【与数据同行】已开通综合、数据仓库、数据分析、产品经理、数据治理及机器学习六大专业群,加微信号frank61822702 为好友后入群。新开招聘交流群,请关注【与数据同行】公众号,后台回复“招聘”后获得入群方法。
正文开始
本文根据 ITPUB 技术栈直播「数据中台建设」之思考演讲实录整理。
各位朋友,大家晚上好,我给大家分享的是《关于数据中台建设之思考》。
本人断断续续从事数据仓库约有五六年经验,在移动公司前三年是负责数据仓库项目实施,后四年开发搞大数据平台,见证了从传统数据仓库转型到大数据平台的全历程,见证了大数据平台从0到1的全部过程,包括第一个MPP数据集市、第一个Hadoop集群项目、第一个流式数据处理项目,第一个完整的大数据平台的融合和构建,混搭式大数据平台的融合构建,大数据平台的迁移等等,我所经历的大数据平台从规模说大不大说小不小,每天处理数据量将近20T(实时处理月10T左右),总集群约300台(其中Hadoop节点约200台),总容量约8P,实际使用容量约5P;包括了从数据仓库到大数据平台数据模型的重构,数据模型的拓展;也包括了大数据平台提供各种对内应用的规划,和向外提供大数据应用。因此对数据仓库和大数据平台的优缺点、各自存在的问题、疑惑、发展方向,也算有一定的认知,包括对新生的数据中台的发展方向,结合自己过往的经验,谈谈自己的一些想法。
什么是数据中台?
说实在的,互联网是制造新名词的地方,现在各种新名词层出不穷,顶层的有数字城市、智慧地球、智慧城市、城市大脑;企业层面的有数字化转型、互联网经济,数字经济、数字平台;平台层面的有物联网,云计算,大数据,5G,人工智能,机器智能,深度学习,知识图谱;技术层面的有数据仓库、数据集市、大数据平台、数据湖、数据中台、业务中台、技术中台等等,总之是你方唱罢他登场,各种概念满天飞…
在比拼新经济的过程中,其实比拼的是流量也就是用户,但流量不等于用户,用户也不完全等同于流量;有了流量和用户,就等于比拼了对用户的话语权。各种互联网概念也是如此,单纯从传统的数据仓库或是大数据平台而言,金融或通信运营商在数据治理、数据管理、企业模型、应用效能、高可靠性上做的绝对不比BAT差的,但这些行业有着国企的内敛、同时承担了太多的安全、隐私、稳定要求,空有用户和数据,却很难对外发挥应有的作用,导致在整个信息技术行业内的话语权不高;互联网公司在对数据使用的灵活性、技术的前瞻性、经济效益的引导性、适度容错方面做的远远超出其他行业,所以行业之间的相互吸收和借鉴也是值得探讨的。
新名词的推出,要被大众所能接受,在背后是要有话语权支撑的,而目的当然只有利益了,也不排除个别技术人员自己美好的想法和初衷。
回到正文,不管怎么说,数据中台这个概念已逐步火了起来,但数据中台是什么?
1、数据中台是聚合和治理跨域数据,将数据抽象封装成服务,提供给前台以业务价值的逻辑概念。
2、数据中台是一套可持续“让企业的数据用起来”的机制,一种战略选择和组织形式,是依据企业特有的业务模式和组织架构,通过有形的产品和实施方法论支撑,构建一套持续不断把数据变成资产并服务于业务的机制。
3、数据中台连接数据前台和后台,突破数据局限,为企业提供更灵活、高效、低成本的数据分析挖掘服务,避免企业为满足具体某部门某种数据分析需求而投放大量高成本、重复性的数据开发成本。
4、数据中台是指通过数据技术,对海量数据进行采集、计算、存储、加工,同时统一标准和口径。数据中台把数据统一之后,会形成标准数据,再进行存储,形成大数据资产层,进而为客户提供高效服务。
5、数据中台,包括平台、工具、数据、组织、流程、规范等一切与企业数据资产如何用起来所相关的。
以上概念是从互联网上搜索并拷贝出来的,总的来说中台也好,数据中台也好,还缺乏一个标准的定义,仅从字面上理解,数据中台是解决如何用好数据的问题,既然是概念,数据中台也被赋予了很多扩大的外延,也上升到了数据的采集、计算、存储、加工和数据治理等方面,这就和传统的大数据平台在功能和作用上产生了很大的重叠;而大数据平台又是从数据仓库发展起来的。那到底这三者的关系是怎么样的呢?
