|
|
# 06 | 数据模型无法复用，归根结底还是设计问题
|
|
|
|
|
|
你好，我是郭忆。
|
|
|
|
|
|
上一节课，我带你了解了数据中台如何管理指标，如果我们把指标比喻成一棵树上的果实，那模型就是这棵大树的躯干，想让果实结得好，必须让树干变得粗壮。
|
|
|
|
|
|
先来看一幕真实的场景。
|
|
|
|
|
|
大多数公司的分析师会结合业务做一些数据分析（需要用到大量的数据），通过报表的方式服务于业务部门的运营。但是在数据中台构建之前，分析师经常发现自己没有可以复用的数据，不得不使用原始数据进行清洗、加工、计算指标。
|
|
|
|
|
|
由于他们大多是非技术专业出身，写的SQL 质量比较差，我甚至见过5层以上的嵌套。这种SQL 对资源消耗非常大，会造成队列阻塞，影响其他数仓任务，会引起数据开发的不满。数据开发会要求收回分析师的原始数据读取权限，分析师又会抱怨数仓数据不完善，要啥没啥，一个需求经常要等一周甚至半个月。分析师与数据开发的矛盾从此开始。
|
|
|
|
|
|
这个矛盾的根源在于数据模型无法复用，数据开发是烟囱式的，每次遇到新的需求，都从原始数据重新计算，自然耗时。而要解决这个矛盾，就要搞清楚我们的数据模型应该设计成什么样子。
|
|
|
|
|
|
## 什么才是一个好的数据模型设计？
|
|
|
|
|
|
来看一组数据，这两个表格是基于元数据中心提供的血缘信息，分别对大数据平台上运行的任务和分析查询（Ad-hoc）进行的统计。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
下图是数仓分层架构图，方便你回忆数据模型分层的设计架构：
|
|
|
|
|
|
|
|
|
|
|
|
我们首先来看表1。表1中有2547张未识别分层的表，占总表6049的40%，它们基本没办法复用。 重点是在已识别分层的读表任务中，ODS：DWD：DWS：ADS的读取任务分别是1072：545：187：433，直接读取ODS 层任务占这四层任务总和的47.9%，这说明有大量任务都是基于原始数据加工，中间模型复用性很差。
|
|
|
|
|
|
我们再来看看表2，在已识别的分层的查询中，ODS：DWD：DWS：ADS的命中的查询分别是892：1008：152：305，有37.8%的查询直接命中ODS层原始数据，说明DWD、DWS、ADS层数据建设缺失严重。尤其是ADS和DWS，查询越底层的表，就会导致查询扫描的数据量会越大，查询时间会越长，查询的资源消耗也越大，使用数据的人满意度会低。
|
|
|
|
|
|
最后，我们进一步对ODS层被读取的704张表进行分解，发现有382张表的下游产出是DWS，ADS，尤其是ADS达到了323张表，占ODS层表的比例45.8%，说明有大量ODS层表被进行物理深加工。
|
|
|
|
|
|
**通过上面的分析，我们似乎已经找到了一个理想的数仓模型设计应该具备的因素，那就是“数据模型可复用，完善且规范”。**
|
|
|
|
|
|
|
|
|
|
|
|
### 如何衡量完善度
|
|
|
|
|
|
**DWD 层完善度：**衡量DWD层是否完善，最好看ODS层有多少表被DWS/ADS/DM层引用。因为DWD以上的层引用的越多，就说明越多的任务是基于原始数据进行深度聚合计算的，明细数据没有积累，无法被复用，数据清洗、格式化、集成存在重复开发。因此，我提出用跨层引用率指标衡量DWD的完善度。
|
|
|
|
|
|
> 跨层引用率：ODS层直接被DWS/ADS/DM层引用的表，占所有ODS层表（仅统计活跃表）比例。
|
|
|
|
|
|
跨层引用率越低越好，在数据中台模型设计规范中，我们要求不允许出现跨层引用，ODS层数据只能被DWD 引用。
|
|
|
|
|
|
**DWS/ADS/DM 层完善度：**考核汇总数据的完善度，我认为主要看汇总数据能直接满足多少查询需求（也就是用汇总层数据的查询比例衡量）。如果汇总数据无法满足需求，使用数据的人就必须使用明细数据，甚至是原始数据。
|
