阿里数据整合和数据管理体系解读.docVIP

PAGE2 / NUMPAGES3 .. 前段时间给大家推荐了《大数据之路--阿里巴巴大数据实践》，这本书确实内容非常详实，全是干货，值得反复品味。刚刚看完第9章，讲的是数据整合及管理体系，觉得非常好，设计得非常精妙，只看看觉得还不能深刻理解，遂做个读书笔记按照自己理解重构整理一遍，同时补充上自己的解读分享给大家，推荐给准备搭建数据产品或者数据平台的人。 传统企业的业务变化相对不快，但使用一般的表格文档来管理数据过程也已经越来越困难，更何况互联网这样迅速变化的业务，做好数据整理及管理的难度可想而知，但阿里的数据团队还是形成了完成的方法体系，并把其工具化。也只有完备方法体系下构建的工具能满足复杂的数据管理需求。 阿里大数据建设方法论的核心就是，从业务架构设计到模型设计，从数据研发到数据服务，做到数据可管理、可追溯、可规避重复建设。目标是建设统一的、规范的数据接入层（ODS）和数据中间层（DWD 和 DWS），通过数据服务和数据产品，完成服务于阿里巴巴的大数据系统建设。所以数据管理体系是包含具体的方法论以及相关的产品两个部分，通过产品把方法论固化为标准的流程和操作，达到数据管理的目的。 数据体系架构 数据管理体系包括了业务板块划分、数据域提炼、业务过程梳理、原子指标/度量定义、派生指标定义及管理，维度分析整理以及数据模型的设计。通过下面的体系架构图来看看数据体系建设的过程、以及每一步做什么和如何做。另外，如何定义每个术语的涵义，准确定义术语非常关键，有时候描述不清楚复杂的流程、场景最根本是因为对其中的一些概念没有非常很好的厘清。 业务板块： 根据业务的属性划分出相对独立的业务板块，业务板块间指标和业务重叠性较低，比如电商板块涵盖淘宝、天猫、天猫国际、B2B系，金融板块涵盖支付宝、花呗、蚂蚁微贷等。业务板块非常宏观，可以想象成贾不死的7大生态。 规范定义：结合行业的数据仓库建设经验和阿里数据自身的特点，设计出的一套过程方法和数据规范命名体系，规范定义将用于模型设计中。规范定义指以维度建模作为理论基础，构建总线矩阵，划分和定义数据域、业务过程、原子指标/度量、修饰类型、修饰词、时间周期、派生指标规则，下图是它们之间的关系，以及具体实例。 规范定义实例 模型设计：以建模理论为基础，基于维度建模总线架构，构建一致性的维度和事实，同时设计出一套表命名规范系统。维度建模理论很多书上都讲过，这里就不单独整理了。 术语定义及说明 我们重点说说数据域、业务过程、修饰词、原子指标、派生指标。 数据域：是面向业务分析的，将业务过程或者维度进行抽象组合的集合。其中业务过程是一个个不可拆分的行为事件，在业务过程之下定义指标；维度是指度量的环境，如买家下单事件，买家是维度，订单数量是度量。数据域是抽象提炼出来的，并且不轻易变动，既能涵盖当前所有业务的业务需要，又能在新业务进入时无影响的分配到已有的数据域中，如果所有分类都不合适才会扩展新的数据域。数据域不同于产品的功能模块和业务线，是从分析的角度来组织数据指标、维度，功能模块是面向用户功能和管理功能的分类。从下面的两个表格能很清楚的看出不同，功能模块和业务线是随时扩展的。 那么划分数据域有什么作用呢？主要是因为经过抽象后数据域相对功能模块和业务过程来说少很多，是有效归纳、组织业务过程的方式、同时方便定位指标/度量。 业务过程：指企业的业务活动事件，如下单、支付、退款都是业务过程，这里要注意，业务过程是一个不可拆分的行为事件。 修饰词：指除了统计维度以外的对指标进行限定抽象的业务场景词语，修饰词隶属于一个修饰类型，如在日志域的访问终端类型下，有修饰词PC端、无线端，有点像属性名和具体属性值的意思。修饰类型是为了方便管理、使用修饰词。 原子指标：和度量含义相同，基于某一业务时间行为下的度量，不可拆分的指标，具有明确业务含义的名词，如支付金额。原子指标有确定的字段名称（中英文）、数据类型、算法说明、所属的数据域和业务过程。原子指标名称 = 动作 + 度量， 例如支付金额、注册用户数 。除了这些标准度量值的原子指标，还有些是为了派生指标而建的原子指标，后面讲派生规则时会说到，例如排名型的 top_xxx_xxx 。 派生指标：?= 一个原子指标 + 多个修饰词 + 时间周期 。可以理解为对原子指标业务统计范围的圈定，说总支付金额是个笼统的高度概括的汇总指标，其业务范围时间并不明确。 加上修饰词后的派生指标如： 最近 1 天北京买家支付金额（最近1天是时间周期、北京是修饰词、买家作为维度）。派生指标的英文名 = 原子指标英文名 ?+ ?时间周期修饰词 + 序号（_002）；中文名由时间周期修饰词 + 【其它修饰词】+ 原子指标 。 下图是常用的时间周期修饰词，整理的非常详细 最后说说派生指标的类型和不同类型指标的生成