「数据治理那点事」系列之二:手握数据「户口本」,数据治理肯定稳!

这篇文章主要从数据治理的基础和核心之一: 元数据 入手,从以下几个角度展开具体讲解:

  • 元数据概念
  • 元数据的分布和采集
  • 元数据的一些实际应用场景

一、元数据到底是个啥?

如果我说: 元数据(Meta Data),就是描述数据的数据 。没有技术背景加持的路人粉看到这句「绕口令」,内心可能会浮现这样的想法:

简单点,其实元数据相当于数据的户口本。

户口本是什么?它除了包含个人姓名、年龄、性别、身份证号码等各种基本描述信息外,还有这个人和家人的血缘关系,比如说父子,兄妹等等。所有的这些信息加起来,构成对这个人的全面描述,也可以称之为这个人的元数据。

同样的,如果我们要描述清楚一个实际的数据,以某张表为例,我们需要知道表名、表别名、表的所有者、数据存储的物理位置、主键、索引、表中有哪些字段、这张表与其他表之间的关系等等。所有的这些信息加起来,就是这张表的元数据。这么一类比,我们对元数据的概念可能就清楚很多了: 元数据是数据的户口本

二、元数据管理

是数据治理的核心和基础

如果让你带兵打仗,现在你必须要掌握的信息是什么?没错,一张战场的地图必不可少!而元数据在数据治理当中,就相当于所有数据的地图。

在这张关于数据的地图中,我们可以知道:

  • 我们有哪些数据?
  • 数据分布在哪里?
  • 这些数据分别是什么类型?
  • 数据之间有什么关系?
  • 哪些数据经常被引用?哪些数据无人光顾?

    ……

所以,如果我们做数据治理,却没有掌握这张地图,就犹如 瞎子摸象 。后续的文章中我们要讲到的数据资产管理,知识图谱,其实大部分也是建立在元数据之上的。所以我们说: 元数据是一个组织内的数据地图,它是数据治理的核心和基础

三、元模型又是谁?

元模型(Meta Model),是描述元数据的数据。它与元数据、数据之间的关系,可以用下面这张图来描述。

对于元模型的概念,我们不做深入的讨论。我们只需要知道下面这些: 元数据本身的数据结构也是需要被定义和规范的,定义和规范元数据的就是元模型,国际上元模型的标准是 CWM(Common Warehouse Metamodel,公共仓库元模型),一个成熟的元数据管理工具,需要支持 CWM 标准

以下内容理解难度升级,请各位技术小白谨慎阅读

如有不懂,蒋老师后台单独辅导!

四、元数据从哪来?

在大数据平台中,元数据贯穿大数据平台数据流动的全过程, 主要包括数据源元数据、数据加工处理过程元数据、数据主题库专题库元数据、服务层元数据、应用层元数据等 。下图以一个数据中心为例,展示了元数据的分布范围:

业内通常把元数据分为以下类型:

  • 技术元数据:库表结构、字段约束、数据模型、ETL 程序、SQL 程序等。
  • 业务元数据:业务指标、业务代码、业务术语等。
  • 管理元数据:数据所有者、数据质量定责、数据安全等级等。

元数据采集是指获取数据生命周期中的元数据,对元数据进行组织,然后将元数据写入数据库中的过程。使用包括数据库直连、接口、日志文件等技术手段,对结构化数据的数据字典、非结构化数据的元数据信息、业务指标、代码、数据加工过程等元数据信息进行自动化和手动采集。元数据采集完成后,被组织成符合 CWM 模型的结构,存储在关系型数据库中。

五、有了元数据,我们能做些什么?

