数据分析和可视化一直是大数据时代的热门话题。如今这一个数据为王的时代，当你使用某个产品，划划手指，动动鼠标，甚至一颦一笑都会被记录下来，送至服务器。然而，大量的数据光收集是没有意义的，就好比资料控在硬盘里放了几百个G的电子书却只收集不阅读一样，如果不分析数据，不可视化，那么数据再多也不过是一堆毫无用处的符号而已。本文转自和途客圈颇有渊源的一位正在创业的朋友的文章，讲述他自己在自百度起，到创立SensorsData，对多维数据分析模型孜孜以求的经历和感悟，供大家参考。感兴趣的，可以尝试他们的服务：sensorsdata.cn。以下为原文：
前几天翻出了2012年2月在微博上发出的一条信息（图1），当时我为什么会那么兴奋，还得从更早的时候说起。
（图1 2012年的一条微博） 初次失败 2010年初，有个地图团队的PM找到我，演示了一份PPT，那是某个公司的统计分析系统的对外交流材料。据说这份材料先是被厂长看到，觉得做的挺好，就安排下面的人看是否也能做一套。我看了之后，发现就是针对某个互联网产品的流量、用户量的几个页面展示，针对地域、渠道等几个维度可以展开分析。心想这种系统在我们的Log统计平台上很容易用几个任务实现出来。但Log统计平台是以统计任务来管理的，虽然功能强大，但是不利于展示上的组织。对于一个业务线来说，就是一组报表，并没有层级管理。相比之下，PPT中演示的系统在界面组织上，就会好很多。我就给这位PM说，这套系统太简单了，既然我们要做，就要比他们做的牛逼。我先考虑一下，然后给出一套方案。 就这样，我和团队的三四个兄弟开始考虑如何做一套牛逼的方案，调研来调研去，发现还是数据仓库教材里介绍的数据立方体的模型，适合做这件事。于是拿着这套方案和PM沟通，PM听了介绍之后，说要是真的可以实现，我们的系统就太强大了。就这么敲定了。那时的我一是会希望自己做的事情非常独特，超越之前的任何方案，二是根本不会考虑人力是否能支持，最后真正能投入到本项目的也就只有一个正式员工外加一个实习生。产品方案定了，接下来就是技术选型。数据立方体是多维数据模型的一个通俗的叫法，主要由维度和指标两部分组成，比如地域是一个维度，操作系统也是个维度，销售额是一个指标，注册用户数也是个指标，成单量也是一个指标。那么我们就可以通过维度组合，看这种组合下的指标情况。如图2：
（图2 数据立方体的样例） 通过这个数据立方体，我们就可以看来自北京的，使用iOS的销售额是多少。这个模型非常清晰和简单，难点在于数据规模。我们针对百度的流量分析，可以拆开多个维度，比如时间、地域、渠道、操作系统、浏览器版本、频道、行为类型等。每个单位时间内，所产生的数据条数就是所有维度的乘积，假设每个维度有10个项目，如果有10个维度，那么就会产生10^10 条记录。每条记录按1KB大小，那么就是10TB数据量。如果在这个基础上做计算，一台机器的性能是显然撑不住的。我们就在寻找适合在这种数据规模上进行查询的存储系统。找来找去，发现InfoBright这一存储引擎最合适，它采用列式存储，在针对多维数据分析这种模型上，性能很好。但因为是单机的，支持的数据规模有限，我们对某些维度的元素进行了聚合，来降低数据量，最后降到半年的累计数据预计几百G。就这样，我们在半个正式员工、两个实习生的人员配置下，开启了整个项目。当时我是雄心勃勃，还把部门的高级总监邀请到开发群里，因为针对流量数据的多维分析，显然部门老大是最需要的。两个月后，悲剧发生了。 产品是做出来了，但多个维度的组合查询性能一塌糊涂，我有时候在界面上做了个查询，半个小时后都还看不到结果，根本没法用，整个产品只能算个半吊子的Demo，连部门老大也退出了群。在我这工作的八年的职业生涯中，有两个项目我认为是彻底的失败了，一个就是这个cube项目，另一个是基于impala改进的一个交互式查询产品，以后有机会再介绍。认识到性能问题后，我们又尝试将查询引擎从InfoBright替换到InfiniDB，只能说略好，但没有本质区别。顺带交代两句这两个存储引擎的命运，InfoBright这家波兰公司的产品，在这两年转型做针对物联网的存储引擎了。而InfiniDB在去年的10月1日宣布了破产。看来创业公司纯粹做一款数据库引擎，日子并不会太好过。 除了存储层的问题，还有查询解释层Mondrian的性能问题，以及报表引擎JPivot的性能问题，数据导入的性能问题，预处理数据的计算性能问题，数据字段变更的维护问题等。总之在一个不合适的时机，提出了一个比较理想化的idea，结果可想而知了。 渐入佳境 这次项目失败后，我对数据立方体这种理论化的模型产生了怀疑，觉得在现实场景下走不通，作为数据仓库教材里的内容讲讲帮助理解，还是可以的。