数据仓库研发规范
CIO之家的朋友 大数据学习与分享

在大数据时代，规范地进行数据资产管理已成为推动互联网、大数据、人工智能和实体经济深度融合的必要条件。贴近业务属性、兼顾研发各阶段要点的研发规范，可以切实提高研发效率，保障数据研发工作有条不紊地运作。而不完善的研发流程，会降低研发效率，增加成本与风险。

总而言之，数据资产管理实际上是对物的管理，而研发流程规范管理则是对人的行为的管理。只有落实了作为基础的后者，才能进一步实行数据资产管理方法论。

数据仓库研发规范旨在为广大数据研发者、管理者提供规范化的研发流程指导方法，目的是简化、规范日常工作流程，提高工作效率，减少无效与冗余工作，赋能企业、政府更强大的数据掌控力来应对海量增长的业务数据，从而释放更多人力与财力专注于业务创新。

阶段规划

鉴于对日常数据仓库研发工作的总结与归纳，本文将数据仓库研发流程抽象为如下几点：                    

  1. 需求阶段：数据产品经理应如何应对不断变化的业务需求

  2. 设计阶段：数据产品经理、数据开发者应如何综合性能、成本、效率、质量等因素，更好地组织与存储数据

  3. 开发阶段：数据研发者如何高效、规范地进行编码工作

  4. 测试阶段：测试人员应如何准确地暴露代码问题与项目风险，提升产出质量

  5. 发布阶段：如何将具备发布条件的程序平稳地发布到线上稳定产出

  6. 运维阶段：运维人员应如何保障数据产出的时效性和稳定性

角色职责

  • 数据产品经理：负责承接、评估业务方提出的数据需求，并组织需求评审、产出产品需求文档，同时需要把控其它更为细化的技术评审

  • 设计人员：根据已定稿的产品需求文档所述需求，进行数据探查，了解数据形态（数据质量、数据分布），同时根据探查结果实现表设计、Mapping设计、调度设计等系分设计工作

  • 开发人员：根据设计人员产出的稿件，制定计划并实现代码，同时进行单元测试与代码评审

  • 测试人员：负责验证需求与结果的一致性，发现代码问题与项目风险

  • 运维人员：负责发布任务，并处理数据、程序、调度、监控告警等异常事件，保障数据产出时效、程序高效运行和生产稳定性

  • 信息安全与合规人员：在需求评审前期，负责需求实现的安全性与合规性

数据仓库研发规范整体流程

下图为根据阶段规划与角色职责的内容，整理出的数据仓库研发规范的整体流程。

image.png

需求阶段

数仓的最基本职责是定义和发现在企业决策中使用的信息，随着企业战略方向的改变与业务方对行业判断的变化，需求会不断变化。该特性决定了数据仓库需求的多样性和迭代性。

作为承接业务方数据需求的数据产品经理，在需求阶段需要规范首次需求流程和迭代需求流程。

首次需求流程

对于业务方首次提出的需求，重点工作在于评估完成该需求的技术、数据、合规的可行性后，以细化需求的方式完成产品需求文档，并组织需求评审会议多方共同敲定需求最终实现方案。

image.png

首次需求流程包括以下步骤：

  1. 提出需求

    • 外部沟通：数据产品经理主导，负责与外部门业务方充分沟通。力求获取并理解业务场景（背景）、目标和实现价值。

      说明 此处不必与业务方讨论需求实现的途径或细节，双方只了解需要达到什么目标，而不讨论如何实现。

    • 完成产品需求文档的初稿：得到充分信息后，按照数据仓库需求模板中的常规需求申请单，将需求转化为产品需求文档的初稿。

  2. 分析需求

    • 需求合理性：评估该需求的合理性。

    • 数据可行性：评估当前已有数据能否支撑需求开发，如果缺少数据，则需要另行规划缺失数据的抽取方案。

      同时建议进行深入的数据探查，包括但不限于数据完整性、字段离散值分布情况、空值、零值、重复值占比等情况。

    • 技术可行性：评估当前已有数据模型能否支撑需求开发，如果不能，则需要规划模型改造方案，并充分评估其影响。同时在测试环境进行模型测试。

      说明 如果涉及资损、精确对账或其他关键模型的改造，测试人员必须进行测试。

    • 是否满足安全与合规要求：根据企业自身数据安全的要求，严格控制数据内部流向，划分研发过程中数据可流入的库、项目、表、字段等。对于流出外部的数据，更需要严格评估流出数据内容、流出目的地是否符合公司数据安全的要求。

