数据治理到底能不能干

为什么是脏活、累活？

1. 源数据

• 烟囱式开发：业务繁多、数据库多而乱，系统与系统之间错综复杂
• 数据库种类：架构经历多次变迁，切换不完全，需要从Mysql、oracle、hbase甚至excle表中跨库、跨实例、跨种类才能获得有效业务数据
• 数据结构混乱：同一字段，类型、命名都不一致
• 文档缺失：无数据库文档或文档陈旧

2. 变迁

• 系统版本升级：每一次升级都只是掩盖之前的错误，数据治理需要从源头
• 人员变更：梳理过程中的大部分问题终答案：“不清楚，原来维护人已离职”
• 数据流转：数据从源头经过很多次不规范的同步

3. 存量

• 各自为政：各业务部门已有自己的统计逻辑和报表，同一指标汇总维度又不一致，梳理、治理、输出还要尽量不影响已有报表结果
• 半途而废：前任都知道数据治理、统一出口的重要性，但只完成一部分就放弃了。问题在于“完成的一部分”有人还在用

怎么开始？

1. 方法论

• 统一定义：对个性化的数据指标统一规范定义
• 标准建模：建立数据公共层对模型架构进行标准规范设计和管理
• 规范研发：将建模方法体系贯穿在整个数据研发流程
• 工具保障：通过研发一系列的工具保障方法体系的落地实施

2. 统一方法策略：统一归口、统一出口

3. 统一业务归口

1.模型

规范化模型分层、数据流向和主题划分，从而降低研发成本，增强指标复用性，并提高业务的支撑能力。

2.规范

规范是数仓建设的保障。为了避免出现指标重复建设和数据字段难以理解的情况

(1) 词根

词根是维度和指标管理的基础，划分为普通词根与专有词根，提高词根的易用性和关联性。

• 普通词根：描述事物的小单元体
• 专有词根：具备约定成俗或行业专属的描述体，如：-USD。

(2) 表命名规范

通用规范

• 表名、字段名采用一个下划线分隔词根（示例：clienttype->client_type）。
• 每部分使用小写英文单词，属于通用字段的必须满足通用字段信息的定义。
• 表名、字段名需以字母为开头
• 表名、字段名长不超过64个英文字符。
• 优先使用词根中已有关键字（数仓标准配置中的词根管理)
• 在表名自定义部分禁止采用非标准的缩写

表命名规则

表名称 = 所处分层 + 业务主题 + 子主题 + 表含义 + 更新频率 + [分表：_0、_10]

(3) 指标命名规范

结合指标的特性以及词根管理规范，将指标进行结构化处理。

A. 基础指标词根，即所有指标必须包含以下基础词根：

B.日期修饰词，用于修饰业务发生的时间区间。

C.聚合修饰词，对结果进行聚集操作。

E.基础指标，单一的业务修饰词 + 基础指标词根构建基础指标 ，例如：交易金额 - trade_amt

F.派生指标，多修饰词+基础指标词根构建派生指标。派生指标继承基础指标的特性，例如：新增门店数量-new_store_cnt

(4) 清洗规范

确认了字段命名和指标命名之后，根据指标与字段的部分特性，我们整理出了整个数仓可预知的24条清洗规范：

3. 统一数据出口

数仓建设保证数据质量以及数据的使用，对数据资产管理和统一数据出口之前：

• 统一指标管理，保证了指标定义、计算口径、数据来源的一致性
• 统一维度管理，保证了维度定义、维度值的一致性
• 统一数据出口，实现了维度和指标元数据信息的出口，维值和指标数据的出口

4. 数据资产沉淀