|
|
|
|
|
> 汇总数据查询比例：DWS/ADS/DM层的查询占所有查询的比例。
|
|
|
|
|
|
你要明确的是，这个跟跨层引用率不同，汇总查询比例不可能做到100%，但值越高，说明上层的数据建设越完善，对于使用数据的人来说，查询速度和成本会减少，用起来会更爽。
|
|
|
|
|
|
### 如何衡量复用度
|
|
|
|
|
|
数据中台模型设计的核心是追求模型的复用和共享，通过元数据中心的数据血缘图，我们可以看到，一个比较差的模型设计，自下而上是一条线。而一个理想的模型设计，它应该是交织的发散型结构。
|
|
|
|
|
|
|
|
|
|
|
|
我提出用模型引用系数作为指标，衡量数据中台模型设计的复用度。引用系数越高，说明数仓的复用性越好。
|
|
|
|
|
|
> 模型引用系数：一个模型被读取，直接产出下游模型的平均数量。
|
|
|
|
|
|
比如一张DWD层表被5张DWS 层表引用，这张DWD层表的引用系数就是5，如果把所有DWD层表（有下游表的）引用系数取平均值，则为DWD层表平均模型引用系数，一般低于2比较差，3以上相对比较好（经验值）。
|
|
|
|
|
|
### 如何衡量规范度
|
|
|
|
|
|
表1中，超过40%的表都没有分层信息，在模型设计层面，这显然是不规范的。除了看这个表有没有分层，还要看它有没有归属到主题域（例如交易域）如果没有归属主题域，就很难找到这张表，也无法复用。
|
|
|
|
|
|
其次，你要看表的命名。拿stock这个命名为例，当你看到这个表时，知道它是哪个主题域、业务过程？是全量数据的表，还是每天的增量数据？总的来说，通过这个表名获取的信息太有限了。一个规范的表命名应该包括主题域、分层、表是全量快照，还是增量等信息。
|
|
|
|
|
|
除此之外，如果在表A中用户ID的命名是UserID，在表B中用户ID 命名是ID，就会对使用者造成困扰，这到底是不是一个东西。所以我们要求相同的字段在不同的模型中，它的命名必须是一致的。
|
|
|
|
|
|
**讲了这么多，你要如何吸收经验呢？在这里，我给你几点建议。**
|
|
|
|
|
|
* 你可以拿着这些指标去评估一下，自己的数仓现状如何。
|
|
|
* 然后制订一些针对性的改进计划，比如把这些不规范命名的表消灭掉，把主题域覆盖的表比例提高到90%以上。
|
|
|
* 在尝试完一段时间的模型重构和优化后，再拿着这些指标去测一测是不是真的变好了。我见过很多数据开发在向上级汇报工作时，喜欢用重构了多少模型说明工作成果，很多老大会想，这些重构到底对数据建设有多少帮助？有没有一些量化的指标可以衡量？**我想有上面的知识，你可以应对这个问题了。**
|
|
|
|
|
|
现在你知道什么是好的数仓设计了，可目前已经存在了大量烟囱式开发，具体怎么做才能让它变成一个数据中台呢？
|
|
|
|
|
|
## 如何从烟囱式的小数仓到共享的数据中台
|
|
|
|
|
|
建设数据中台本质就是构建企业的公共数据层，把原先分散的、烟囱式的、杂乱的小数仓，合并成一个可共享、可复用的数据中台（我在[03讲](https://time.geekbang.org/column/article/220290)提到过，建议你回顾一下）。结合我在网易的实践经验，我给你几点建议。
|
|
|
|
|
|
**第一，接管ODS层，控制源头。**
|
|
|
|
|
|
ODS是业务数据进入数据中台的第一站，是所有数据加工的源头，控制住源头，才能从根本上防止一个重复的数据体系的出现。
|
|
|
|
|
|
数据中台团队必须明确职责，全面接管ODS 层数据，从业务系统的源数据库权限入手，确保数据从业务系统产生后进入数据仓库时，只能在数据中台保持一份。这个可以跟业务系统数据库管理者达成一致，只有中台团队的账号才能同步数据。
|
|
|
|
