关于大数据管理，你该知道的

随着大数据时代的悄然降临，大数据的价值逐渐得到广泛认可。有效管理大数据，沉淀成数据资产，对内可完成数据资产增值，对外可完成数据共享变现，是企业的通用诉求。

但是，企业在管理底层数据时，常常会面临各种应战：各业务系统分散，构成信息孤岛；未制定一致的数据标准；数据处理才能薄弱；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、数据管理。

（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、相对波动的、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，需求对多个源表停止查询分析，查询慢，数据质量差，无法停止高价值的数据分析。经过建设数仓，可以在一个地方疾速访问多个系统源数据，疾速呼应OLAP分析；提高数据质量和分歧性；可以提供历史的数据存储；更有利于停止数据价值发掘和数据分析。

| 数据仓库与数据库区别

数据库是面向事物的设计，更关注业务买卖处理（OLTP）；而数据仓库面向主题设计，更关注数据分析层面（OLAP）。

数据库普通存储在线买卖数据，数据仓库反应的是历史信息，存储历史数据，不可修正。

数据库尽量避免冗余，而数据仓库有意冗余，经过空间换工夫。

以银行业务为例，客户在银行的每笔买卖需求写入数据库记录上去，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买卖、当前存款余额，以此来决议能否需求添加ATM机。

| 数据仓库全体框架

数据源层：

清点数据仓库需求接入的数据源，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，一切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：

按下层运用场景不同，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，次要有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；应用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停止入库。

数据计算层：

ETL义务开发，按需生成对应的理想-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，次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反的数据结构，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，对接入数据停止模型化的构建，构成一切主题的通用的集合。DM层，数据集市，面向某个业务运用而构建的部分DW。

图：ODS到DW的集成示例

数据运用层：

基于数仓的顶层运用有很多，例如：

实时统计类：经过流式处理，将数据停止简单的目的汇总，运用端实时展现目的结果；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；产品运用类：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算后的数据，停止实体和关系的构建；数据服务类：为外部提供接口方式的数据查询和传输，或者停止大批量数据的数据库导入导出服务；

（下）数据管理

| 为什么要停止数据管理

将分散、多样化的核心数据经过数据管理技术手腕和产品工具停止优化，构成企业内的数据管理体系，并结合企业组织结构，构成数据管控执行体系，在企业外部持续运转、提升发掘数据的运用价值。

数据管理最终达成的目的可以归为以下六点：

一致：一致数据标准，建立一致的数据资产管理体系；质量：提高数据的质量，包括准确性、分歧性、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应用和价值最大化，保证数据资产的保值和增值；运用：输入并支撑下层的企业内外部运用。

| 如何停止数据管理？

数据管理的三要素：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一致口径规范、数据与数据之间的规范；

从技术角度定义，表、字段、字段格式等都要一致规范，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，要采用一致的数据标准；对于已存在的业务系统，在不影响线上的准绳上，逐渐数据标准接轨。标准执行后，要长期稽核监测，并输入数据标准校核报告。

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，根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能否在指定的阈值范围内；空值校验：稽核某一列数据能否含有空值；独一性校验：稽核某一列的数据能否都独一；数据格式校验：稽核某一列的数据能否符合指定格式规范，如手机号格式校验；准确性校验：稽核某一列的数值能否在一定范围内（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能否异常；分歧性校验（多表）：多表间的数据能否分歧；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停止比较，检查数据逻辑能否正确。例如“可视电话用户状况统计”表中的字段“总的出账用户”>=“可视电话用户运用特征统计”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、出版工夫都是元数据。

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，寻觅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->前端展现的竞争专题/用户分析 或 决策专题/市场分析。

Garbage in,Garbage out。这个是永久的真理。只要将底层的基础数据管理好，才能更有效的支撑下层的大数据运用。

作者：Herman Lee 沉淀个人的产品方法论

不错

分享了

分享了

分享了

分享了

分享了

分享了

分享了

分享了