我个人认为数据中台就是数据服务化,服务化的核心是数据模型化和服务组件化,服务化的基础是大数据平台
数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合,用于支持管理决策和全局信息共享。所谓主题:是指用户使用数据仓库进行决策时所关心的重点方面,如:收入、客户、销售渠道等;所谓面向主题,是指数据仓库内的信息是按主题进行组织的,而不是像业务支撑系统那样是按照业务功能进行组织的。所谓集成:是指数据仓库中的信息不是从各个业务系统中简单抽取出来的,而是经过一系列加工、整理和汇总的过程,因此数据仓库中的信息是关于整个企业的一致的全局信息。所谓随时间变化:是指数据仓库内的信息并不只是反映企业当前的状态,而是记录了从过去某一时点到当前各个阶段的信息。通过这些信息,可以对企业的发展历程和未来趋势做出定量分析和预测。
数据仓库的主题建模思想是1. 面向主题:采用范式模型理论中的主题划分方法对业务数据进行分类。2. 一致性保证:采用维度模型理论中的总线结构思想,建立统一的一致性维度表和一致性事实表来保证一致性。3. 数据质量保证:无论范式建模还是维度建模都非常重视数据质量问题,综合使用两个理论中的方法保证数据质量。4. 效率保证:合理采取维度退化、变化维、增加冗余等方法,保证数据的计算和查询效率。
中国移动的经营分析系统数据仓库
基础数据反映了省级经营分析系统涉及的中国移动核心数据,包括参与人、事件、服务、资源、帐务、营销和财务七大主题域,并依据实体-关系理论,遵照第三范式进行建模。
汇总数据来源于对基础数据中的常用指标数据进行轻量汇总,并对关键业务实体进行标准化处理。汇总数据服务于信息子层,用以减少数据转换步骤,提高数据提供的效率。
信息子层是经营分析系统加工后的结果数据,通过数据封装服务,对外提供统一的信息视图。
汇总数据逻辑模型体现了基础数据中部分数据的轻度汇总。汇总数据逻辑模型的设计采用自底而上和自顶向下两种方法相结合,首先将清单等汇总形成清单汇总,然后对应信息子层的数据需求,设计个人客户、集团客户、他网客户等主题的汇总。
信息子层逻辑模型的设计采用自顶向下方法,通过分析数据封装和业务规范的需求,形成基础数据视图(如KPI、报表)、个人客户、集团客户、家庭客户、他网客户、产品、渠道、终端、校园客户、垃圾短信客户、网络和营销资源统一视图。信息子层逻辑模型的设计采用自顶向下方法,通过分析数据封装和业务规范的需求,形成基础数据视图(如KPI、报表)、个人客户、集团客户、家庭客户、他网客户、产品、渠道、终端、校园客户、垃圾短信客户、网络和营销资源统一视图。
数据集市是?
数据集市将数据仓库中的数据按照不同角度进行组织和存储,主要面向地市分公司或者特定业务部门、特定需求的业务,建立相应的应用专题。数据集市的特点是数据粒度较粗,数据采取星型或雪花型结构,较少保留历史数据,便于访问分析和快速查询。数据集市具有面向特定用户群、合理的查询响应时间、便于扩展的特点。数据集市目前细分为地市数据集市和专业数据集市,其中专业数据集市又分为增值业务数据集市、集团客户数据集市和互联网数据集市。
数据集市通常是数据仓库的子集;它等数据通常来自数据仓库 – 尽管还可以来自其他来源。数据集市的数据专门针对特定的用户社区,以便他们能够快速找到所需的数据。通常,数据保存在那里用于特定用途,例如财务分析。
数据湖是什么?
数据湖(Data Lake)是一个存储企业的各种各样原始数据的大型仓库,其中的数据可供存取、处理、分析及传输。数据湖是以其自然格式存储的数据的系统或存储库,通常是对象blob或文件。数据湖通常是企业所有数据的单一存储,包括源系统数据的原始副本,以及用于报告、可视化、分析和机器学习等任务的转换数据。数据湖可以包括来自关系数据库(行和列)的结构化数据,半结构化数据(CSV,日志,XML,JSON),非结构化数据(电子邮件,文档,PDF)和二进制数据(图像,音频,视频)。如果没做好企业数据模型构建,我个人认为数据湖是懒人数仓。
大数据平台是什么?
企业级大数据平台实现结构化、半结构化和非结构化数据统一存储计算功能,通过数据封装提供服务功能,提供自助报表工具,面向市场、网络以及企业外部提供服务。
数据采集中心:负责采集多样化数据。
数据计算存储中心:负责对数据进行加工、转换和汇总等工作,并将数据加载到不同的存储系统中。
开放共享中心:统一数据服务接口。
数据管理中心:负责系统数据的元数据、数据质量、数据模型和数据安全管理。
运营管控中心:负责系统运行任务的编排、调度,以及设备、平台和应用的全景运维监控视图。
随着平台厂家和应用厂家的分离,应用的凸显,为了实现数据价值,以数据应用为中心构建企业数据模型,为实现内外部应用支撑,又建设了开放共享平台,提供数据服务和Open API服务,为了支持多应用厂家协作开发,又提供了多租户管理,安全管理、数据目录管理。但在构建过程上缺乏标准化,大家看看是不是这就是数据中台的雏形。
什么是数据中台?
