淘系数据模型治理优秀实践

作者：匿名来源：大数据点击数：285发布时间： 2022-12-09 20:50:41

标签：数据治理

　　本次分享题目为淘系数据模型治理，主要介绍过去一年淘系数据治理工作的一些总结。

　　具体将围绕以下4部分展开

　　1模型背景&问题

　　2问题分析

　　3治理方案

　　4未来规划

　　模型背景&问题

　　1.整体情况

　　首先介绍一下淘系的整体数据背景。

　　淘系的数据中台成立至今已有7年左右，一直未作数据治理，整体数据生成构成比为：人工创建(22%)+机器生成78%。其中活跃数据占比：9%，不规范数据占比：21%。

　　数据活跃以倒三角形状分布，整体分布比例为ads:dws:dwd:dim=8:2:1:1，分布还算合理。

　　上图中下半部分是模型的生命周期，增长和留存情况。淘系的业务还属于快速变化中，模型变化比较快。模型生命周期为25个月，模型年增长比例30%，模型留存44%。

　　2.公共层

　　公共层两大核心问题为：

　　首先，公共层表复用性不高。在2014年的时候公共层还比较规范，但可持续性不强。随着时间流逝，业务增长和变化，复用性就逐年降低。因为大部分的数据是应用层做的，他们会开发自己的公共层，复用性降低，大部分都是无效表。

　　另外，公共数据表在各个团队分布不合理。这是由于数据团队多，为了满足业务开发效率，每个团队都有自己的公共表，容易出现公共表复用占比低，重复建设的场景。其中淘宝数据团队负责最多的公共数据表。

　　3.应用层分析

　　应用层的主要问题包括：

　　第一，公共层建设不足或公共层透出不足。随着时间增长，公共层的指标不能满足ads层的业务需要，ads复用指标逻辑没有下层，引用cdm层的ads表占比逐年降低，引用ads的ads表占比逐年增高。

　　第二，较多的ads表共性逻辑未下沉，统计显示超过17.63%ads表被下游ads复用。

　　第三，跨集市依赖严重，统计显示，整体跨集市依赖占比为30%，特别是大进口和淘宝数据跨集市依赖达到了40%，影响模型的稳定性，影响了模型的下线、修改。

　　问题分析

　　1.问题汇总

　　以上这副图是简化后的数据模型，我们可以发现存在很多不规范问题影响了模型的稳定性。业务在快速发展的情况下，为了快速响应业务需求，产生模型问题是必然的。日常工作中，数据研发流程大致如下，接到业务需求，直接引用ODS层表开发ADS数据，待数据需要复用的时候就把逻辑沉淀到公共层，同理指标也会有类似情况。主要问题可以归纳为七点：

　　1.系统临时表多，只增不删，对于消费侧影响较大，因为表量巨大，有效比例低，很难检索到;

　　2.命名不规范;

　　3.公共层过度设计;

　　4.ADS重复建设;

　　5.ADS跨集市依赖;

　　6.ADS共性未下沉;

　　7.ADS穿透依赖ODS。

　　2.原因分析

　　从问题分类上看，主要有三大类问题：规范性问题，公共层复用性问题和应用层复用性问题。

　　从问题原因上看，主要有四大类原因：架构规范，流程机制，产品工具，以及研发能力。

　　3.模型治理的问题

　　模型治理的挑战：

　　1.业务价值不明显，治理带来的是长期价值，短期对业务影响不大。

　　2.治理协作复杂，治理需要ODS、CDM、ADS层多人多团队协作

　　3.问题治理难根治，容易出现新模型依赖有问题模型

　　4.模型平均生命周期不长(25个月)

　　综上所述，模型治理的ROI比较低，我们的问题就是如何模型治理才最高效?

　　治理方案

　　1.整体方案

　　基于以上的问题原因分析，我们制定了如下治理方案。

　　核心策略为以下三点：

　　1：盘点存量，掌握数据的整体情况

　　2：规范增量，避免新增模型走老路，重复出现相同问题，考虑到数据的生命周期，历史数据可以先不管。

　　3：日常治理保健康，以数据化驱动长期治理

　　2.机制规范

　　架构分层标准

　　往年我们关注的是数据视角，今年关注的是业务视角，业务视角核心诉求主要有四点，交付效率、产出时效、质量可靠、成本可控。过去OneData定义了每一层的作用，但每个层次的分工定位不清晰，针对这些问题重新做了清晰的定义。

