文：松子

轉(zhuǎn)自： InfoQ

我是從2000年開始接觸數(shù)據(jù)倉庫，大約08年開始進入互聯(lián)網(wǎng)行業(yè)。很多從傳統(tǒng)企業(yè)數(shù)據(jù)平臺轉(zhuǎn)到互聯(lián)網(wǎng)同學(xué)是否有感覺：非互聯(lián)網(wǎng)企業(yè)、互聯(lián)網(wǎng)企業(yè)的數(shù)據(jù)平臺所面向用戶群體是不同的。

那么，這兩類的數(shù)據(jù)平臺的建設(shè)、使用用戶又有變化？數(shù)據(jù)模型設(shè)計又有什么不同呢？

我們先從兩張圖來看用戶群體的區(qū)別。

• 企業(yè)的boss、運營的需求主要是依賴于報表、商業(yè)智能團隊的數(shù)據(jù)分析師去各種分析與挖掘探索；

• 支撐這些人是ETL開發(fā)工程師、數(shù)據(jù)模型建模、數(shù)據(jù)架構(gòu)師、報表設(shè)計人員 ，同時這些角色又是數(shù)據(jù)平臺數(shù)據(jù)建設(shè)與使用方。

• 數(shù)據(jù)平臺的技術(shù)框架與工具實現(xiàn)主要有技術(shù)架構(gòu)師、JAVA 開發(fā)等。

• 用戶面對是結(jié)構(gòu)化生產(chǎn)系統(tǒng)數(shù)據(jù)源。

• 互聯(lián)網(wǎng)企業(yè)中員工年齡比非互聯(lián)網(wǎng)企業(yè)的要年輕、受教育程度、對計算機的焦慮程度明顯比傳統(tǒng)企業(yè)要低、還偶遇其它各方面的緣故，導(dǎo)致了數(shù)據(jù)平臺所面對用戶群體與非互聯(lián)網(wǎng)數(shù)據(jù)平臺有所差異化；

• 互聯(lián)網(wǎng)數(shù)據(jù)平臺的使用與建設(shè)方是來自各方面的人，數(shù)據(jù)平臺又是技術(shù)、數(shù)據(jù)產(chǎn)品推進建設(shè)的。

• 分析師參與數(shù)據(jù)平臺直接建設(shè)比重增加。

• 原有的數(shù)據(jù)倉庫開發(fā)與模型架構(gòu)師的職能也從建設(shè)平臺轉(zhuǎn)為服務(wù)與咨詢.

• 用戶面對是數(shù)據(jù)源多樣化，比如日志、生產(chǎn)數(shù)據(jù)庫的數(shù)據(jù)、視頻、音頻等非結(jié)構(gòu)化數(shù)據(jù) 。

從這用戶群體角度來說這非互聯(lián)網(wǎng)、互聯(lián)網(wǎng)的數(shù)據(jù)平臺用戶差異性是非常明顯，互聯(lián)網(wǎng)數(shù)據(jù)平臺中很多理論與名詞都是從傳統(tǒng)數(shù)據(jù)平臺傳遞過來的，本文將會分別闡述非互聯(lián)網(wǎng)、互聯(lián)網(wǎng)數(shù)據(jù)平臺區(qū)別。

自從數(shù)據(jù)倉庫發(fā)展起來到現(xiàn)在，基本上可以分為五個時代、四種架構(gòu)

• 約在1991年前的全企業(yè)集成

• 1991年后的企業(yè)數(shù)據(jù)集成EDW時代

• 1994年-1996年的數(shù)據(jù)集市

• 1996-1997年左右的兩個架構(gòu)吵架

• 1998年-2001年左右的合并年代

數(shù)據(jù)倉庫第一代架構(gòu)

（開發(fā)時間2001-2002年） 

海爾集團的一個BI項目，架構(gòu)的ETL 使用的是 微軟的數(shù)據(jù)抽取加工工具 DTS，老人使用過微軟的DTS 知道有哪些弊端，后便給出了幾個DTS的截圖。

