企业大数据工作的任务、工具及挑战

随着互联网、移动互联网和物联网的广泛而深入地应用，人类活动的踪迹加快在网络空间的映射，网络浏览、行车轨迹、物等等均留下数据记录。

目前，全球数据呈现爆发式增长态势，人类社会迈入大数据时代；

全球每18个月新增数据量是人类有史以来全部数据量的总和。

大数据的核心是数据，与大小无关，数据已经成为战略资产。

数据是人类活动在网络空间的映射，蕴含人类生产、生活的规律，挖掘数据潜在价值，对国家治理、社会管理、企业决策和个人生活影响深远。

世界经济论坛的报告认为大数据为新财富，价值堪比石油；

商业版图由此被重新划定，通晓如何利用这些数据的企业将成为最强者。

0. 澄清基本概念

为了不在后面讨论中因概念不清产生误解，我们首先给出几个定义：

大型IT企业：指对外提供IT相关的软硬件产品及服务的公司，员工至少在万人以上。

数据平台：指大型IT企业用来为自身服务为主，担负数据存储、处理、分析业务和软硬件综合。

主要针对内部服务，不对外开发。

数据分析：此处的数据分析师广义的，包括一切基于数据得出的insights的行为，包括统计分析、机器学习建模和预测等。

1. 大型IT企业开展对内数据业务的驱动力

就目前而言，IT企业针对自身的数据分析业务可以分为广告和非广告两类。

对大多数企业而言，除了广告之外的数据业务，并不能直接带来可以量化的收入。

但是，无论当前数据分析的结果为企业的现金流做了多少贡献。

数据为王的思想已然占据了众多前沿企业间的头脑。

数据是矿山，insights是金子，有了矿山才能有金子，有了矿山，终究会有金子。

因此，开发数据业务最主吵颤要的驱动力，实际是对数据业务未来前景的积极预估。

主要应用有(除广告之外)：

用户画像——越来越多的企业开始观众用户画像，毕竟知己知彼百战不殆，卖东西先得了解买主。

客户保持——预测哪些现有客户可能弃用产品或服务，即使采取措施挽留之。

产品使用分析——DAU，MAU，PV，UV，CTR等等，这些看起来都是些简单的统计数字，但却是反应产品被使用情况的重要指标。

产品推荐、销量预测 销售指标……等等

具体到某一种应用，看似并不复杂，有些有成熟的方法可以用来训练模型，还有些根本就是统计指标。

似乎并不需要什么高深的算法背景。但一旦涉及实际，就不像看起来那么简单了。

即使是统计指标，也不像想象得那样，随便run几个sql query就能得出来。

对于大型分布式系统，不同模块的访问log都有可能分布在不同的cluster上，单纯收集每日全局log就是一个复杂工作，更别说之后的合并、去重、聚合等工作。

因此，大型企业的数据分析不是做个excel表，安装一个免费mysql能够解决的，而是需要专门的大型数据分析平台。

2. 数据分析平台通用架构

常见的数据分析平台，至少包括数据存储、处理和分析三个部分。

2.1 数据存储

数据存储不必解释，是一定必要的。

但是如何备份是一个很重要的问题。

假设：某公司一年产生上千PB的数据。

按照单纯数据的存储费用1美元/GB年计算，存1TB一年就是1000美元，一PB就是100万，1000PB就是10亿。如果就是简单的使用hadoop的默认配置，每份数据都存3份，那么，这个实际产生数据x 3的体量将有多大?有将有多大的cost?

这是存储层的挑战。为了解决这个问题，一方面从硬件层面力图降低存储介质的价格，比如近年来冷存储的提出，就是针对运维费用。

另一方面就是寻找备份汪碰链算法。

例如，yahoo专门研发了一种图片存储算法，逻辑上是11个备份，但是size只有原size的1.x倍。

2.2 数据处理

数据处理传统上叫ETL、EDW，主要指数据的清洗、迁移和格式化。

大数据平台，由于应用范畴不同，自然多种多样，源数据包括结构化数据和非结构化数据。

但是如果数据真的是“大数据”(符合4V特征)的话，即使本身收集上来的数据是结构化的，也往往需要二次处理，转换format或困孙schema。

数据处理层所需技术相对简单，然而挑战在于对于数据的理解。

如果不知道这个收集上来的log文件里面要提取出多少字段，每个字段对应数据源中的哪个部分，则数据提取完全不能进行。

这就要求进行数据处理的人必须同时具备对业务的了解。

2.3 数据分析

数据分析是数据中寻找价值的关键步骤。

数据分析工作本身还处于初级阶段。

除了一些简单的统计计算，大多数数据还是只能交给分析人员，进行没有特别针对性的探索，效果难以得到保证。

对于这些挑战，开展数据业务早的公司，相应的平台和技术是在针对自身业务的过程中慢慢发展起来，部分公司选择是将平台外包或者自己开发针对自身业务的定制功能。

相对于前两者，数据分析师一个业务针对性更强的步骤，因此更难采用通用方法或手段解决，更加依赖企业自身的积累。

3. 数据分析平台开源框架

3.1 开源框架

目前，就国内而言，谈到数据分析相关的开源框架，总不能忽略下面三个：

hadoop：batch，mapReduce

storm：streaming

spark：batch + streaming

这些开源框架的共同特点是把重点放在并行计算框架上，关注的是job latency, load balance和fault recovery，对于资源分配、用户管理和权限控制几乎不考虑。

