作者：易点天下数据平台团队

　　易点天下是一家技术驱动发展的企业国际化智能营销服务公司，致力于为客户提供全球营销推广服务，通过效果营销、品牌塑造、垂直行业解决方案等一体化服务，帮助企业在全球范围内高效地获取用户、提升品牌知名度、实现商业化变现。

　　目前，易点天下累计服务客户超过5000家，其中包括华为、阿里巴巴、腾讯、网易、字节跳动、百度、快手、爱奇艺、SHEIN、Lazada 等知名企业。易点天下始终秉持"科技使世界变得更平"的企业使命，积极采用大数据和人工智能技术来落地和推动业务的发展。随着公司业务的扩展，我们的数据分析工作遇到了一些痛点：

1. 数据处理需求日益增多：每天需要处理几十T 、近千亿的数据量。

2.  数据分析的复杂度提高：如用户留存、 LTV 这一类的复杂指标，往往需要多表关联查询和实时查询，目前应用的组件不能满足业务的查询需求。

3.  技术组件较多：公司有多个数据分析平台，采用的技术组件也非常多，包括 ClickHouse、Kafka、Flink、Spark、Hive 等，运营维护成本较高。

4.  当前架构基本以离线为主，实时数据处理架构薄弱。

   经过现状分析后，我们开始设计数据仓库的标准化规范，并寻找一款集实时离线为一体的数仓统一解决方案，对数仓进行统一规划和建设。

　　#01数仓建设规范

　　—

　　我们从数据分层、业务类和数据域定义、数据指标、数据模型规范、模型衡量指标五个方面进行了数仓的规范建设。

　　1. 数据分层：包括数据引入层 ODS 、明细数据层 DWD 、汇总数据层 DWS 、数据应用层 ADS 及维度层 DIM 。

　　2. 业务类和数据域定义：此定义主要用于规范数据仓库处理数据的范围，以及处理数据的业务类型。

　　3. 数据指标规范：包括原子指标（如点击、访问、消费金额等）、复合指标（如点击率、跳出率、投资回报率等）、派生指标（如7天账户消费金额、去年账户余额总和等）。

　　4. 数据模型规范：包括命名规范、存储规范、数据规范三个方面；统一规范的数据模型能大幅提升开发维护效率，避免不必要的数据质量问题。

　　5. 模型衡量指标：包括命名规范性和数据完整性、 中间层表的增长比例、应用层 ADS 跨层访问（穿透）、 较多的 ADS 表共性逻辑未下沉、应用层跨集市依赖五个方面。

　　#02技术选型

　　—

　　在对数仓进行了标准化规范设计后，我们需要一个集实时离线为一体的数仓统一解决方案，通过数仓建设，来解决以下问题：

• 　　数据存储的规范性

• 　　数据模型的复用性

• 　　数据模型的耦合性

• 　　数据的完整性

• 　　数据查询效率

• 　　数据成本可控

　　基于此，我们对市面上常见的数据库产品做了选型对比：

　　1 查询性能对比

　　我们主要对 ClickHouse 和 StarRocks 的查询性能做了对比，在 SSB 单表和用户经常碰到的低基数聚合场景下对比了 StarRocks 和 ClickHouse 的性能指标。采用一组 16core 64GB 内存的云主机，在 6 亿行的数据规模进行测试。

　　得益于向量化执行引擎、优秀的 CBO 优化器、物化视图、Runtime Filter 等各方面的优化，StarRocks 的查询性能表现非常优异，下面测试为各种引擎在不同 SQL 下花费的时间，ClickHouse 的整体查询时间是 StarRocks 的 2.26 倍。

　　图1 各种引擎在不同SQL下花费的时间

　　图2

　　StarRocks 通过实现全面向量化引擎，按照列式的方式组织和处理数据，充分发挥了 CPU 处理能力

　　2 使用与运维对比

　　除了查询性能，我们从使用成本、易用性、运维成本等方面，对比了几款比较热门的产品，最终我们计划将基于 ClickHouse 等其他数据库产品的查询迁移到基于 StarRocks 来构建数据仓库。