• 功能：進銷存分析、閉環(huán)控制分析、工貿(mào)分析等 

• 硬件環(huán)境： 

業(yè)務(wù)系統(tǒng)數(shù)據(jù)庫：DB2 for Windows,SQL SERVER2000,ORACLE8I 

中央數(shù)據(jù)庫服務(wù)器：4*EXON,2G,4*80GSCSI 

OLAP 服務(wù)器：2*PIV1GHZ,2G,2*40GSCSI 

• 開發(fā)環(huán)境：VISUAL BASIC,ASP,SQL SERVER 2000 

數(shù)據(jù)倉庫第二代架構(gòu)

這是上海通用汽車的一個數(shù)據(jù)平臺，別看復(fù)雜，嚴格意義上來講這是一套EDW的架構(gòu)、在EDS數(shù)據(jù)倉庫中采用的是準三范式的建模方式去構(gòu)建的、大約涉及到十幾種數(shù)據(jù)源，建模中按照某一條主線把數(shù)據(jù)都集成起來。

這個數(shù)據(jù)倉庫平臺計劃三年的時間構(gòu)建完畢，第一階段計劃構(gòu)建統(tǒng)統(tǒng)一生性周期視圖、客戶統(tǒng)一視圖的數(shù)據(jù)，完成對數(shù)據(jù)質(zhì)量的摸底與部分實施為業(yè)務(wù)分析與信息共享提供基礎(chǔ)平臺。第二階段是完成主要業(yè)務(wù)數(shù)據(jù)集成與視圖統(tǒng)一，初步實現(xiàn)企業(yè)績效管理。第三階段全面完善企業(yè)級數(shù)據(jù)倉庫，實現(xiàn)核心業(yè)務(wù)的數(shù)據(jù)統(tǒng)一。

數(shù)據(jù)集市架構(gòu)

這個是國內(nèi)某銀行的一套數(shù)據(jù)集市，這是一個典型數(shù)據(jù)集市的架構(gòu)模式、面向客戶經(jīng)理部門的考慮分析。

數(shù)據(jù)倉庫混合性架構(gòu)(Cif)

這是太平洋保險的數(shù)據(jù)平臺，目前為止我認識的很多人都在該項目中呆過，當(dāng)然是保險類的項目。

回過頭來看該平臺架構(gòu)顯然是一個混合型的數(shù)據(jù)倉庫架構(gòu)。它有混合數(shù)據(jù)倉庫的經(jīng)典結(jié)構(gòu)，每一個層次功能定義的非常明確。

新一代架構(gòu)OPDM 操作型數(shù)據(jù)集市(倉庫)

OPDM大約是在2011年提出來的，嚴格上來說，OPDM 操作型數(shù)據(jù)集市（倉庫）是實時數(shù)據(jù)倉庫的一種，他更多的是面向操作型數(shù)據(jù)而非歷史數(shù)據(jù)查詢與分析。   

”數(shù)據(jù)模型“ 這個詞只要是跟數(shù)據(jù)沾邊就會出現(xiàn)的一個詞。

在構(gòu)建過程中，有一個角色理解業(yè)務(wù)并探索分散在各系統(tǒng)間的數(shù)據(jù)，并通過某條業(yè)務(wù)主線把這些分散在各角落的數(shù)據(jù)串聯(lián)并存儲同時讓業(yè)務(wù)使用，在設(shè)計時苦逼的地方除了考慮業(yè)務(wù)數(shù)據(jù)結(jié)構(gòu)要素外，還得考慮可操作性、約束性（備注 約束性是完成數(shù)據(jù)質(zhì)量提升的一個關(guān)鍵要素，未來新話題主題會討論這些），這個既要顧業(yè)務(wù)、數(shù)據(jù)源、合理的整合的角色是數(shù)據(jù)模型設(shè)計師，又叫數(shù)據(jù)模型師。