又过了一年，成立了基础架构部数据团队，并从Google聘请了一位总监，就是开始我在截图里提到的“硅谷知青” Alex Lv。他来百度之前，在Yahoo干过7年，Google干过5年，一直围绕数据仓库方向，可以说是这一领域的资深专家，Google的Tenzing引擎，就是他的团队做出的。他来了之后，真的是把我的思路打开了一大圈，相比之下，我之前对数据架构的理解真的太狭隘了。他先是给我们提出了数据分层的金字塔模型，决定构建Baidu Data Warehouse（UDW），能够将用户在百度所有产品线的行为统一到一起去。有了这个地基，剩下的数据使用问题，就变得容易了。 这就回到了文章开头我发微博的那天，Alex Lv给我讲解了在UDW基础之上，将用户数据按照时间细粒度汇聚，可以根据不同维度组合查询，所有的报表需求都在这个基础上出。相比之下，我们之前的报表数据，都是直接从原始数据，经过计算，生成统计结果，计算效率是很低的，中间数据没有得到重复使用。相比cube项目，常规报表数据是例行跑出的，而不是实时交互，这对查询性能要求没那么高。在UDW的基础之上，数据立方体的思路我意识到竟然能很好的解决计算资源浪费的问题，惊叹之余，发出了开头的那条微博。 对于交互式查询的需求，问题是一样存在的。我们数据团队是由两个团队合并创建的，一个是我所带领的数据平台团队，一个是内部叫做Doris的分布式查询团队。Doris主要是解决海量数据下，使用MPP架构，满足毫秒级的查询问题（对外的百度统计以前就使用了这一系统）。如果能把它改造一下，能够对接报表引擎，就可以满足。这个最重要的改造就是要支持SQL。这一思路在一位Google的架构师James Peng的加入，得以传递。Doris团队的人员花了两周时间，直接将Doris作为mysql的存储引擎，这样就实现了通过mysql直接访问doris，支持了SQL语法。其实InfoBright也是这么一个实现思路。于是这样查询性能的问题也解决了。所有的核心报表，都通过数据立方体来实现，展现部分用了Oracle BIEE。 可以这么说，Oracle BIEE是我用到过了最烂的企业软件，第二烂的是Oracle ERP软件。虽然基于多维数据模型，实现了报表的基本需求。但是有两个严重的问题，一是BIEE配置报表非常麻烦，即使规整好的数据，还在再建一层数据模型，多此一举，界面操作非常复杂；二是数据的预处理即ETL工作比较复杂，数据源的变更，会导致结果出错，ETL计算周期长，导致报表发送延迟。总之是能基本满足，但不是特别的优雅。后来我们又开发了自己的可视化系统，解决报表展示问题。 发挥魔力 我在百度工作这几年，一直很反对做半吊子的产品，像我前面提到的cube项目，就是半吊子的典型。是围绕某个问题的一个解决方案，但这一解决方案很不成熟，用起来很不爽。《Lean Startup》里传递的一种理念是要做MVP（Minimium Viable Product，最小可用产品），先做一个原型，投放市场，然后根据反馈，迅速迭代。而苹果却貌似反其道而行之的，不管是iPod还是iPhone，还是iPad，等它发布的时候，我们都发现它们是成品，直接就是有魔力的产品，有些人会把它们形容为惊艳。在参加工作三年之后，我逐步找到了一个把产品做出魔力的感觉，尽管还不断的失手，但越来越有自信了。至少有一点，我能保证我做出来的产品，一定是非常流畅的，让人用起来不卡壳，即使这是一个to B的工具产品。这次创业可以自行操刀，更是期望哪怕少做两个功能，也要把它做的有魔力。 因为创业是针对互联网创业公司的，数据规模上肯定和在百度没法比，另外，创业公司没有历史包袱，因此可以在数据源头上去规范起来。做了七年的数据平台，我总结的最重要的一点就是要把数据源处理好，如果源头不好，后面即使用再复杂的算法，也不能做好。我曾经在百度花了一年半的时间，推动公司的核心业务线从打印的各种花样的文本日志，转变成直接打印二进制结构化的，后面的数据处理都变得容易很多。那现在从零开始，就可以直接和创业公司一起，把数据源头规范好，把每一条的用户记录，规范成有多个维度的带有格式的数据，就像数据库里的一条标准记录。再稍加处理，就能形成标准的多维数据源。 在这个多维数据源基础上，进一步规范成多维数据分析模型，搭配上合适的存储和查询引擎，就能实现多种维度的交叉分析，但有在秒级响应。再将常用的事件分析、漏斗转化、留存分析进行抽象，直接建立在这一数据模型之上。我们可能用过各种BI（Business Inteligence，商务智能）系统，见过数百张报表，纷繁复杂。可是针对用户行为分析，在这几个简单功能之上，就能生成五彩缤纷的报表。