2008年我在我的第一份工作(Ask.com)中開始使用Hadoop。當時是因為昂貴的Oracle集群無法處理不斷增加的分析工作量,公司不得不切換到Hadoop。
隨后在Twitter擔任數(shù)據(jù)工程師的第二份工作中,我在第一線參與并推動了如何使用數(shù)據(jù)給幾乎所有Twitter的產(chǎn)品賦能(與其稱之為“大數(shù)據(jù)”,我更愿意簡單稱之為“數(shù)據(jù)”)。
自2008年以來,我親眼目睹了數(shù)據(jù)的力量,以及見證了它如何改變世界。如果你閱讀過有關劍橋分析公司如何影響2016年美國大選的文章,那么你會感受到這種改變所帶來的非凡意義。
然而,自流行詞“大數(shù)據(jù)”出現(xiàn)10多年后,大數(shù)據(jù)似乎只對少數(shù)公司有用。在硅谷,幾乎所有的獨角獸企業(yè)都廣泛使用大數(shù)據(jù)來推動他們的成功。
在中國,像BAT這樣的公司已經(jīng)掌握了大數(shù)據(jù)的藝術,同時我們也有像字節(jié)跳動這樣主要以大數(shù)據(jù)技術為基礎的超級獨角獸公司,但是仍然有很多關于大數(shù)據(jù)是如何難以使用的笑話。
并且令人遺憾的事實是,對于大多數(shù)公司來說,大數(shù)據(jù)要么仍然是流行詞,要么的確是難以實現(xiàn)。
幸運的是,一門新學科正在崛起,是解開普通公司數(shù)據(jù)能力的關鍵。它就是DataOps,與DevOps明顯相似的名稱,以及與DevOps類似的軟件開發(fā)角色,是數(shù)據(jù)工程師希望簡化數(shù)據(jù)的使用并真正實現(xiàn)以數(shù)據(jù)來驅動企業(yè)成功的方法。
今天,我們將簡要介紹DataOps以及為什么它對每個想要從數(shù)據(jù)中獲取真正價值的公司都很重要。??
什么是DataOps
維基百科上DataOps的定義是:
DataOps是一種面向流程的自動化方法,由分析和數(shù)據(jù)團隊使用,旨在提高質量并縮短數(shù)據(jù)分析的周期時間。
維基百科上的DataOps頁面在2017年2月創(chuàng)建,其中詳細介紹了這一新學科。DataOps的定義肯定會隨著時間的推移而發(fā)展,但其關鍵目標非常明確:提高數(shù)據(jù)分析的質量并縮短數(shù)據(jù)分析的周期。
DataOps可以降低數(shù)據(jù)分析的門檻,但是它并不會使數(shù)據(jù)分析變成一項簡單的工作。實施成功的數(shù)據(jù)項目仍然需要大量工作,例如深入了解數(shù)據(jù)和業(yè)務的關系,良好的數(shù)據(jù)使用規(guī)范以及一個公司的數(shù)據(jù)驅動的文化培養(yǎng)。不過,DataOps將極大地提高人們使用數(shù)據(jù)的效率并降低使用數(shù)據(jù)的門檻,公司可以更快,更早,更好地開始使用數(shù)據(jù),并且成本和風險更低。
DataOps解決的問題
大數(shù)據(jù)的大多數(shù)應用可以分類為AI(人工智能)或BI(商業(yè)智能)。此處的AI是指廣義的人工智能功能,包括機器學習,數(shù)據(jù)挖掘以及其他從數(shù)據(jù)中獲取以前未知知識的技術。BI則是更多地使用統(tǒng)計方法將大量數(shù)據(jù)匯總到更簡單的報告,供人們理解。簡而言之,AI使用各種數(shù)據(jù)算法來計算新的東西,BI則是統(tǒng)計人們可以理解的數(shù)字。
編寫AI / BI程序并不難。你可以在幾個小時內設置一個TensorFlow的人臉識別程序?;蛘呤褂肕atlab繪制一些數(shù)據(jù),甚至使用Excel也并不難實現(xiàn)這個目的。問題在于,要實際使用生產(chǎn)結果來支持面向用戶的產(chǎn)品或根據(jù)這些神奇的數(shù)字來決定公司的命運,你需要的不僅僅是手動工作。
Dimensional Research的一項調查(如上圖所示)發(fā)現(xiàn),對于想要實施大數(shù)據(jù)應用的公司來說,以下問題最為困難:
谷歌數(shù)據(jù)分析師的另一項研究發(fā)現(xiàn),對于大多數(shù)機器學習項目,只有5%的時間花在編寫ML代碼上。另外95%的時間用于設置運行ML代碼所需的基礎設施。
在這兩項研究中,我們可以很容易地看到許多艱苦的工作實際上并不是在編寫代碼。整個基礎設施的準備工作以及高效運行生產(chǎn)級別的代碼是非常費時費力的,而且經(jīng)常伴隨著各種風險。
在谷歌的研究中,他們引用了我的前同事Jimmy Lin和Dmitry Ryaboy(來自Twitter Analytics團隊)的話:我們的大部分工作可以被描述為“數(shù)據(jù)管道工”。實際上,DataOps使管道工的工作更簡單和高效。
DataOps目標功能
DataOps旨在減少整個分析周期時間。因此,從搭建基礎架構到使用數(shù)據(jù)應用的結果,通常需要實現(xiàn)以下功能:
簡而言之,它類似于DevOps方法:從編寫代碼到生產(chǎn)部署的路徑,包括調度和監(jiān)視,應由同一個人完成,并遵循系統(tǒng)管理的標準。
與提供許多標準CI,部署,監(jiān)控工具以實現(xiàn)快速交付的DevOps類似,通過標準化大量大數(shù)據(jù)組件,新手可以快速建立生產(chǎn)級的大數(shù)據(jù)平臺并充分利用數(shù)據(jù)的價值。
DataOps方法論
DataOps的主要方法論仍處于快速發(fā)展階段。像Facebook和Twitter這樣的公司通常會有一個專門的數(shù)據(jù)平臺團隊(Data Platform Team)處理數(shù)據(jù)運營并實現(xiàn)數(shù)據(jù)項目。
但是,他們的實現(xiàn)方式大多與公司現(xiàn)有的Ops基礎設施集成,因此通常不適用于其他人。我們可以從他們的成功中學習經(jīng)驗,并建立一個可以由每家公司輕松實施的通用大數(shù)據(jù)平臺。
要構建DataOps所需的通用平臺,我們認為需要以下技術:
我們的思考
目前的大數(shù)據(jù)技術是強大的,但它們對于普通人來說仍然太難使用。部署一個適合生產(chǎn)環(huán)境的數(shù)據(jù)平臺仍然是一項艱巨的任務。對于已經(jīng)開始這一過程的公司來說,他們的數(shù)據(jù)平臺團隊大部分時間仍在做相似的事情,就像重新造輪子。
有些公司已經(jīng)意識到這些問題(Qubole,DataMeer,Bluedata等),并開始采用不同的方法來解決這個問題。其中一些使用基于容器的解決方案,另外一些以Hadoop為中心構建其平臺。
踐行云原生DataOps,需要正確的方式和工具。當下我們正需要用一款工具及平臺解決目前繁雜的數(shù)據(jù)開發(fā)問題,在實踐中降低邁入數(shù)據(jù)大門的門檻。目前由智領云自主研發(fā)的一款即開即用,快速搭建數(shù)據(jù)工程的新一代在線DataOps大數(shù)據(jù)平臺–BDOS Online已上線,歡迎大家免費試用。