平臺中模型設(shè)計所關(guān)注的是企業(yè)分散在各角落數(shù)據(jù)、未知的商業(yè)模式與未知的分析報表，通過模型的步驟，理解業(yè)務(wù)并結(jié)合數(shù)據(jù)整合分析，建立數(shù)據(jù)模型為Data cleaning 指定清洗規(guī)則、為源數(shù)據(jù)與目標提供ETL mapping （備注：ETL 代指數(shù)據(jù)從不同源到數(shù)據(jù)平臺的整個過程，ETL Mapping 可理解為 數(shù)據(jù)加工算法，給數(shù)碼看的，互聯(lián)網(wǎng)與非互聯(lián)網(wǎng)此處差異性也較為明顯，非互聯(lián)網(wǎng)數(shù)據(jù)平臺對ETL定義與架構(gòu)較為復(fù)雜）支持、 理清數(shù)據(jù)與數(shù)據(jù)之間的關(guān)系。

（備注：Data cleaning 是指的數(shù)據(jù)清洗 數(shù)據(jù)質(zhì)量相關(guān)不管是在哪個行業(yè)，是最令人頭痛的問題，分業(yè)務(wù)域、技術(shù)域的數(shù)據(jù)質(zhì)量問題，需要通過事前盤點、事中監(jiān)控、事后調(diào)養(yǎng)，有機會在闡述）。

大家來看一張較為嚴謹?shù)臄?shù)據(jù)模型關(guān)系圖：

• 數(shù)據(jù)模型是整個數(shù)據(jù)平臺的數(shù)據(jù)建設(shè)過程的導(dǎo)航圖。

• 有利于數(shù)據(jù)的整合。數(shù)據(jù)模型是整合各種數(shù)據(jù)源指導(dǎo)圖，對現(xiàn)有業(yè)務(wù)與數(shù)據(jù)從邏輯層角度進行了全面描述，通過數(shù)據(jù)模型，可以建立業(yè)務(wù)系統(tǒng)與數(shù)據(jù)之間的映射與轉(zhuǎn)換關(guān)系。排除數(shù)據(jù)描述的不一致性。如：同名異義、同物異名..。

• 減少多余冗余數(shù)據(jù)，因為了解數(shù)據(jù)之間的關(guān)系，以及數(shù)據(jù)的作用。在數(shù)據(jù)平臺中根據(jù)需求采集那些用于分析的數(shù)據(jù)，而不需要那些純粹用于操作的數(shù)據(jù)。

數(shù)據(jù)模型在數(shù)據(jù)平臺的數(shù)據(jù)倉庫中是一個統(tǒng)稱，嚴格上來講分為概念模型、邏輯模型、物理模型。(備注：四類模型如何去詳細構(gòu)建文本不深講，關(guān)于非互聯(lián)網(wǎng)企業(yè)的數(shù)據(jù)模型網(wǎng)上非常多)

Bill Inmon對EDW 的定義是面向事物處理、面向數(shù)據(jù)管理，從數(shù)據(jù)的特征上需要堅持維護最細粒度的數(shù)據(jù)、維護最微觀層次的數(shù)據(jù)關(guān)系、保存數(shù)據(jù)歷史。所以在構(gòu)建完畢的數(shù)據(jù)平臺中可以從中映射并檢查業(yè)務(wù)信息的完整性（同時也是養(yǎng)數(shù)據(jù)過程中的重要反饋點），這種方式還可以找出多個系統(tǒng)相關(guān)和重合的信息，減少多個系統(tǒng)之間數(shù)據(jù)的重復(fù)定義和不一致性，減小了應(yīng)用集成的難度。 

Ralph kilmball 對DM（備注：數(shù)據(jù)集市，非挖掘模型）的定義是面向分析過程的(Analytical Process oriented)，因為這個模型對業(yè)務(wù)用戶非常容易理解，同時為了查詢也是做了專門的性能優(yōu)化。所以星型、雪花模型很直觀比較高性能為用戶提供查詢分析。

該方式的建模首先確定用戶需求問題與業(yè)務(wù)需求數(shù)據(jù)粒度，構(gòu)建分析所需要的維度、與度量值形成星型模型；（備注 涉及的復(fù)雜維度、退化維度等不在這個討論范圍）。