|
|
ODS层表的数据必须和数据源的表结构、表记录数一致，高度无损，对于ODS 层表的命名采用ODS\_业务系统数据库名\_业务系统数据库表名方式，比如ods\_warehous\_stock，warehous是业务系统数据库名，stock是该库下面的表名。
|
|
|
|
|
|
**第二，划分主题域，构建总线矩阵。**
|
|
|
|
|
|
主题域是业务过程的抽象集合。可能这么讲，稍微有点儿抽象，但其实业务过程就是企业经营过程中一个个不可拆分的行为事件，比如仓储管理里面有入库、出库、发货、签收，都是业务过程，抽象出来的主题域就是仓储域。
|
|
|
|
|
|
|
|
|
|
|
|
主题域划分要尽量涵盖所有业务需求，保持相对稳定性，还具备一定的扩展性（新加入一个主题域，不影响已经划分的主题域的表）。
|
|
|
|
|
|
主题域划分好以后，就要开始构建总线矩阵，明确每个主题域下的业务过程有哪些分析维度，举个例子：
|
|
|
|
|
|
|
|
|
|
|
|
**第三，构建一致性维度。**
|
|
|
|
|
|
售后团队的投诉工单数量有针对地区的分析维度，而配送团队的配送延迟也有针对地区的分析维度，你想分析因为配送延迟导致的投诉增加，但是两个地区的分析维度包含内容不一致，最终会导致一些地区没办法分析。所以我们构建全局一致性的维表，确保维表只存一份。
|
|
|
|
|
|
**维度统一的最大的难题在于维度属性（如果维度是商品，那么商品类别、商品品牌、商品尺寸等商品的属性，我们称为维度属性）的整合。**是不是所有维度属性都要整合到一个大的维表中，也不见得，我给你几个建议。
|
|
|
|
|
|
* 公共维度属性与特有维度属性拆成两个维表。在自营平台中，通常也会有一些第三方的商家入驻，但是数量很少。大部分商品其实都没有店铺的属性，这种情况，就不建议将店铺和商品的其他维度属性，比如商品类别、品牌设计成一个维表。
|
|
|
|
|
|
* 产出时间相差较大的维度属性拆分单独的维表，比如有些维度属性产出时间在凌晨2点，有些维度属性产出时间在凌晨6点，那2点和6点的就可以拆成两个维表，确保核心维表尽早产出。
|
|
|
|
|
|
* 出于维表稳定性产出的考虑，你可以将更新频繁的和变化缓慢的进行拆分，访问频繁的和访问较少的维表进行拆分。
|
|
|
|
|
|
|
|
|
对于维表的规范化命名，建议你用“DIM\_主题域\_描述\_分表规则”方式。**分表你可以这样理解：**一个表存储几千亿行记录实在是太大了，所以需要把一个表切割成很多小的分区，每天或者每周，随着任务被调度，会生成一个分区。我提供给你一个常见的分区规则（这个规则你在用的时候，查阅就可以了）。
|
|
|
|
|
|
|
|
|
|
|
|
**第四，事实表整合。**
|
|
|
|
|
|
我觉得事实表整合遵循的最基本的一个原则是，统计粒度必须保持一致，不同统计粒度的数据不能出现在同一个事实表中。来看一个例子：
|
|
|
|
|
|
|
|
|
|
|
|
在数据中台构建前，供应链部门、仓储部门和市场部门都有一些重复的事实表，我们需要将这些重复的内容进行去除，按照交易域和仓储域，主题域的方式进行整合。
|
|
|
|
|
|
|
|
|
|
|
|
对于仓储部门和供应链部门都有的库存明细表，因为仓储部门的统计粒度是商品加仓库，而供应链部门的只有商品，所以原则上两个表是不能合并，而是应该独立存在。
|
|
|
|
|
|
|
|
|
|
|
|
对于市场部门和供应链部门的两张下单明细表，因为统计粒度都是订单级别，都归属于交易域下的下单业务过程，所以可以合并为一张事实表。
|
|
|
|
|
|
除此之外，还应该考虑将不全的数据补齐。对于ODS 层直接被引用产出DWS/ADS/DM层的任务，通过血缘，找到任务清单，逐个进行拆解。没有ODS对应的DWD的，应该生成DWD表，对于已经存在的，应该迁移任务，使用DWD层表。
|
|
|
|
|
|
