុកទិន្នន័យ។ ការផ្ទុកតារាងរបស់ Iceberg ចំណាយត្រឹមតែ 1/5 នៃទំហំផ្ទុកទិន្នន័យផ្សេងទៀត ទំហំផ្ទុកនៃតារាងដូចគ្នានៅក្នុងមូលដ្ឋានទិន្នន័យទាំងបីមានដូចខាងក្រោម៖

ចំណាំ៖ ការធ្វើតេស្តខាងលើគឺជាឧទាហរណ៍ដែលយើងបានជួបប្រទះនៅក្នុងការផលិតជាក់ស្តែង ហើយសម្រាប់តែឯកសារយោងប៉ុណ្ណោះ។

៤.៤. បង្កើនប្រសិទ្ធភាព

របាយការណ៍សាកល្បងដំណើរការបានផ្តល់ឱ្យយើងនូវការអនុវត្តគ្រប់គ្រាន់ ដែលវាចំណាយពេលក្រុមរបស់យើងប្រហែល 2 ខែដើម្បីបញ្ចប់ការផ្ទេរ ហើយនេះគឺជាដ្យាក្រាមនៃស្ថាបត្យកម្មរបស់យើងបន្ទាប់ពីការធ្វើឱ្យប្រសើរឡើង។

• ម៉ាស៊ីនកុំព្យូទ័រជាច្រើនត្រូវនឹងតម្រូវការផ្សេងៗរបស់យើង។
• Trino គាំទ្រ DBT ហើយអាចសាកសួរ Iceberg ដោយផ្ទាល់ ដូច្នេះយើងមិនចាំបាច់ដោះស្រាយជាមួយការធ្វើសមកាលកម្មទិន្នន័យទៀតទេ។
• ការសម្តែងដ៏អស្ចារ្យរបស់ Trino + Iceberg អនុញ្ញាតឱ្យយើងបើកទិន្នន័យ Bronze ទាំងអស់ (ទិន្នន័យឆៅ) ដល់អ្នកប្រើប្រាស់របស់យើង។

5 ។ សេចក្តីសង្ខេប

ចាប់តាំងពីការបើកដំណើរការរបស់ខ្លួនក្នុងខែសីហា ឆ្នាំ 2021 ក្រុម Footprint Analytics បានបញ្ចប់ការធ្វើឱ្យប្រសើរឡើងនូវស្ថាបត្យកម្មចំនួនបីក្នុងរយៈពេលតិចជាងមួយឆ្នាំកន្លះ ដោយសារបំណងប្រាថ្នា និងការប្តេជ្ញាចិត្តដ៏មុតមាំរបស់ខ្លួនក្នុងការនាំយកអត្ថប្រយោជន៍នៃបច្ចេកវិទ្យាមូលដ្ឋានទិន្នន័យដ៏ល្អបំផុតដល់អ្នកប្រើប្រាស់គ្រីបតូ និងការប្រតិបត្តិដ៏រឹងមាំលើការអនុវត្ត និង ធ្វើឱ្យប្រសើរឡើងនូវហេដ្ឋារចនាសម្ព័ន្ធ និងស្ថាបត្យកម្មមូលដ្ឋានរបស់វា។

ការអាប់ដេតស្ថាបត្យកម្ម Footprint Analytics 3.0 បានទិញបទពិសោធន៍ថ្មីដល់អ្នកប្រើប្រាស់របស់ខ្លួន ដែលអនុញ្ញាតឱ្យអ្នកប្រើប្រាស់មកពីមជ្ឈដ្ឋានផ្សេងៗគ្នា ទទួលបានការយល់ដឹងអំពីការប្រើប្រាស់ និងកម្មវិធីចម្រុះកាន់តែច្រើន៖

• បង្កើតឡើងដោយឧបករណ៍ Metabase BI, Footprint សម្របសម្រួលអ្នកវិភាគឱ្យចូលប្រើទិន្នន័យនៅលើខ្សែសង្វាក់ដែលបានឌិកូដ រុករកដោយមានសេរីភាពពេញលេញនៃជម្រើសនៃឧបករណ៍ (គ្មានកូដ ឬ hardcord) សាកសួរប្រវត្តិទាំងមូល និងសំណុំទិន្នន័យឆ្លងកាត់ការពិនិត្យ ដើម្បីទទួលបានការយល់ដឹងនៅក្នុង គ្មាន​ពេល។
• រួមបញ្ចូលទាំងទិន្នន័យនៅលើខ្សែសង្វាក់ និងក្រៅខ្សែសង្វាក់ ទៅនឹងការវិភាគនៅទូទាំង web2 + web3;
• តាមរយៈការកសាង/សំណួរម៉ែត្រនៅលើកំពូលនៃអរូបីអាជីវកម្មរបស់ Footprint អ្នកវិភាគ ឬអ្នកអភិវឌ្ឍន៍សន្សំពេលវេលាលើ 80% នៃការងារដំណើរការទិន្នន័យដដែលៗ ហើយផ្តោតលើការវាស់វែងប្រកបដោយអត្ថន័យ ការស្រាវជ្រាវ និងដំណោះស្រាយផលិតផលដោយផ្អែកលើអាជីវកម្មរបស់ពួកគេ។
• បទពិសោធន៍គ្មានថ្នេរពី Footprint Web ទៅ REST API calls ទាំងអស់ផ្អែកលើ SQL
• ការជូនដំណឹងតាមពេលវេលាជាក់ស្តែង និងការជូនដំណឹងដែលអាចធ្វើសកម្មភាពបានលើសញ្ញាសំខាន់ៗ ដើម្បីគាំទ្រការសម្រេចចិត្តវិនិយោគ