數(shù)據(jù)模型的業(yè)務(wù)建模階段、領(lǐng)域概念模型階段、邏輯模型階段、物理模型階段是超級學(xué)術(shù)與復(fù)雜的話題，而且在模型領(lǐng)域根據(jù)特點又分主數(shù)據(jù)(MDM)、CIF（企業(yè)級統(tǒng)一視圖） 、通用模型(IBM 的金融、保險行業(yè)通用模型、 Terdata的 金融通用模型、 電信移動通用模型等)，鎖涉及到術(shù)語”擴展“、”扁平化“、”裁剪“等眼花繚亂的建模手法，數(shù)據(jù)模型不同層次ODS、DWD

DWD、DW、ST的分層目的不同導(dǎo)致模型設(shè)計方法又不同。相信業(yè)界有很多大牛能講的清楚的，以后有機會再交流。

做數(shù)據(jù)的人，從非互聯(lián)網(wǎng)進入到互聯(lián)網(wǎng)最顯著的特點是面對的數(shù)據(jù)源類型忽然多了起來，在傳統(tǒng)企業(yè)數(shù)據(jù)人員面對的是結(jié)構(gòu)化存儲數(shù)據(jù)，基本來自excel、表格、DB系統(tǒng)等，在數(shù)據(jù)的處理技術(shù)上與架構(gòu)上是非常容易總結(jié)的，但是在互聯(lián)網(wǎng)因為業(yè)務(wù)獨特性導(dǎo)致了所接觸到的數(shù)據(jù)源特性多樣化，網(wǎng)站點擊日志、視頻、音頻、圖片數(shù)據(jù)等很多非結(jié)構(gòu)化快速產(chǎn)生與保存，在這樣的數(shù)據(jù)源的多樣化與容量下采用傳統(tǒng)數(shù)據(jù)平臺技術(shù)來處理當(dāng)然是有些力不從心了

（備注：IBM的科學(xué)家分析員道格.萊尼的一份數(shù)據(jù)增長報告基礎(chǔ)上提出了大數(shù)據(jù)的4V特性 大數(shù)據(jù)4v特性網(wǎng)上概念很多大家可以問度娘）。

我在這里整理一個表格不同時代數(shù)據(jù)源的差異性（備注可能整理的有點不全）：

數(shù)據(jù)平臺的用戶：

總結(jié)下來互聯(lián)網(wǎng)的數(shù)據(jù)平臺“服務(wù)”方式迭代演進大約可以分為三個階段。

階段一 ：

 約在2008年-2011年初的互聯(lián)網(wǎng)數(shù)據(jù)平臺，那時建設(shè)與使用上與非互聯(lián)網(wǎng)數(shù)據(jù)平臺有這蠻大的相似性，主要相似點在數(shù)據(jù)平臺的建設(shè)角色、與使用到的技術(shù)上。

• 老板們、運營的需求主要是依賴于報表、分析報告、臨時需求、商業(yè)智能團隊的數(shù)據(jù)分析師去各種分析、臨時需求、挖掘，這些角色是數(shù)據(jù)平臺的適用方。 

• ETL開發(fā)工程師、數(shù)據(jù)模型建模、數(shù)據(jù)架構(gòu)師、報表設(shè)計人員 ，同時這些角色又是數(shù)據(jù)平臺數(shù)據(jù)建設(shè)與使用方。

• 數(shù)據(jù)平臺的技術(shù)框架與工具實現(xiàn)主要有技術(shù)架構(gòu)師、JAVA開發(fā)等。

• 用戶面對是結(jié)構(gòu)化的生產(chǎn)數(shù)據(jù)、PC端非結(jié)構(gòu)化log等 數(shù)據(jù)。

• ELT的數(shù)據(jù)處理方式（備注在數(shù)據(jù)處理的方式上，由傳統(tǒng)企業(yè)的ETL 基本進化為ELT）。

現(xiàn)在的淘寶是從2004年開始構(gòu)建自己的數(shù)據(jù)倉庫，2004年是采用DELL 的6650單節(jié)點、到2005年更換為 IBM 的P550 再到2008年的12節(jié)點 Rac 環(huán)境。在這段時間的在IBM、EMC、Oracle 身上的投入巨大(備注：對這段歷史有興趣可以去度娘 ：“【深度】解密阿里巴巴的技術(shù)發(fā)展路徑“)，同時淘寶的數(shù)據(jù)集群也變?yōu)閲鴥?nèi)最大的數(shù)據(jù)倉庫集群。

