在人口流量红利不再，获客成本越来越高的时代，精益创业、MVP 的概念已经深入人心，精细化运营也是大势所趋，而这些背后本质上都依赖数据化运营，那如何根据现有业务，快速从 0 开始打造一个契合业务的数据产品呢？本文将以某二手交易平台业务为基础，讲述整个数据平台从 0 到 1 的演进与实践，希望对大家能有所启发。
1、背景
在某二手交易平台开始大数据平台建设之前，整个数据从需求提出到研发流程再到数据报表、数据产品，也是经历过一段非常混沌的时期，而且效率和质量往往很难得到保障，主要表现为以下几个方面：
（1）可用性差
比如经常出现计算延迟、异常，数据指标也常常数据对不上，很多相似的指标不清楚具体差异在哪，即使同一个指标也可能不同的同学开发的而对不上。另外数据波动无感知，比如日志格式出错，结果第二天才发现有问题。
（2）维护成本高
成百上千的日志模块，不知从何维护，出了问题也不知道从哪里可以追溯到源头和负责人。
（3）业务快速迭代，精细化、数据化运营需求和研发资源之间的矛盾
2、目标与方案
（1）目标
数据可管理、可维护、可扩展、高可用
及时、准确、直观的呈现业务数据与问题
降低使用门槛，提升使用效率
（2）方案
数据仓库化
数据平台化
3、数据仓库建设
结构化
层次化
主题化
模型化：用户模型/事件模型
ETL
ETL 是整个数据仓库的核心，正如业界流传的一句话：Garbage In, Garbage Out. 脏活累活都是在这一层完成，以便为上层业务提供口径、格式、逻辑统一的数据层，提升数据质量和稳定性，如果这一层没做好，上层的统计分析与数据挖掘无异于空中楼阁。ETL常见的工作如下：
无效数据
脏数据转换
数据模型/业务逻辑预处理
高可用：依赖、重试、告警、优先级
4、数据平台化与产品化
从数据体系和平台的层次来划分可以分为标准的五层结构：采集层、传输层、存储层、计算层、应用层
随着业务的不断迭代，业务逐渐复杂、数据量也急剧膨胀后，每一层都会遭遇挑战，比如采集层，如何在高并发的情况下，保证日志能稳定落地到磁盘而不重不丢不延时？是采用开源的 Nginx+Lua 方案还是自研组件造轮子？数防止数据的无限膨胀，据仓库元数据怎么管理？如何减小维护成本？计算层的任务调度如何解决依赖关系，又如何做到分布式调度高可用？以上这些问题，早期我们大部分都采用开源的解决方案，但在后续的易用性、扩展性和维护性都遭遇了不少问题，总体成本一点都不低，因此最后我们大部分还是采用自研的解决方案（这块话题比较广，细节比较多，本文暂时不展开详述，有机会后续将会单独展开分享）。又如计算层的 OLAP 引擎我们该如何选取？比如 MR 适合大规模数据集的批处理，Hive 适合灵活的探索式即席查询，Kylin 适合多维实时统计分析，Storm 适合实时流式计算，Spark 适合内存迭代型计算，到底该选谁？可以看到的是没有所谓的银弹和通用解决方案，需要结合自身的业务场景和需求来技术选型和架构。
整体技术栈与架构如下：
数据产品化方面主要是对数据需求与报表的抽象，最终形成通用的自动化报表工具，比如：
业务需求抽象分类：求和、求平均、TOP K、最大最小、去重、过滤
多样性的解决方案：离线、实时、单维、多维
基于这些抽象，我们比较容易实现基于报表、统计项和日志、日志行之间的逻辑映射关系，形成通用的自助化配置报表，极大释放开发资源。
另外产品、运营、BOSS可能随时需要关注业务运营状态、利用数据做各种分析和业务决策，我们需要考虑到平台的移动化与跨终端，这里我们在技术选型时就考虑到了这一点，利用比较流行的响应式布局框架可以近乎 0 代价实现跨平台，而不用单独去开发 iOS 或 android 客户端。
5、数据指标体系化、分析框架与方法论
数据指标和维度成千上万，如何基于业务去展开分析，又如何去量化运营效果，评估业务，其实是需要建立一套科学的分析框架和指标体系的，否则只会迷失在数据的海洋里，或者盲人摸象得出错误的结论，以某二手交易平台的业务体系为例，咱们可以看下某二手交易平台的数据指标体系：
另外基于此我们设计了一些常用的数据模型与分析框架，供业务方快速的分析决策，评估效果，比如留存、漏斗模型，精益创业里的 AARRR 分析框架，基于用户事件模型，我们还实现了自助化的漏斗、留存分析工具，供业务方自助化的配置任意想关注的路径漏斗或行为留存。
6、整个数据平台及其体系化的重难点
漏斗透传机制：这个属于日志埋点问题，如果不解决，一些通用的数据模型如漏斗分析就无法进行，因此我们设计了一套 Session 级别的透传机制，确保用户每个页面或动作的访问能够被串联分析，追溯来源入口，精细化分析改善现有产品和有针对性的运营。
数据治理：数据质量的体系化建设，数据仓库、实时监控是两个不错的解决方案。
业务级别的元数据管理：将元数据细化到业务层次，降低业务方的使用门槛，提升决策效率。
数据生命周期管理：哪些是热数据哪些是冷数据，核心和非核心，长期和短期，防止数据的无限膨胀，带来繁重的存储、维护成本和计算资源的浪费。
大数据场景下的实时多维分析：比如大数据场景下的实时去重计算，我们会依据不同的场景，选取不同的方案，如bitmap、分布式缓存、基数估计等等，在计算代价和时效性、准确性三方面去做 tradeoff。
7、总结：如何根据现有业务，快速从 0 开始打造一个契合业务的数据产品？
走进业务
抽象业务诉求
换位思考，走在需求的前面
站在巨人的肩膀上
万变不离其宗的方法论
