关于大数据管理，你该知道的
随着大数据时代的悄然来临，大数据的价值逐步得到广泛认可。有效管理大数据，沉淀成数据资产，对内可实现数据资产增值，对外可实现数据共享变现，是企业的通用诉求。
然而，企业在管理底层数据时，经常会面临各种挑战：各业务系统分散，形成信息孤岛；未制定统一的数据标准；数据处理能力薄弱；数据没有互通互联，难以建立数据共享机制。
本文就来聊聊大数据管理的两个重要概念：数据仓库、数据治理。
（上）数据仓库
| 数据仓库是什么
数据仓库是基于数据库的建设过程，是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。
未建设数仓前，需要对多个源表进行查询分析，查询慢，数据质量差，无法进行高价值的数据分析。通过建设数仓，可以在一个地方快速访问多个系统源数据，快速响应OLAP分析；提高数据质量和一致性；能够提供历史的数据存储；更有利于进行数据价值挖掘和数据分析。
| 数据仓库与数据库区别
数据库是面向事物的设计，更关注业务交易处理（OLTP）；而数据仓库面向主题设计，更关注数据分析层面（OLAP）。
数据库一般存储在线交易数据，数据仓库反应的是历史信息，存储历史数据，不可修改。
数据库尽量避免冗余，而数据仓库有意冗余，通过空间换时间。
以银行业务为例，客户在银行的每笔交易需要写入数据库记录下来，起到“记账”的作用，是事物系统的数据平台；而数据仓库是分析系统的数据平台，它从事物系统获取数据并汇总加工，支持分析决策，如某分行每月发生多少交易、当前存款余额，以此来决定是否需要增加ATM机。
| 数据仓库整体框架
数据源层：
盘点数据仓库需要接入的数据源，数据库、结构化电子文件、非结构化数据文件、行为日志等。最终在接入数据仓库时，所有的数据类型都会转化成两种数据格式：数据库表和电子化结构化文件。
数据接入层：
按上层应用场景不同，接入可分为实时接入和批量接入。
实时接入：对于实时接入的数据，以流式的方式写入kafka，创建Topic供后续消费；
批量接入：对于批量接入的数据，主要有4种处理逻辑：
写入Kafka的数据被spark消费，处理后写入HDFS，然后load至hive表；FTP方式批量传输；利用sqoop将数据库数据批量迁移至HDFS或hive；数据共享交换平台提取数据库或文件数据进行入库。
数据计算层：
ETL任务开发，按需生成对应的事实-维度表或集市层表。业内通常将数据仓库构建为4层架构：
- STG层，缓冲层，主要用来接收源头系统提供的数据；
- ODS层，操作数据存储层，该层存储和源头系统相同的数据结构，方便数据质量稽核和数据处理。缓冲层的增量数据会在该层做数据合并。
- DW层，数据仓库，对接入数据进行模型化的构建，形成所有主题的通用的集合。
- DM层，数据集市，面向某个业务应用而构建的局部DW。
图：ODS到DW的集成示例
数据应用层：
基于数仓的顶层应用有很多，例如：
- 实时统计类：通过流式处理，将数据进行简单的指标汇总，应用端实时展示指标结果；
- 多维分析类：提供数据的多维度组合分析（切片、切块、钻取、旋转等），其中多维分析模型可以作为BI的报表数据基础；
- 产品应用类：标签画像系统可以基于数仓经过处理的数据，提供宏观画像和微观画像分析；知识图谱可以基于数仓清理后的数据，进行实体和关系的构建；
- 数据服务类：为外部提供接口形式的数据查询和传输，或者进行大批量数据的数据库导入导出服务；
（下）数据治理
| 为什么要进行数据治理
将分散、多样化的核心数据通过数据治理技术手段和产品工具进行优化，形成企业内的数据管理体系，并结合企业组织结构，形成数据管控执行体系，在企业内部持续运行、提升挖掘数据的应用价值。
数据治理最终达成的目标可以归为以下六点：
- 统一：统一数据标准，建立统一的数据资产管理体系；
- 质量：提高数据的质量，包括准确性、一致性、及时性；
- 成本：优化数据生命周期，降低数据管理和运维成本；
- 安全：确保数据安全性，加强数据访问控制；
- 增值：保证数据资产的有效利用和价值最大化，保证数据资产的保值和增值；
- 应用：输出并支撑上层的企业内外部应用。
| 如何进行数据治理？
数据治理的三要素：数据标准、数据质量稽核、元数据管理。下面逐一展开来讲。
数据标准
从业务角度定义，如设备类、会员类数据，不同渠道来源但同一含义的要统一口径规范、数据与数据之间的规范；
从技术角度定义，表、字段、字段格式等都要统一规范，如：ID信息、手机号、身份证号等。
数据标准来源可以是国家标准、行业标准，也可以是基于业务的企业标准。
定义完数据标准后，对于新新建设的数据平台，要采用统一的数据标准；对于已存在的业务系统，在不影响线上的原则上，逐步数据标准接轨。标准执行后，要长期稽核监测，并输出数据标准校核报告。
图：数据标准管理周期
数据质量稽核
以数据标准为数据管控的入口，依据数据标准定数据质量检核规则。对于数据的稽核，有以下八类稽核规则，前六类是单表级校验，后两类是多表级校验：
- 记录数校验：稽核单表内写入的数值是否在指定的阈值范围内；
- 空值校验：稽核某一列数据是否含有空值；
- 唯一性校验：稽核某一列的数据是否都唯一；
- 数据格式校验：稽核某一列的数据是否符合指定格式规范，如手机号格式校验；
- 准确性校验：稽核某一列的数值是否在一定范围内（包括维度和阈值）；
- 波动值校验：监测某一列的记录数或某字段数据值，与历史的业务周期的数值波动是否异常；
- 一致性校验（多表）：多表间的数据是否一致；
- 逻辑性校验（多表）：校验稽核表与参照表里某一列或某几列数据的表达式进行比较，检查数据逻辑是否正确。例如“可视电话用户情况统计”表中的字段“总的出账用户”>=“可视电话用户使用特征统计”表中的字段“记录中总的出账用户”。
元数据管理
元数据就是定义数据的数据，比如一本书的书名、作者、出版社、出版时间都是元数据。
- 血缘分析：血缘分析是指从某一实体出发，往回追溯其处理过程，直到数据系统的数据源接口，以衡量数据的置信度、质量等。
- 影响分析：影响分析是指从某一实体出发，寻找依赖该实体的处理过程实体或其他实体。重点关注数据流向，把控源头实体发生变更时对下游实体的影响。如移动用户话务信息表->移动大客户信息表->前端展示的竞争专题/用户分析 或 决策专题/市场分析。
Garbage in,Garbage out。这个是永恒的真理。只有将底层的基础数据管理好，才能更有效的支撑上层的大数据应用。
作者：Herman Lee 沉淀个人的产品方法论