隨著2010年引入了hadoop&hive平臺進行新一代的數(shù)據(jù)平臺的構(gòu)建，此時的Greenplum 因為優(yōu)秀的IO吞吐量以及有限的任務(wù)并發(fā)安排到了網(wǎng)站日志的處理以及給分析師提供的數(shù)據(jù)分析服務(wù)。

該階段的數(shù)據(jù)模型是根據(jù)業(yè)務(wù)的特性采用退化、扁平化的模型設(shè)計方式去構(gòu)建的。

階段二：

互聯(lián)網(wǎng)的數(shù)據(jù)平臺除了受到技術(shù)、數(shù)據(jù)量的驅(qū)動外，同時還來自數(shù)據(jù)產(chǎn)品經(jīng)理梳理用戶的需求按照產(chǎn)品的思維去構(gòu)建并部署在了數(shù)據(jù)的平臺上?；ヂ?lián)網(wǎng)是一個擅長制造流程新概念的行業(yè)。

約在2011年到2014 年左右，隨著數(shù)據(jù)平臺的建設(shè)逐漸的進入快速迭代期，數(shù)據(jù)產(chǎn)品、數(shù)據(jù)產(chǎn)品經(jīng)理這兩個詞逐漸的升溫以及被廣泛得到認可（備注：數(shù)據(jù)產(chǎn)品相關(guān)內(nèi)容個人會在數(shù)據(jù)產(chǎn)品系列中做深入分享），同時數(shù)據(jù)產(chǎn)品也隨著需求、平臺特性分為面向用戶級數(shù)據(jù)產(chǎn)品、面向平臺工具型產(chǎn)品兩個維度分別去建設(shè)數(shù)據(jù)平臺。

• 企業(yè)各個主要角色都是數(shù)據(jù)平臺用戶。

• 各類數(shù)據(jù)產(chǎn)品經(jīng)理（偏業(yè)務(wù)數(shù)據(jù)產(chǎn)品、偏工具平臺數(shù)據(jù)產(chǎn)品）推進數(shù)據(jù)平臺的建設(shè)。

• 分析師參與數(shù)據(jù)平臺直接建設(shè)比重增加。

• 數(shù)據(jù)開發(fā)、數(shù)據(jù)模型角色都是數(shù)據(jù)平臺的建設(shè)者與使用者（備注：相對與傳統(tǒng)數(shù)據(jù)平臺的數(shù)據(jù)開發(fā)來說，逐漸忽略了數(shù)據(jù)質(zhì)量的關(guān)注度，數(shù)據(jù)模型設(shè)計角色逐漸被弱化）。

• 用戶面對是數(shù)據(jù)源多樣化，比如日志、生產(chǎn)數(shù)據(jù)庫的數(shù)據(jù)、視頻、音頻等非結(jié)構(gòu)化數(shù)據(jù) 。

• 原有ETL中部分數(shù)據(jù)轉(zhuǎn)換功能逐漸前置化，放到業(yè)務(wù)系統(tǒng)端進行（備注：部分原有在ETL階段需要數(shù)據(jù)標準化一些過程前置在業(yè)務(wù)系統(tǒng)數(shù)據(jù)產(chǎn)生階段進行，比如Log 日志。 移動互聯(lián)網(wǎng)的日志標準化。