      说明 此项评估是不可跳过的步骤。

    • 可行性分析：数据产品经理主导，邀请设计、数据安全与合规人员，对需求进行评估。

    • 实现细节分析：数据产品经理主导，对实现需求的细节关键点进行确认，包括但不限于数据口径、接口格式、供数频率和需求优先级。

    • 完善产品需求文档：完善产品需求文档的初稿。

  3. 评审需求

    数据产品经理主导，邀请设计人员、测试人员发起需求评审会。会议内容主要包括：

    • 各方提出对于产品需求文档中各细节的疑问。

    • 共同达成对于疑问的解决方案。

      说明 评审会议上不得遗留影响后续研发流程的关键问题，否则视为评审不通过。

  4. 确认需求

    N个工作日（视各企业实际情况而定）内如果无异议，则产品需求文档定稿，并开始进入后续的设计与开发阶段。

迭代需求流程

对于同一需求，在完成首次需求评审并定稿产品需求文档后，业务方再次提出的需求，均属于迭代需求。

迭代需求的流程与首次需求流程类似，均需进行可行性分析、实现细节分析。分析完成后，视实际情况来定是否需要再次进行需求评审，最终将新老需求合并至产品需求文档终稿。

image.png

迭代需求流程包括以下步骤：

  1. 申请需求变更

    数据产品经理完成业务方迭代需求对接后，将新的需求录入数据仓库需求模板的迭代需求申请单中。

    说明 如果企业具备需求相关管理平台，建议通过平台+数据库形式规范化存储不断迭代的每个需求版本。

  2. 评审需求变更

    原则上需求评审需由数据产品经理发起评审会议来完成，但如果需求迭代内容不多，评审方式可视情况而定选择邮件或现场会议方式，具体视变更内容由变更委员会决定。

    评审内容仍为实现需求必须面对的技术可行性、数据可行性、安全与合规要求性展开讨论，如果多方有异议，则必须共同达成一致性解决方案。

  3. 确认并合并需求

    数据产品经理将上一版本定稿的产品需求文档内容，与本次评审定稿的产品需求文档内容进行合并。

    如果两个工作日内无异议，则视为需求确认。

设计阶段

完成需求阶段的工作后，数据产品经理会产出最终版本的产品需求文档，以供设计人员进行设计工作。

设计工作包含数据探查和系分设计两部分：

  • 数据探查旨在了解来源数据的数据形态，例如数据质量、数据分布等。结合业务场景，帮助分析和判断需求实现的可行性以及找出潜在的数据问题和风险。

  • 系分设计则包括表设计、Mapping设计和调度设计等最实际的设计工作。

设计完毕后，最终将产出供开发人员参照实施开发的ETL设计文档、数据探查文档、调度设计文档，为需求的有效实现打下坚实基础。

image.png

设计阶段的流程包括以下步骤：                  

1. 数据探查                        

数据探查的目的是了解数据的形态，找到潜在问题与风险。数据探查是决定数据可靠性的关键步骤。数据探查报告可以为后续开发提供指导，并作为依据指定开发计划。              

数据探查的内容主要包括但不限于以下内容：

  • 源表数据主键字段重复数

  • 源表字段空值/异常值的统计数

  • 源表之间关联关系

  • 源表字段的数据格式

  • 源表增量规则

探查完成后，最终产出数据探查报告。如果发现当前数据无法支撑需求的实现，则要将需求退回给数据产品经理，由数据产品经理发起迭代需求流程。   

2. 系分设计                        

系分设计包括表设计、Mapping设计和调度设计三部分。

表设计是指依据需求设计目标产出表、中间产出表。包含表名、表名解释、字段名、字段类型、字段注释以及字段安全等级等。表设计的步骤如下所示：

  • 设计表名、字段名：要求相同的字段在不同表中的字段名相同，相关规范请参见命名规范

  • 设计主键和外键

  • 设计字段注释：通过标注字段注释、枚举值来表明字段含义，如果枚举值过多，建议为枚举值创建维表

  • 设计表分区：建议所有表都创建为分区表

  • 设计数据生命周期

企业应根据自身实际情况来进行设置，也可以参考如下数值：

image.png

Mapping设计采用图形化或伪代码的形式编写规划以下内容：

  • 每个字段的生成逻辑

  • 表与表之间的关系

  • 目标字段与原字段间的算法逻辑

将上述内容产出为ETL文档留存，ETL将作为后续开发流程的第一参考依据。
调度设计

  1. 依赖设计                              