|
|
|
|
|
|
DWD/DWS/ADS/DM的命名规则适合采用“\[层次\]\[主题\]\[子主题\]\[内容描述\]\[分表规则\]”的命名方式。
|
|
|
|
|
|
**第五，模型开发。**
|
|
|
|
|
|
模型设计完成后，就进入模型开发阶段，我想提几个你需要注意的点：
|
|
|
|
|
|
1. 所有任务都必须严格配置任务依赖，如果没有配置任务依赖，会导致前一个任务没有正常产出数据的情况下，后一个任务被调度起来，基于错误的数据空跑，浪费资源，同时增加了排查故障的复杂度；
|
|
|
2. 任务中创建的临时表，在任务结束前应该删除，如果不删除，会发现有大量的临时表存在，占用空间；
|
|
|
3. 任务名称最好跟表名一致，方便查找和关联；
|
|
|
4. 生命周期的管理，对于ODS和DWD，一般尽可能保留所有历史数据，对于
|
|
|
DWS/ADS/DM 需要设置生命周期，7～30天不等；
|
|
|
5. DWD 层表宜采用压缩的方式存储，可用lzo压缩。
|
|
|
|
|
|
**第六，应用迁移。**
|
|
|
|
|
|
最后一步就是应用的迁移，这个过程的核心是要注意数据的比对，确保数据的完全一致，然后进行应用迁移，删除老的数据表。
|
|
|
|
|
|
总的来说，建设数据中台不是一口气就能吃成一个胖子，它的建设往往是滚雪球的方式，随着一个个应用的迁移，中台的数据也越来越丰满，发挥的价值也越来越大。
|
|
|
|
|
|
## 数仓建模工具EasyDesign
|
|
|
|
|
|
当然了，这些步骤的实现，离不开一个好用的工具作为支撑，为了规范化数据模型的设计，我们研发了EasyDesign的模型设计产品，让这些流程实现系统化管理。而我希望你了解如何去设计这个工具，或者在选用工具的时候应该考虑有哪些功能。
|
|
|
|
|
|
|
|
|
|
|
|
EasyDesign 构建于元数据中心之上，通过API调用元数据中心的数据血缘接口，结合数仓模型设计的指标，给出了模型设计度量。
|
|
|
|
|
|
|
|
|
|
|
|
EasyDesign按照主题域、业务过程、分层的方式管理所有的模型。
|
|
|
|
|
|
|
|
|
|
|
|
它还提供了维度、度量和字段基础字典的管理，同时具备模型设计审批流程的控制。
|
|
|
|
|
|
## 课堂总结
|
|
|
|
|
|
本节课，我结合自己的经验，带你了解了数据中台的模型设计。从确立设计目标，到通过一系列步骤，将一个个分散的、杂乱的、烟囱式的小数仓逐步规整到一个可复用、可共享的数据中台，最后通过产品化的方式实现系统化的管理。在最后，我想再强调几个点：
|
|
|
|
|
|
* 完善度、复用度和规范度构成了衡量数据中台模型设计的度量体系，可以帮助你评估数仓设计的好坏。
|
|
|
* 维度设计是维度建模的灵魂，也是数据中台模型设计的基础，维度设计的核心是构建一致性维度。
|
|
|
* 事实表的统计粒度必须保持一致，不同统计粒度的数据不能出现在同一个事实表中。
|
|
|
|
|
|
你要知道，数据中台的构建往往需要花费半年甚至一年以上的时间，但是数据中台建成后，对研发效率的提升效果非常明显，在网易电商业务中，中台构建后相比构建前，数据需求的平均交付时间从一周缩短到3天内，需求响应速度的提升，为企业运营效果提升提供了数据支撑。我相信通过数据中台的构建，你所在企业的数据研发效率也会得到大幅度的提升。
|
|
|
|
|
|
|
|
|
|
|
|
## 思考时间
|
|
|
|
|
|
在数据中台实际实施落地的过程中，数据团队不但要建设公共数据层，形成数据中台，还要承担着巨大的新需求的压力。而且，往往需求的优先级都高于建设公共数据层的优先级，导致中台建设的进度难以保障。 对这个问题，你有什么解决方法呢？
|
|
|
|
|
|
最好，感谢你的阅读，如果这节课让你有所收获，也欢迎你将它分享给更多的朋友。
|
|
|
|