　　#03技术架构

　　—

　　数据平台目前处理的数据涉及公司多个产品，每日处理全球增量数据几十T，近千亿条记录，跨云跨地域的数据也给数据处理带来不少挑战。目前我们已经针对 BI 系统开展了基于 StarRocks 的数据仓库的建设，随着经验的积累，后期会推广到数据平台所有项目的数据场景中。

　　目前数据平台以实时流和离线处理两条方式同时向 StarRocks 数据仓库中进行数据 Load 。下图是目前数据平台在数据分析中的主要流程架构，如图所示，架构中我们自研了数据治理平台（DataPlus）用于数据监控提高数据质量， 维护元数据血缘等数据的拓扑结构，自动化建模。另外我们还自研了分布式的跨云调度系统（EasyJob)，用于系统便捷的处理多云环境下的数据依赖和调度。

　　离线数据导入通过 EasyJob 定时调用 Broker Load 的方式导入 StarRocks 。

　　通过 DataPlus 系统，我们对 StarRocks 中的数据和云存储数据进行了定时的一致性校验，保证数据的一致性。

　　我们一直寻找一种实时和离线一体的数据处理解决方案，实时离线数据处理完后会进入 StarRocks 进行全流程建模，基于 StarRocks 进行湖仓一体结构的搭建。最底层 ODS 基于外部数据源建立，数据存储在外部云存储上例如 OSS,S3,ODS 等，然后通过调度系统定时触发上层表的生成，另外，DWS、ADS的部分表模型，也可以借助于物化视图方式实现，提升构建和查询效率。整体数据流动架构如下：

　　StarRocks 能够支持秒级的导入延迟，提供准实时的服务能力。StarRocks 的存储引擎在数据导入时能够保证每一次操作的 ACID。一个批次的导入数据生效是原子性的，要么全部导入成功，要么全部失败。并发进行的各个事务相互之间互不影响，可以提供Snapshot Isolation事务隔离级别。

　　StarRocks 存储引擎不仅能够提供高效的 Append 操作，也能高效的处理 Upsert 类操作。使用 Delete-and-insert (Merge_on_write)的实现方式，通过主键索引快速过滤，消除了读取时 Sort merge 操作，同时还可以充分利用其他二级索引。在大量更新的场景下，仍然可以保证查询的极速性能。

　　#04智能数据建模

　　—

　　通过元数据、数据血缘体系的建立，未来我们可以通过让建模规范、建模质量等规则自动化，形成线上系统的自动化建模功能，自动化建模生成标准 SQL ，最终在 StarRocks 中定时执行生效。下图是建模过程和 DataPlus 中功能的映射。建模自动化的好处就是可以限制人为建模的不规范操作，最大程度的优化模型和成本。

　　模型定义后，对模型生成效率的优化至关重要，不一样的解决方式会影响模型的查询生成效率，模型的复用度也会影响用户使用体验。我们在建模中针对下面三个模型进行了基于 StarRocks 的重点构造，大大提高了查询效率。

　　物化视图

　　在数仓建模中我们大量采用了物化视图来加速和生成 DWS 以上数据层，StarRocks 当前支持单表同步、多表异步以及对 SQL 的透明改写能力，未来还会提供多表同步等更多能力，可以从建模和提速两个方面对业务场景提供帮助。针对不同的刷新方式，我们进行了两组查询对比，如图所示，通过物化视图能够获得更快的查询性能体验，有了物化视图，我们可以从复杂的数据加工工作中解放出来，更加专注于数仓模型本身。

　　分析模型

　　统一的模型 SQL 设计，高阶函数的应用，可以提高查询性能50%以上。例如我们主要针对下面三种常见分析模型设计了标准建模 SQL ，未来将通过此标准自动建模，提升查询效率。

