网易严选数据仓库规范化之路

数据为王的时代，数据量从最初的几十G，慢慢沉淀到几十T，甚至几十PB的量。数据工程师，也从最初的ETL工程师慢慢成长为数据全栈工程师：采集、同步、模型、离线、实时、规范、平台、工具、产品、交互、保障、数据体系等等。

数据仓库，是我们数据工程师的无形产品，不同于可视化、交互型产品的评价体系：拥有比较明确的评价指标MAU、DAU、GMV等。数据仓库一直没有比较系统的评价体系，下面从概念-平台-规范的链路来介绍一下严选数据仓库，最后跟大家交流一下数据仓库的评价体系。

数据仓库基本架构

这里概览讲一下严选数据仓库的分层逻辑，下面是严选数仓的框架图：

数据仓库分层没有绝对的规范，适合的就是最好的，特别是企业已经有一个初版的数仓的时候，需要做好改造成本和可理解性之间的平衡。

以业务数据的流向划分，目前严选数据把模型分为三层，ods，dw和dm层。其中ods是操作数据层，保留最原始的数据；dw包含dwd和dws层，这两层共同组成中间层；dm是应用层，基于dw层做汇总加工，满足各产品、分析师和业务方的需求。

• ODS层（操作数据层）：不对外开放，把业务系统数据同步到数仓。数据格式保留业务系统的数据格式；目前主要通过datahub解析binlog来实现的，目前严选的ods层数据同步主要以全量数据为主。

• DWD层（明细层）：对外开放，主要作用是沉淀一些公共的逻辑，常用维度属性的关联等，下游经常在一起使用的模型会在这一层做宽表处理，减少事实表和维表的关联，减少重复的关联加工。

• DWS层（汇总层）：对外开放，主要沉淀严选数据的公共指标，dws层是整个严选数据对外开放和使用的核心，是严选最核心的数据资产。

• DIM层（维表）：对外开放，主要是一些常用维表，比如商品维表、sku维表、渠道维表。

• DM层（应用层）：对产品开放使用，支持数据产品、报表的使用，主要是不公用复杂指标的汇总和计算。

数据仓库开发平台

严选数据仓库分离线和实时两部分。

离线部分由猛犸提供支持。猛犸是网易杭州研究院研发的一站式数据管理和应用开发平台，覆盖了大规模数据存储和计算、数据集成、应用开发及数据管理等企业大数据应用场景。

实时部分由Atom平台提供支持，Atom是严选产技自研的一款实时数据管理和开发平台。

严选数据仓库规范

在其他工种开发的眼里，数据仓库的入门门槛非常低，低到技术鄙视链的最末端：“噢……，他们就是写SQL的，他们整个团队都是写SQL的……”，顿时天空飘过一万匹神兽。曾经和未来都有很多人会来挑战数仓工程师存在的意义：“我也能干！”，但是实际情况是：naive！具体可参见严选数据仓库的架构图，这其中的每一个icon背后都有一套工具、平台，甚至于一个团队来支撑运转。

严选数据仓库是一套方法论，从规范定义、模型设计到数据服务，再到数据可管理、可追溯、可复用。严选数据仓库遵循维度建模理论，参考了阿里巴巴的Onedata建模理论，核心框架由三个规范组成：《严选-指标定义规范》 ，《严选-模型设计规范》和《严选-数据开发规范》，外层由辅助规范落地的若干工具、平台组成：仓颉-指标管理系统、燧人-指标地图系统、UDS-数据质量中心、EasyDesign-模型设计中心等。

1、指标定义规范

指标定义规范，目的是统一开发&产品对指标的定义。通过对原子指标的命名规则、派生指标的命名规则和派生词的定义来完成。

指标定义体系，是数据建设体系的基础和内核，为了杜绝产品经理命名引起的歧义，以及后续带来的使用和维护以及解释成本。

2、模型设计规范

模型设计规范，目的是统一数据开发对模型的命名定义。通过域+更新方式，域+维度+更新周期的方式来完成。

3、数据开发规范

数据开发规范，目的是提高数据开发的SQL开发能力。通过限制各级子查询的缩进形式，子查询的规范等来完成。

数据仓库评价体系

近期的一些思考跟大家做一个交流，一家之言，欢迎拍砖。

基本要求

数据安全和数据质量是数据仓库的生命线！不可逾越、不可触犯。

评价体系

下图是近期整理的严选数据仓库的6个评价角度

1.数据规范

数据规范，最终目的是提高开发的整体水平。遵循严选数据规范：《严选-指标定义规范》、《严选-模型设计规范》和《严选-数据开发规范》，同时由工具和平台来保障规范的落地并监督评估规范落地的效果。