它们基于的假设是:所有用户都一样，平权，所有用户都能用所有的机器以最快的可能完成所有工作。

3.2 开源框架的局限

而在大型企业内部，不同部门，同一部门的不同job，绝对不是平权的。

不同部门之间，也有很多私密的数据，不让别人访问。

不同用户的权限也是不一样的。对于计算资源的需求，因为不同job的优先级不同，也要求予以区别。

在这种需求之下，催生了一些第三方，专门提供hadoop等开源框架的资源、权限管理产品或者服务。hadoop在升级到2以后，也考虑一些数据隔离的问题。

但其力度，恐怕难以满足大多数大型企业的要求。

这也是使用开源框架的无奈。使用开源产品的商业发行版，也是一种办法。不过始终是不如企业原生系统在这方面的支持。

3.3 企业原生框架

确实也有些企业独立开发了全自主(不基于开源产品)的仅限于内部使用的分布式数据处理平台。在用户管理，数据访问权限，存储、运算资源管理等方面很下功夫。

例如：要求每个用户在提交job前必须先申请token，有多少token，就有多少计算量。不同数据存储路径之间的权限完全单独管理，使用者也要实现申请权限。

但是开发这样的系统意味着企业必须具备非常强大的研发能力，并能承担得起巨大的人力等资源的消耗。而且相对于开源系统已经实现的功能，难免有重复造轮子之嫌，即使是大型企业，也很少选取这种方案。

4. 大型IT企业数据业务的挑战

4.1 通用挑战：意识、技术和人才

4.1.1 意识

意识主要是指决策层的思想意识——数据对于企业发展是否真的必要?

这一点在很多管理者脑子里还是存疑的，他们目前所处状态很多是：听说数据这东西有用，人家都在搞，所以我们也要搞，至于是不是真有用，搞出来看看再说。

如果只是采用游戏或者试探态度，必然影响发展进程。但这也是没办法的事情，所有新事物都必须经历这一过程。

4.1.2 技术

技术指目前数据分析的技术，基本是采用新框架逆流支持旧接口的策略。

曾经有一篇文章，名叫《NoSQL?NO，SQL》，说的就是这个。

包括spark回头支持SQL，也是如此。明明我们分析的是非结构化数据，但是因为高阶算法的问题，却连mapReduce都放弃了，索性回到SQL时代。

为了让更多人用的舒服，不去开发针对非结构化数据的新方法，而是反过来，向下兼容结构化。

个人认为这是一种逆流。这样做则永远无法避免巨大的数据处理工作。

4.1.3 人才

“数据科学家”这个词大家肯定都知道。

可是，这个职位其实很模糊，不同公司，甚至同一公司的不同部门之间对这一职位的定义相差甚远。

有些数据科学家是学数学的博士，有些是以前做BI的，有些是PM转行的，水平参差不齐。

所以，恐怕在相当长的时期里，这会是一个门槛低，要求高的职位。很难短时间内批量涌现出优秀者。

4.2 特有挑战：产品align

产品align是说每个产品的数据分析结果可以互相对比，也就是要求其定义和实现都一致。

对于一个产品众多的大企业而言，要求不同产品、流水线的分析报告具有可比性，这是一个很常见的需求。

但是由于现在大多数企业中数据分析不是由一个部门统一管理，各个产品部门各自为战，结果导致在align的过程中互相牵制，进而拉低了所有产品的分析水平。

这样的挑战有赖于企业总体数据策略的制定和执行。

而整体策略的制定和执行又有赖于前面所说的三点通用挑战，环环相扣，显然不能一蹴而就。

5. 大企业数据工作的发展趋势

早期的数据分析工作，在实践层面基本采用批处理模式。

随着业务的发展，对于其实时或者准实时(NRT)的需求越来越多。

提供latency极短的增量分析和流式服务是众多企业数据分析工作的当务之急。

从长远考虑，真正拥有数据的是大企业，未来，大企业在数据的分析利用上，也必将全面胜出小企业。

不过，处于不同成熟阶段的大公司突破点各不同。

有些技术先行，在分析方法和工具上成为领军。

另一些则倾向数据管理和治理，在管理层面上，在策略、条例的制定上为整个社会提供先进经验。