　　行为分析的应用 – 用户留存分析

　　对于用户留存的分析，经常会在多个条件下获取用户的行为状态，我们采用了 retention 函数来分析，大幅提升了查询分析的效率。例如：要清楚的了解 event=view 并且时间在2022-11-01、2022-11-02、2022-11-03条件下的用户情况；传统的方式需先进行 event=view and date='**--**' 条件判断，然后进行合并，但是 retention 函数的出现直接简化了相应的建模过程，通过 retention 函数，可以直接获取 event=view 以及三个日期条件下的行为，并且以数组的形式进行展示，之后可以通过对数组的聚合操作，进行相应的行为分析。

　　行为分析的应用 – 漏斗分析

　　针对用户的转化分析场景，例如需要分析在一定的时间窗口中，用户在一系列连续行为下的相关行为，可以直接采用 StarRocks 中的 window_funnel 进行建模，实现高效的漏斗分析。该函数可以从事件链中的第一个条件开始判断。如果数据中包含符合条件的事件，则向计数器加 1，并以此事件对应的时间作为滑动窗口的起始时间。如果未能找到符合第一个条件的数据，则返回为 0 。在滑动窗口内，如果事件链中的事件按顺序发生，则计数器递增；如果超出了时间窗口，则计数器不再增加。如有多条符合条件的事件链，则输出最长的事件链。

　　如上图 SQL ，可以计算在规定时间窗口内，用户在 view/click/purchase/pay 连续行为下的相关数据，最终返回不同的连续行为级别下对应的用户数量。

　　行为分析的应用 – 路径分析

　　针对用户前后行为路径分析场景，例如需要针对用户前后行为进行对比分析的场景，可以综合考虑采用 StarRocks 支持的ROW_NUMBER()，LEAD()，LAG()等窗口函数进行建模分析。如下是一个针对用户前后行为分析的具体案例，可以针对用户的 event 以及前置 event 进行展示：

　　#05建设成果

　　—

　　公司数仓建设过程分为四个阶段：

　　1、数据仓库规范建立和技术调研选型。

　　2、性能压测：经过测试，StarRocks 和之前我们应用的 ClickHouse 有2.2倍以上的提升。Join 查询更是有数倍的提升，小时级导入时间的数据量可以在1分钟完成 Load ，保证离线查询效率。

　　3、试点运行：经过迁移，部分业务使用效率得到大幅提升，以往比较的复杂自主 SQL 查询、TP95 查询都可以在5s返回。支持交互式 SQL 自助分析。

　　4、全面部署：在公司其他数据类产品中应用 StarRocks ，并完善监控等集群的自动化运维。

　　在 BI 系统中经过一段时间的使用，StarRocks 的应用已经进入第四阶段，未来公司会将更多的业务切入到StarRocks，并结合 DataPlus 的智能建模、表热度分析等数据治理，相信性能和成本会达到更理想的状态。同样我们也期待 StarRocks 在新版本中可以提供更丰富的功能。

　　关于 StarRocks

　　StarRocks 是数据分析新范式的开创者、新标准的领导者。面世三年来，StarRocks 一直专注打造世界先进的新一代极速全场景 MPP 数据库，帮助企业构建极速统一的湖仓新范式，是实现数字化转型和降本增效的关键基础设施。StarRocks 持续突破既有框架，以技术创新全面驱动用户业务发展。当前全球超过 200 家市值 70 亿元以上的头部企业都在基于 StarRocks 构建新一代数据分析能力，包括腾讯、携程、平安银行、中原银行、中信建投、招商证券、众安保险、大润发、百草味、顺丰、京东物流、TCL、OPPO 等，并与全球云计算领导者亚马逊云、阿里云、腾讯云等达成战略合作伙伴。拥抱开源，StarRocks 全球开源社区飞速成长。截至 2022 年底，已有超过 200 位贡献者，社群用户近万人，吸引几十家国内外行业头部企业参与共建。项目在 GitHub 星数已超 3900 个，成为年度开源热力值增速第一的项目，市场渗透率跻身中国前十名。