阿里郭进士：淘系数据模型治理与方案分享

导读：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。

具体将围绕以下四部分展开：

• 模型背景&问题

• 问题分析

• 治理方案（DataWorks智能数据建模）

• 未来规划

01

模型背景&问题

1. 整体情况

首先介绍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：

• 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。

• 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。

02

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：

• 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。

• 命名不规范。

• 公共层过度设计。

• ADS重复建设。

• ADS跨集市依赖。

• ADS共性未下沉。

• 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。

03

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

（1）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。

（2）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。

（3）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：

• 应用研发的痛点：公共层相应效率低。

• 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. DataWorks智能数据建模

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（详情可以体验阿里云DataWorks的产品）：

• 数据体系目录结构化

• 模型设计线上化

• 打通研发流程（自动化生成简代码）

• 对接DataWorks地图数据专辑

（1）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。

（2）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。

（3）打通研发流程（通过DataWorks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。

（4）对接DataWorks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

（1）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。

（2）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。

（3）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。

04

未来规划

1. 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。

2. 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。

3. 产品工具提效

将继续与DataWorks共建：

• 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。

• 数据测试功能集成。

• 数据运维功能升级。

• 事中数据治理能力构建（开发助手）。

• 事后治理能力提效（批量删除、主动推送优化等)。

• 数据地图，找数用数提效。

05

问答环节

Q：核心公共层的建设是自顶向下还是自底向上？  

A：采用的是两者相结合的方式。以需求为驱动，没有需求就会导致过渡设计，在应用层有复用之后再下沉到公共层，这是自顶向下的。在公共层设计阶段是面向业务过程的，这时是自底向上的。

Q：多BU公共层是否需要统一规范？怎么去做？怎么量化价值？

A：需要做统一的规范，规范利于数据流通，才能体现数据价值。但是具体怎么规范需要具体去看，如电商、本地生活，业务和目标不一样，很难做到统一的规范。

Q：怎么判断指标需要下沉到公共层？

A：公共层的开发是需要成本的，是否需要下沉到公共层核心是看是否需要复用，可以从两个方面入手。

专家经验判断：如电商交易环节数据，这类数据是核心数据，是要建设到公共层的。

事后判断：如玩法之类的业务稳定性不强，那一开始不需要下沉到公共层，避免过度设计，事后再去判断是否需要下沉。

Q：关于表、字段的命名规范，是否需要先定义好词根再开发？

A：需要分开看。对于公共层设计到的业务过程是有限的，对于公共部分要先定义好再开发。对于应用层，维度采用的是总建架构所以还需要先定义，对于指标特别是派生指标是多的，不建议先定义在开发。

Q：如何解决口径一致命名不一致，或者口径不一致或者命名一致的场景。

A：模型是演变的。对于应用层，80%都是自定义的，第一次出现的时候都是不标准的，这部分如果采用先定义后开发的方式，效率是很低的，只有在下沉到公共层的时候才能够管控。对于公共层，能做的是保障核心指标90%的规范与定义统一，剩下的那部分也无法保证。 

Q：跨集市依赖下沉到公共层的必要性？

A：短期来看没影响，新增效率高。

• DataWorks官网：

• DataWorks智能数据建模介绍：

在文末分享、点赞、在看，给个3连击呗~

01/分享嘉宾

花名化泥，淘系数据公共层负责人，超过10年大数据研发经验。曾主导淘系电商、零售通（淘菜菜前身）、国际化中台、天猫精灵等数据架构的设计与优化，对 onedata 方法论有深刻的理解，沉淀了一套完整的模型优化方法论。