数据治理是脏活累活，到底能不能干？怎么干？

转载/知乎，作者分治实践，如有侵权，请后台联系删除！

一、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最终答案：“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

二、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

图片来源：阿里巴巴 OneData

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：描述事物的最小单元体
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、字段名最长不超过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唯一出口，维值和指标数据的唯一出口

4. 数据资产沉淀

图片来源：阿里巴巴 OneData

词根、命名归档
指标定义说明、指标树归档
维度、维度树、数据类型
计算逻辑统一，如：利润、成本等形成标准计算公式

5. 流程改善

建立运维监控体系
开发流程(仅包含数据模型及 ETL )，关键节点维度、指标及计算逻辑确定

开发流程

6. 标准化规范化数据流向

避免大量的烟囱式开发、重复生成明细表或轻度汇总表、分层引用等不规范性及数据链路混乱

标准化数据流向图

标准的数据流向进行开发：即ODS–>DWD–>DWS–>APP 或 ODS–>DWD–>DWM–>APP
新业务数据流：遵循ODS->DWD->APP或者ODS->DWD->DWS->APP两个模型数据流

寄语：一旦开始数据治理，不要半途而废

码字不易，点个关注吧，我想给你分享更多数据资讯！