先看一张元数据管理的整体功能架构图,有了元数据,我们能做些什么,从这张图里一目了然:

(如果你没看懂,请来评论区告诉我)

① 元数据查看

一般是以树形结构组织元数据,按不同类型对元数据进行浏览和检索。 如我们可以浏览表的结构、字段信息、数据模型、指标信息等 。通过合理的权限分配,元数据查看可以大大提升信息在组织内的共享。

② 数据血缘和影响性分析

数据血缘和影响性分析主要解决「 数据之间有什么关系 」的问题。因其重要价值,有的厂商会从元数据管理中单独提取出来,作为一个独立的重要功能。但是考虑到数据血缘和影响性分析其实是来自于元数据信息,所以还是放在元数据管理中来描述。

血缘分析指的是获取到数据的血缘关系,以历史事实的方式记录数据的来源,处理过程等。以某张表的血缘关系为例,血缘分析展示如下信息:

数据血缘分析对于用户具有重要的价值,如: 当在数据分析中发现问题数据的时候,可以依赖血缘关系,追根溯源,快速地定位到问题数据的来源和加工流程,减少分析的时间和难度

数据血缘分析的典型应用场景 :某业务人员发现「月度营销分析」报表数据存在质量问题,于是向 IT 部门提出异议,技术人员通过元数据血缘分析发现「月度营销分析」报表受到上游 FDM 层四张不同的数据表的影响,从而快速定位问题的源头,低成本地解决问题。

除了血缘分析之外,还有一种影响性分析,它能分析出数据的下游流向。当系统进行升级改造的时候,如果修改了数据结构、ETL 程序等元数据信息,依赖数据的影响性分析,可以快速定位出元数据修改会影响到哪些下游系统,从而减少系统升级改造带来的风险。从上面的描述可以知道:数据影响性分析和血缘分析正好相反, 血缘分析指向数据的上游来源,影响性分析指向数据的下游

影响性分析的典型应用场景 :某机构因业务系统升级,在“FINAL_ZENT ”表中修改了字段:TRADE_ACCORD 长度由 8 修改为 64,需要分析本次升级对后续相关系统的影响。对元数据“FINAL_ZENT”进行影响性分析,发现对下游 DW 层相关的表和 ETL 程序都有影响,IT 部门定位到影响之后,及时修改下游的相应程序和表结构,避免了问题的发生。由此可见,数据的影响性分析有利于快速锁定元数据变更带来的影响,将可能发生的问题提前消灭在萌芽之中。

③ 数据冷热度分析

冷热度分析主要是对数据表的被使用情况进行统计,如:表与ETL 程序、表与分析应用、表与其他表的关系情况等,从访问频次和业务需求角度出发,进行数据冷热度分析,用图表的方式,展现表的重要性指数。

数据的冷热度分析对于用户有巨大的价值,典型应用场景 :我们观察到某些数据资源处于长期闲置,没有被任何应用调用,也没有别的程序去使用的状态,这时候,用户就可以参考数据的冷热度报告,结合人工分析,对冷热度不同的数据做分层存储,以更好地利用 HDFS 资源,或者评估是否对失去价值的这部分数据做下线处理,以节省数据存储空间。

④ 数据资产地图

通过对元数据的加工,可以形成数据资产地图等应用。 数据资产地图一般用于在宏观层面组织信息,以全局视角对信息进行归并、整理,展现数据量、数据变化情况、数据存储情况、整体数据质量等信息,为数据管理部门和决策者提供参考

⑤ 元数据管理的其他应用

元数据管理中还有其他一些重要功能,如: 元数据变更管理 ,对元数据的变更历史进行查询,对变更前后的版本进行比对等等; 元数据对比分析 ,对相似的元数据进行比对; 元数据统计分析 ,用于统计各类元数据的数量,如各类数据的种类,数量等,方便用户掌握元数据的汇总信息。诸如此类的应用,不一一列举。

六、做个总结

作者简介:蒋珍波, 6年+大数据治理经验,擅长为客户提供科学合理的数据治理解决方案。曾先后供职于东南融通、软通动力、普元信息等公司,负责过数据仓库建设、BI、大数据平台、数据治理等售前咨询等工作,有政府、电力、制造业等行业经验。目前在数澜科技担任大数据平台售前咨询工作。

我来评几句
登录后评论

已发表评论数()

相关站点

热门文章