Hadoop数据仓库之数据治理

Hadoop数据仓库之数据治理

数据治理这个问题对于我一个小白来说，好像有点宽泛，从我自己的感觉来说，数据治理应该是有过很多数据体系建设经验之后的一些总结，今天我们就参考一些大佬的建议，对谈一谈数据治理，对以往内容感兴趣的同学可以参考：

• 第一篇: Hadoop之数据仓库概述.
• 第二篇: hadoop数仓建设之日志采集.
• 第三篇: Hadoop数仓建设之数据同步.
• 第四篇: Hadoop数仓建设之数据模型.
• 第五篇: Hadoop数仓建设之指标管理.

❄️从数据治理的理念上来看，“治”不应只在事后，更应在事前，“理”考验的是业务与技术能力的结合。从实际内容上来看，数据治理是一套方法体系+工具集，旨在帮助企业合理的架构数据、规范的定义与加工数据、清晰的管理数据、安全的应用数据，促使数据从成本中心变成价值中心，驱动企业数字化转型。

1.数据治理是什么？

数据治理：为公司业务越来越复杂而带来的数据越来越脏、乱、差的问题，而提出一套治理数据的方法+工具集

2. 数据治理的内容

这一部分，我将从六个方面来讲解数据治理的内容。

2.1 数据标准定义

数据维度及指标需要清晰的、统一的、标准的定义。（这里的部分参考Hadoop数仓建设之指标管理的文章，我这里列举一些例子）

• 维护业务术语库：要做到见名知义，同名同义、不同名不同义，公司命名尽量统一。
• 表命名规范：数据分层（ods/dwd/dwm/app）、采集周期（hour/day/week/month）、全量/增量（whole/increment）
• 指标命名规范： 原子指标 = 业务术语库 + 历史指标名；派生指标 = 统计周期+统计粒度+业务限定+原子指标。
• 维度命名规范：公司维度名=业务系统透传 + 业务术语库 + 历史字段名
• 数据类型：bigint、string、decimal ，备注comment。

2.2 数据模型规范

按业务领域拆解业务过程，根据业务过程设计数据模型，高内聚低耦合，尽量能够支撑未来扩展，一般采用维度建模+宽表模型，记得数据分层。一般模型确定过程如下：

• 确定业务过程
• 确定粒度
• 确定维度
• 定义指标

2.3 数据开发规范

在数据开发过程中有几点需要注意：编程规范，代码质量、运行稳定，SQL效率。如大数据之路中所述，过程一般分为以下几个部分：
开发、测试、CodeReview、[修改优化、测试、CodeReview]、审批、上线。

2.4 数据质量管理

1. 保证数据可用、权威（数据的完整性、准确性、一致性、及时性）
2. 从上游采集、中间的数据加工，下游的数据服务都需要一套质量检测工具来保障准确性、完整性、一致性、及时性。
3. 指标预测（根据历史数据预测当日指标数据与当日实际指标数据比对）
4. 数据剖析

2.5 元数据管理

1. 数据表的血缘关系
2. 使用频率统计（对使用频次低的表进行管理）
3. 表的生命周期（存储需要成本，定期清理，归档）

2.6 数据安全

1. 数据安全意识最重要！
2. 对数据的安全等级、数据脱敏、表（列）级权限控制、（访问日志）安全审计制定详细的规则。
3. 为数据的合规使用制定规范，必须在合规范围内安全使用数据。

3. 参考资料

《大数据之路》
《hadoop构建数据仓库》