阿里数据仓库搭建实践分享

内容来源：2017年7月8日，阿里云高级技术专家后稷在“阿里云—数据化运营实践分享【7上海站】”进行《阿里数据仓库搭建实践分享》演讲分享。IT大咖说（ID：itdakashuo）作为独家视频合作方，经主办方和讲者审阅授权发布。

阅读字数：1605 | 4分钟阅读

嘉宾演讲视频回顾及PPT，请点击链接：http://t.cn/RgN0RsJ

摘要

数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它是单个数据存储，出于分析性报告和决策支持目的而创建。为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制。

基础

搭建数据仓库主要需要建模的能力，还要沉淀一些维度表。除此之外还要不断地挖掘数据，来把模型建得更好。

应该做的几件事

简介

在得到活动数据后，要把这些数据投入到数据仓库中，并且做以下几件事：

用户或者实体的识别需要统一。

PC和无线端的数据打通。

围绕实体和跨业务间的事实数据打通。

重要事实表的维度冗余。

用户画像或客户画像。

有怎样的市场价值

目前我们已经积累了很多用户数据，这些数据都是非常宝贵的资源，我们基于这些数据做了一些开发利用。

搭建了数据仓库就可以把用户分析的数据用来做个性化推荐、定向营销、风控等等。

数据仓库的市场价值在于需求场景驱动的集市层建设，各集市之间垂直构建。

集市层深度挖掘数据价值，并需要能够快速试错。

以阿里金融在后台大数据中的运行过程为例，我们会从关系数据库中把用户相关的所有数据全部导入到MaxCompute中，然后记录用户的一些操作日志，比如登录过哪些网站、浏览过哪些商品，有怎样的喜好。还有一些其它数据，可能是从其它系统过来的。我们把这些数据做一个汇总分析，最终把这些数据导出到业务系统中，也有一个统计服务。这样当用户来进行征信贷款的时候，我们很快就可以定位到这个用户是否符合征信要求，并迅速进行审批。

如上图所示，DataWorks主要依赖于MaxCompute。右边是阿里云目前提供的一些基础组件。集成开发环境这一块是可视化的，比如在工作流设计器上做工作流和应用调度，在里面进行配置。

我们提供了一个Web页面的代码编辑器，支持MR、SQL等等。还有一个代码调试器，写过的代码可以直接在这里进行调试。有了代码仓库就能保留好几个版本，并预览之前保存的版本。

调度分为资源调度和工作流调度两部分。工作流调度与前面的工作流是息息相关的，在工作流设计器中设计成一个工作流的话，底层的调度会按照顺序进行调度。资源调度和底层网关集群的资源是相关的。

数据治理中主要是任务监控和数据质量。

大数据开发核心流程

当我们接到一个需求，首先会进行需求分析，然后做工作流设计，比如这个任务是什么时候跑的、依赖于哪些业务。工作流设计完成后进行数据采集和数据同步。接下去就是数据开发，我们提供了WEB-IDE，支持SQL、MR、SHELL和  PYTHON等。然后我们提供了冒烟测试的场景，测试完成后发布到线上，让它每天定时进行自动调度，并进行数据质量监控。以上步骤都完成后，就能把我们的数据环流到业务系统库，或者用QuickBI、DataV这些工具进行页面展现。

我们设计的任务是离线的，每天会在12点的时候把设计的任务变成一个实例快照。目前我们的任务依赖在业内也是最先进的。

现在最常见的需求就是每天有日报，每周要写周报，每月要写月报。为了节省资源，就可以使用日报的数据直接转成周报或月报。

线上系统在每天6点的时候要保证数据已经回笼到业务系统，系统要开始使用了。

如上图所示，假设有D和E两个任务，它们依赖于B和A。任务D的运行时间是1.5小时，E是2小时。我们必须确保B每天在4点之前把B的任务运行完成，一般正常运行时间是2小时。那就要保证A每天任务完成的时间不晚于2点。如果A的运行时间是10分钟，到1点的时候发现A的任务失败了，这时就能计算出A还剩下多少余量，我们可以进行人工监督排查。在1:50之前人工介入，从而保证任务D和E能在6点前准时产出。

总结

如图所示，MaxCompute是图上小人的“心脏”，所有运行的任务都在MaxCompute里面。调度是数据架构的“大脑”。“眼睛”是数据监控，目前在数据架构平台上它还是一个“近视眼”，还没有正式推出。数据集成就像两只“手”，不停地从其它地方搬运数据。底层的开发环境和运维中心就像两条“腿”，保证整个数据架构平台走得更远。而数据质量就像是一个“人体健康中心”，也就是数据质量的监控。

我今天的分享就到这里，感谢聆听！