　　应用层核心是专注支持业务，需要考虑研发效率、交付数据口径一致性和稳定性。

　　通过集市规范来控制复杂度，通过轻度聚合的中间层确保口径统一，通过扁平化设计确保稳定。

　　公共层的核心是抽象复用来提升效率，需要考虑易用性和稳定性。通过规范和冗余宽表提升复用性，通过解耦来确保稳定性。

　　ODS层的核心是合规高效，需要考虑接入效率和性能稳定。通过工具化提升效率、优化治理确保性能的稳定。特别是在数据达到一定量之后要考虑采用merge的方式接入数据。

　　集市划分规范

　　数据集市，是用来满足特定部门或者用户的需求，按照多维的方式进行存储。通过对相似数据业务场景内聚进行抽象分类，以降低ADS层重复建设和数据管理复杂度，让应用研发更聚焦更高效。

　　集市划分的原则有以下两点：

　　原则一：以业务场景或者服务对象作为划分原则，对相似数据业务场景内聚抽象进行分类。

　　原则二：集市划分需要统一标准，尽量符合MECE原则。

　　公共层共建机制

　　在建设公共层的建设过程中，我们通常会遇到以下两个痛点：

　　1.应用研发的痛点：公共层相应效率低。

　　2.公共层研发的痛点：如果统一承接开发工作，涉及的业务很广泛，研发资源不足。

　　为了解决以上两个痛点，我们通过以下核心原则来解决：

　　原则一：公共层开放共建，事后审计治理

　　应用开发整理需求，把需要下沉的公共维度提给公共层研发，公共开发需求评估。

　　原则二：以应用需求驱动，设计开发共建以需求为驱动，拆分出核心模型和非核心模型，核心模型公共研发负责，非核心模型由业务开发进行，共同开发以提高效率。

　　原则三：公共层研发统一运维保障

　　非核心模型上线并完成相关测试(准确性、确定性、治理)后转交给公共层研发，由公共层统一运维。

　　3.智能建模

　　在数据治理中有数据规范与共建机制依然是不够的，还需要结合自动化工具来提升效率、保障规范。我们是从以下4个方面入手的(详情可以体验DataWorks的产品)：

　　1.数据体系目录结构化

　　2.模型设计线上化

　　3.打通研发流程(自动化生成简代码)

　　4.对接地图数据专辑

　　数据目录体系结构化

　　形成数据体系目录有利于了解掌握数据，分门别类的方式降低了大家的使用成本。

　　首先要对表命名做一些管控，我们做了可视化的表命名检测器，来确保规范性。另外，淘系不是一个单空间的数据体系，因此要解决跨多个空间的复杂数据体系的统一建模问题。

　　模型设计线上化

　　改变模型设计方式，由线下设计迁移到线上，通过一些自动化工具，提升效率，保证规范。

　　打通研发流程(自动化生成简代码)

　　模型迁移到线上后，打通研发流程自动生成简代码，生成代码框架，建表语句，显著提高了研发效率

　　对接地图数据专辑

　　形成相应的地图数据专辑，方便其他用户使用数据。

　　4.模型治理

　　打分模型

　　模型治理需要量化，如果没有量化全靠专家经验效率是非常低的，我们通过模型的指标形成到表级别的模型分。通过多维度对模型进行打分。

　　打分机制

　　精细化的打分机制，针对团队、数据域、核心进行打分，形成相应的标签。

　　整体流程

　　以数据驱动，上图左边，以模型评估数据为出发点，通过各个维度对模型进行评估，得到各个域、各个团队的评分，形成相应的问题标签。

　　以产品驱动，上图右边，通过专家经验判断新上线模型升级搜索权限、下线模型降权限，让业务迅速感知数据变化，引导业务。

　　未来规划

　　应用层效率

　　在整个数据体系中，应用层的数据体量是最大的，投入了大量的人力。OneData缺少对应用层的数据建设指导，集市高度耦合，给运维效率带来了不少问题，如跨集市依赖、依赖深度的问题。过去都是以业务为主导，为了保障研发效率放弃了部分研发规范，以后要完善应用层的研发规范，同时通过工具做好研发效率与规范的平衡。

　　架构规范管控

　　基于分层标准落地，对研发过程规范完善，包括对设计、开发、运维、变更、治理等规范进行细化。

　　目前核心是表命名规范，对依赖规范、代码规范、运维规范等管控能力尚不足。

　　产品工具提效

　　将继续与Dataworks共建。

　　1.应用层智能建模能力还不能满足研发效率要求，因此会继续功能提效;

　　2.数据测试功能集成;

　　3.数据运维功能升级;

　　4.事中数据治理能力构建(开发助手);

　　5.事后治理能力提效(批量删除、主动推送优化等);

　　6.数据地图，找数用数提效。

　　问答环节