互聯(lián)網(wǎng)企業(yè)隨著數(shù)據(jù)更加逐漸被重視，分析師、數(shù)據(jù)開發(fā)在面對大量的數(shù)據(jù)需求、海量的臨時需求疲憊不堪，變成了資源的瓶頸，在當(dāng)時的狀態(tài)傳統(tǒng)的各類的Report、Olap 工具都無法滿足互聯(lián)網(wǎng)行業(yè)個性化的數(shù)據(jù)需求。開始考慮把需求固定化變?yōu)橐粋€面向最終用戶自助式、半自助的產(chǎn)品來滿足快速獲取數(shù)據(jù)&分析的結(jié)果，當(dāng)總結(jié)出的指標、分析方法（模型）、使用流程與工具有機的結(jié)合在一起時數(shù)據(jù)產(chǎn)品就誕生了（備注：當(dāng)時為了設(shè)計一個數(shù)據(jù)產(chǎn)品曾經(jīng)閱讀了某個部門的2000多個臨時需求與相關(guān)SQL）。

數(shù)據(jù)產(chǎn)品按照面向的功能與業(yè)務(wù)可以劃分為面向平臺級別的工具型產(chǎn)品、面向用戶端的業(yè)務(wù)級數(shù)據(jù)產(chǎn)品。按照用戶分類可以分為面向內(nèi)部用戶數(shù)據(jù)產(chǎn)品，面向外部用戶個人數(shù)據(jù)產(chǎn)品、商戶（企業(yè)）數(shù)據(jù)產(chǎn)品。

面向平臺級別有數(shù)據(jù)質(zhì)量、元數(shù)據(jù)、調(diào)度、資管配置、數(shù)據(jù)同步分發(fā)等等。

約2010-2012年的平臺結(jié)構(gòu)

約2012-2013年的平臺結(jié)構(gòu)

階段三：

用數(shù)據(jù)的一些角色（分析師、運營或產(chǎn)品）會自己參與到從數(shù)據(jù)整理、加工、分析階段。當(dāng)數(shù)據(jù)平臺變?yōu)樽杂扇_放，使用數(shù)據(jù)的人也參與到數(shù)據(jù)的體系建設(shè)時，基本會因為不專業(yè)型，導(dǎo)致數(shù)據(jù)質(zhì)量問題、重復(fù)對分數(shù)據(jù)浪費存儲與資源、口徑多樣化等等原因。此時原有建設(shè)數(shù)據(jù)平臺的多個角色可能轉(zhuǎn)為對其它非專業(yè)做數(shù)據(jù)人員的培訓(xùn)、咨詢與落地寫更加適合當(dāng)前企業(yè)數(shù)據(jù)應(yīng)用的一些方案等。

• 給用戶提供的各類豐富的分析、取數(shù)的產(chǎn)品，簡單上手的可以使用。

• 原有ETL、數(shù)據(jù)模型角色轉(zhuǎn)為給用戶提供平臺、產(chǎn)品、數(shù)據(jù)培訓(xùn)與使用咨詢。

• 數(shù)據(jù)分析師直接參與到數(shù)據(jù)平臺過程、數(shù)據(jù)產(chǎn)品的建設(shè)中去。

• 用戶面對是數(shù)據(jù)源多樣化，比如日志、生產(chǎn)數(shù)據(jù)庫的數(shù)據(jù)、視頻、音頻等非結(jié)構(gòu)化數(shù)據(jù) 。

在互聯(lián)網(wǎng)這個大數(shù)據(jù)浪潮下，2016年以后數(shù)據(jù)平臺是如何去建設(shè)？如何服務(wù)業(yè)務(wù)？

企業(yè)的不同發(fā)展階段數(shù)據(jù)平臺該如何去建設(shè)的？這個大家是可以思考的。但是我相信互聯(lián)網(wǎng)企業(yè)是非常務(wù)實的，基本不會采用傳統(tǒng)企業(yè)的自上而下的建設(shè)方式，互聯(lián)網(wǎng)企業(yè)的業(yè)務(wù)快速變與迭代要求快速分析到數(shù)據(jù)，必須新業(yè)務(wù)數(shù)據(jù)迭代，老業(yè)務(wù)數(shù)據(jù)快速去雜。敏捷數(shù)據(jù)平臺或許是種不錯的選擇方法之一吧！