面试官：如何管控数据？

大家好，我是一哥，昨天分享一篇数仓面试的知识点《掌握这些数仓知识，再也不怕面试官!》，但是面试还缺少了一部分数据管控的知识，今天补上~

01数据管控背景

数据管控是在做大数据平台包括传统BI都需要做的工作，数据从各个数据源过来，我们都要进行数据质量的管理，也就是我们常说的数据治理。那么在数据仓库建设的时候如何进行数据管控呢?

我经历过的项目主要采用以下管控手段：数据质量、数据生命周期、数据标准、元数据四方面的管控。

02管控手段

一、数据质量

不管是做数据仓库建设还是做数据分析，一致和准确的数据是数据模型与决策分析的基础。在实际生产环境中，我们从不同的系统抽取数据到大数据平台，那么我们就要提供一套数据监控机制，对数据质量进行监控。良好的、高质量的数据可以有效降低系统建设成本。

二、数据标准

保证标准命名、编码、业务解释等内容的唯一性。只有建立相应的标准，同时加强业务的标准化工作，规范重点业务内容，强化业务管理。并在实时过程中加强现有数据的交互性，支撑统一的业务管理，只用建立的数据标准，才能推动主数据系统的建设，完成重点数据的统一管理，为后期数据模型完全共享打下坚实的基础。

同时在数据质量监控的同时，我们会不断完善数据标准，以适应企业内部多变的系统环境，从而形成良性循环。

关于管控流程，概括三个字：查&管。

查，分为测试验证和上线审核。

测试验证：

a). 总量核对，核对上下两步的数据总条数，没有过滤条件的话应该是一致的

b). 多维度统计，复杂的多维度指标拆分成单维度SQL统计，对每个指标分别进行核查。

c). 多表关联统计，拆分成中间表进行核对每一步骤的指标。

d). 明细到指标统计，比如随机找一台车的明细和最后统计的指标进行核对。

e). 新老统计对比，比如有些指标是迁移或者之前业务手工制作，可以开发后的新指标同老指标进行对比。

上线审核：

a). 对查询表的where后面的条件、join关联字段、group by分组字段等重点检查逻辑，和需求理解结合审核。

b). 根据上面的数仓规范检查数据集命名、数据集字段命名、任务名称进行审核，是否按照数据仓库建设规范中的业务域、维度、原子指标、修饰类型、修饰词、时间周期、派生指标等标准进行命名。

c). 代码注释审核，每一步处理需要有注释该步骤的作用，每个指标也要有注释，where条件等也要添加注释。

d). 重要任务是否开启短信告警，任务启动时间等审核。

e). 任务上线的位置是否符合上线标准，比如上线的数据层级与业务层级等。

管，开发过程中，大家需要遵循一些流程规则，以确保指标的定义，开发的准确性。

a). 需求上线时候需要在知识库中完成所开发需求逻辑说明

b). 复杂需求(比如项目指标)，需要团队至少两人以上评审需求后开发。

c). 提交上线申请的同事需要备注上需求逻辑说明。

审核上线人员为“轮值”，审核上线人员需要review开发人员的代码，需要和开发人员共同承担代码质量

三、数据生命周期

随着企业业务的增长，越来越多的数据汇入大数据平台，同时在建设数据仓库的时候，我们还进行了数据分层管理，数据会存在多份共存情况，那么此时我们就要做数据生命周期管理，对不必须保存的数据，进行冷数据管理。控制数据的生命周期，一方面可以减低成本、简化管理，同时也为我们集群腾出了资源，提高了系统性能，尽可能满足现有业务的高效运行。另外，在做数据生命周期管理的同事要注意一些风险，比如法规，对于很多互联网、银行、电信、车联网等企业，相关部门会提出原始数据必须保持多长时间的要求。在制定数据生命周期管理时，一定要注意!

可以参考前天分析的网易的技术经验《数仓治理之数据任务重构实践》

四、元数据

元数据就是对一些业务术语、标准等的统一定义、管理。对各种数据流接口的统一管理。同时在构建数据模型的时候，通过元数据我们可以进行血缘分析等。

03总结

通过上面我们介绍的管控手段的几个要点，那么在实施过程中是否能够成功呢?大概率不会，因为团队总会有那么几个人嫌规范太繁琐，不按套路出牌，所以建立一些标准的基础上，在实施过程中我们还有建立一些规章制度，来帮助我们的规划落地，比如和员工绩效挂钩、或者制定一些流程管控、增加上线审核机制等，只有规范和流程相结合了，才能更好的进行实施管控数据，也只有管控好数据，才能更好的保证数据分析的成功。