数据中台是数据服务工厂。
数据中台对于业务的价值是“加速从数据到价值的过程,提高企业的响应能力“。
数据中台对是聚合和治理跨域数据,将数据抽象封装成服务,提供给前台以业务价值的逻辑概念。
后文是对数据仓库、大数据平台、数据中台的一些总结性的架构材料,也是对自己这些年来的一些汇总和思考吧,看懂了前面的文字,后面的各种架构图也就无需赘述了。
数据仓库硬件架构
数据仓库包括了文件服务器、调度服务器、数据仓库服务器、数据集市服务器、邮件服务器、4A认证服务器、应用服务器、数据备库,后来发展到分布式调度、MPP,都是一点点演进出来的。
数据仓库功能架构
数据仓库技术架构
第一个Hadoop平台硬件架构
每天接入5T上网信令
1、小机+数据库计算存储能力不足
2、小机+数据库扩容成本太高
3、单机文件采集吞吐量不足
主要是为了解决海量离线数据的计算和存储,在Hadoop集群中实现明细数据、汇总数据存储,在mysql中实现报表数据存储。
Hadoop管理和存储集群:负责海量数据存储和计算
分布式文件采集集群:负责海量数据的文件采集
分布式ETL调度集群:负责海量数据的ETL编排和调度
应用服务器:负责应用系统的构建
MySQL服务器:负责报表层数据的存储。
第一个流式处理平台硬件架构
每天接入7T上网信令+5T位置信令
1、对信令的实时采集
2、对信令的实时计算
3、对信令的实时事件捕捉
主要是为了解决海量实时数据的流式采集和计算,在Hadoop集群中实现明细数据、汇总数据存储,在mysql中实现报表数据存储;并通过实时事件处理集群实现流式事件的匹配。
Kafka集群:负责将信令数据或数据库日志数据转入消息队列供下游消费
实时事件处理集群:负责获取消息队列数据,并进行数据实时统计和实时计算
实时服务集群:负责将实时事件数据放入redis缓存中,并结合静态数据进行结果输出。
▍大数据平台系统规划
规划是建设的基础
大数据平台系统规划-硬件规划
大数据平台系统规划-磁盘规划
大数据平台系统规划-平台软件规划
大数据平台系统规划-内存库规划
大数据平台系统规划-数据流向规划
大数据平台系统规划-平台监控规划
大数据平台-技术栈
大数据平台-逻辑部署图
大数据平台-功能视图
大数据平台-数据流向图
大数据平台-数据流向图
大数据平台-硬件架构
大数据平台-整体硬件架构
大数据平台-Lambda架构和kappa架构
数据中台
数据中台整体架构
数据仓库实现了企业数据模型的构建,大数据平台解决了海量、实时数据的计算和存储问题,数据中台要解决什么呢?数据如何安全的、快速的、最小权限的、且能够溯源的被探测和快速应用的问题。
数据中台不应该被过度的承载平台的计算、存储、加工任务,而是应该放在解决企业逻辑模型的搭建和存储、数据标准的建立、数据目录的梳理、数据安全的界定、数据资产的开放,知识图谱的构建,通过一系列工具、组织、流程、规范,实现数据前台和后台的连接,突破数据局限,为企业提供更灵活、高效、低成本的数据分析挖掘服务,避免企业为满足具体某部门某种数据分析需求而投放大量高成本、重复性的数据开发成本。
厚平台,大中台,小前台;没有基础厚实笨重的大数据平台,是不可能构建数据能力强大、功能强大的数据中台的;没有大数据中台,要迅速搭建小快灵的小前台也只是理想化的。
我想这才是数据中台的初衷。
作者简介:王保强
21年IT工作经验,IT老兵一枚。
关注领域包括证券、航空、制造、电信、电网等。
在数据库开发和优化、数据仓库、系统架构、大中型项目管理、数据治理、数据分析、大数据方 面有一定研究。
ITPUB数据仓库和MSSQL等版块版主,dataguru网站电信版版主,CSDN专家博客,曾获ITPUB 最佳博客和ITPUB数据库大版最佳版主,曾受微软邀请参与2012年西雅图举办的DTCC大会。
《剑破冰山–Oracle开发艺术》一书合著者;《IT项目管理那些事儿》一书主编。
已申请多项IT方面发明专利。
参与移动集团经营分析系统5.0、企业级大数据平台1.0相关规范的编写和审计;
集团公司移动大数据专家。
中台搞了2年,项目叫停,CIO被裁!本以为中台是道送分题,没想到是送命题!
你需要的不是中台,而是一名合格的架构师(附各大厂中台建设PPT)