    将ETL抽象为多个相互依赖的代码节点形成上下游依赖关系，要求如下：              

    • 一个节点仅产出一张表，一张表仅由一个节点产出

    • 下游节点的输入数据来自于上游节点的产出数据

    • 多并行、少串行（在分布式系统下可发挥其优势）

  2. 运行周期                              

    如果数据研发的场景是在常见T+1离线计算场景，则应将不同调度任务按照实际业务需求，赋予小时、日、周、月和季度等不同的调度粒度。

    说明   

    • 程序必须支持重跑。

    • 如果SQL语句优化后，单次执行仍超过30分钟，建议拆表重新设计，建议每个节点运行时长不超过1小时。

  3. 设置基线：在传统T+1（每日计算的是前一日产生的业务数据）的场景下，数据理应在第二天某个时间点按时产出以支撑BI或其他应用场景，因此应设置如下基线报警策略。详情请参见基线管理。                              

    • 最终产出任务基线：规定产出最终数据的任务必须在公司规定的X点X分完成，否则视为破线（同时推送相应报警）。

    • 中间任务报警：产出最终数据的任务的上游任务应稳定、按时运行完成。如果出现出错、变慢（运行时间明显长于历史过往平均运行时间）等可能影响最终任务完成时间的事件，则应第一时间推送报警给第一任务责任人。

  4. 设置优先级：基于有限的计算资源来设置任务优先级，以保证在已有资源被充分调配利用的情况下，可以按照顺序产出数据，保证重要任务的准时产出。调度设计完成后，需要产出调度设计文档。

  5. 数据流设计                              

    ETL过程中，数据流向有如下限制：                                  

    • 数据流向仅支持由低到高，即ODS->DWD->DWS->ADS。

    • 数据不能且不能跨层引用、逆向引用。

    • DWS层不同集市的数据不能相互引用，必须沉淀到DWD层。

开发阶段

您在完成需求评审、模型与调度设计后，即可进入数据开发阶段。

开发阶段的主要任务是将设计阶段的产出转化为具体代码。开发过程中，开发人员必须保证代码的规范性、准确性。同时进行适当的单元测试，以便后续测试工作可以顺利开展。

image.png

开发阶段的流程包括以下步骤：

  • 代码开发

  • 单元测试

  • 代码评审（Code Review）                

测试阶段

开发阶段已经完成了代码的实现，为了发现代码问题、暴露项目风险、提升产出质量，需要进入测试阶段，通过测试用例对代码进行分析，为最终发布提供决策的依据。

image.png

测试阶段的流程包括以下步骤：                                   

  1. 测试分析 

  2. 准备测试用例

  3. 执行测试

  4. UAT测试：交付测试、数据测试完成后，数据产品经理需要站在在业务角度，对产出数据进行验收测试，最终提供验收测试报告

发布阶段

发布是将具备发布条件的程序发布到线上系统，并以生产标准进行数据产出的过程。

发布分为正常发布和紧急发布：                  

  • 正常发布：发布节奏在原则上是可预见性、周期性的，发布计划可提前制定和公布。正常列入排期计划的需求，都必须按照正常的节奏安排发布计划

  • 紧急发布：紧急发布是为应对突发性、紧急性状况而额外开启的可选发布，如线上BUG紧急修复、突发性需求等              

    在接到紧急发布需求后，第一时间应评估是否可以随最近一次正常发布窗口期发布。如果不可以，则根据企业实际情况发起紧急发布申请

发布阶段的流程主要包括发布申请、发布审批和发布执行。

image.png

运维阶段

开发人员根据需求将代码发布上线后，还需要及时处理数据、程序、调度、监控告警等的异常事件，保障数据产出时效、程序高效运行和生产稳定性。

数据开发人员主要需要处理以下事项：                    

  • 程序异常处理、性能优化。

  • 调度异常处理。

  • 数据质量监控规则异常分析、规则优化。

  • 数据异常的核查。

运维阶段的流程包括分析影响、制定与实施方案和验证实施方案。

image.png

操作步骤：

  1. 分析影响

  2. 制定与实施方案

  3. 验证实施方案

CIO之家 www.ciozj.com 公众号:imciow
关联的文档
也许您喜欢