2.数据安全

数据安全，这个命题怎么强调都不为过，特别是近期数据安全问题频发，51信用卡，大大小小的放贷公司。因此作为数据从业者，遵循《网易商业行为准则》，不对外泄露业务数据，时刻做到数据指间过，安全心中留。

3.数据质量

数据质量由数据本身的质量和数据建设质量两部分组成：

• 数据本身质量：数据开发对数据质量负责，保持对数据的敬畏心，结合《严选-线上故障定义规范》，通过故障等级和次数指标来量化考核。

• 数据建设质量：可以从两方面来考量：易用性和丰富性；易用性是结合数据规范来考量的：所有的数据都遵循严选数据规范，目的是降低数据的使用成本；丰富性是考量核心数据资产的广度：dw对外服务的应用数量，dw层管理的数据量，dw层本身跨层依赖的数量等。

4.数据稳定性

• 数据稳定性：建立完善数据仓库的值班制度，同时打通值班和故障平台，定期review数据本身问题导致的起夜的数量和影响面，量化考核具体开发。

• 平台稳定性：建立完善的数据仓库和平台值班制度，打通值班日志和故障系统，定期review平台问题导致的起夜数量和影响面，量化考核平台。

5.持续建设机制

• 沉淀机制：严选数据仓库已经建立了和分析师定期交流的机制，定期交流沉淀分析师的核心指标，不断丰富严选数据核心资产。

• 数据治理：有上有下，通过和猛犸合作打通逆向数据流，通过下线冷数据冷任务，推动开发治理不规范模型和数据，来达到规范模型和节约存储的目的。

6.数据开发效率

较前5个角度对比，数据开发效率较难量化，可以从两个方面来考量：开发规范的自动化程度和平台使用体验。

严选数仓评价实践

依照前文提到的6个角度，严选分别有与之对应的工具来支持。

1.数据规范

所有的数据规范，最终目的都是用来提高开发者的水平、提高代码的质量。在开发水平参差不齐的情况下，需要有平台工具保障规范的落地。在过去的一年中，我们和网易杭州研究院一起规划落地了Easydesign平台：辅助《严选-指标定义规范》和《严选-模型定义规范》的落地。

下图是依托Easydesign实现的模型设计线上化产品界面。

衡量数仓建设水平可以通过以下3个指标：总ods表被跨层依赖率，被跨层依赖的ods表数量，有下游ods表被跨层依赖率三个指标来完成。

2.数据安全

每年有很多因数据导致的资损问题产生，我们从数据的上线流程、测试工具、测试环境等三个方面入手，让过程合规，结果合法。

3.数据稳定性

严选和杭研共建的任务运维中心EasyTaskOps，实现智能基线预警，多基线精细化运维；目前我们4条基线完成率超过90%。

2020年上半年，严选和杭研共建了数据运维中心，上线了以下内容：

• 基线管理：通过任务历史执行情况，自动判断基线内任务逾期可能性，进行破线预警。

• 失败和逾期报警：对于失败和逾期的任务，可以配置电话、短信or邮件报警。

• 评价指标：基线完成率、出错任务数、处理及时率等来评价任务的稳定性。

4.持续建设机制

迭代更新、持续建设，这是衡量一个数据仓库活力的一个重要机制，我们通过指标一致性项目，梳理了数仓持续建设机制，数据紧跟业务成长，数据仓库才会保持活力。

通过和杭研一起推动Easycost升级，通过梳理存储相关规则、规范相关规则、计算相关规则、质量相关规则，上半年一共下线3.4w张表，节约了1.2PB的存储。

5.数据开发质量

通过Easydesign平台承接规范的落地，整个上半年数据开发通过平台新建200+dw层表，强有力的保障了规范的落地；我们的最终目标是通过各种方法策略来提高数据开发的素质，使用工具目的是帮助大家养成遵循规范的习惯。

6.数据开发效率

持续建设机制、数据规范的落地，最直接的反应就是数据开发效率的提升。严选全渠道数据基建项目中，交易域+商品域的离线+实时数据校验一次性通过，大大降低了数据开发的迭代修复成本。

总结

严选数据仓库以上6个方面沉淀了丰富的经验，从产品到实践。我们数据团队在2019年Q3完成了严选数据规范和SOP流程的制定，2020的Q1-Q2在积极推进相关产品迭代落地。我们相信在Q3-Q4会呈现一个数据更丰富，使用更便捷，保障更有力，响应更及时的数据仓库！

作者简介

乙峰：多年数据领域工作经验，专注数据架构、模型设计和规范执行落地等。严选数仓交易域负责人，负责交易域模型设计落地和对外服务。

学习资料

关注公众号回复："09"，即可获得ClickHouse资料合集。