数据统一的七原则

数据统一的七原则

原文:Breaking Down the Seven Tenets of Data Unification

来源: https://www.datanami.com/2017/06/15/breaking-seven-tenets-data-unification/

• “所有的可规模化系统，都必须自动进行绝大多数的操作。”
• “‘模式为先’（schema-first）的产品永远无法规模化。唯一的选择是采用‘模式为后’（schema-last）的产品。”
• “需要进行具体的域操作时，只有协作性的系统才可实现规模化。”
• “为了实现可规模化，任何的统一计算必须在多个核心和多个处理器上运行。”
• “尽管存在第四条原则，但真正的可扩展应用需要复杂性低于N ** 2的并行算法。”
• “规则系统实现是无法规模化的。只有机器学习系统才能将规模扩展到大公司所需要的程度。”
• “必须支持实时增量统一。”
  
  

原文翻译：

数据统一可以说是数据分析领域的一个长期挑战。虽然联合式的方法获得了一些青睐，但绝大部分的数据分析从业者希望在分析之前，所有数据都能在同一个地方呈现出来。这意味着，来自不同实体的数据必须统一起来，而问题就出在这个地方。

在新白皮书《可规模化数据统一的七原则》中，著名计算机科学家、Tamr联合创始人兼首席技术官迈克尔·斯通布雷克（Michael Stonebraker）以其独特和直白的方式，探讨了上述挑战。

说到斯通布雷克这个人，他同时也是图灵奖得主、麻省理工学院教授，以及大数据分析公司Vertica（这家公司已经被惠普收购）的创始人。在那份白皮书的开头，他对数据统一进行了一番阐述。他说，数据统一由七步组成，包括获取、清洗、转换、模式集成、重复数据删除、分类和导出（但不要把这七步和七条原则搞混了）。

一般来说，企业主要使用两种方法来实现数据统一，包括提取转换加载（ETL）和主数据管理（MDM）。

斯通布雷克说，这两种方法各有利弊。

ETL非常灵活，适合不同的数据来源，使程序员可以手动编写转换程序，确保源数据的模式与集中式数据仓库项目采用的全局模式匹配。斯通布雷克说，由于自动化程度低，没有多少公司的ETL带宽能超过20个数据源。

至于MDM，它与ETL类似的地方在于，也预设了一个“主记录”，每一个专门类别（比如客户、部件和供应商）的所有文件都应该符合主记录的格式。但和ETL不同，MDM不是使用手动定制脚本，而是依靠一套“模糊合并”规则，把所有不同的文件转换成主格式。

但斯通布雷克说，不管是ETL还是MDM，都无法解决所有的数据统一难题，尤其是在数据量很大的情况下。针对这些限制，他提出了数据统一的七条原则。

由于当今大数据集的庞大规模及其对程序员的苛刻要求，任何的可规模化数据统一项目都必须在很大程度上实现自动化，不能依靠手动编写的程序。这催生了斯通布雷克的第一条原则：

“所有的可规模化系统，都必须自动进行绝大多数的操作。”

当今数据的多样性也催生出一个问题。比如，诺华制药公司（Novartis）想把1万名从事“湿性实验”工作的科学家的实验记录统一起来，但遇到了全局模式问题。总之，灵活的“模式读取”（Schema-On-Read）方法是解决数据多样性问题的唯一方法。这催生了斯通布雷克的第二条原则：

“‘模式为先’（schema-first）的产品永远无法规模化。唯一的选择是采用‘模式为后’（schema-last）的产品。”

虽然自动化是数据统一的关键因素，但人类专家的地位是肯定取代不了的。就诺华的那个例子而言，只有科学家本人才能证实特定的一个数据（比如新化合物的名字）是否准确，有没有拼写错误。这催生了第三条原则：

“需要进行具体的域操作时，只有协作性的系统才可实现规模化。”

对大规模数据统一来说，可扩展性必不可少。当数据集超过1000万个文件时，单个计算核心根本处理不了，更别说单个芯片或者单个电脑。这催生了第四条原则：

“为了实现可规模化，任何的统一计算必须在多个核心和多个处理器上运行。”

聚类算法是数据统一和数据清洗工具的核心。虽然这些算法是并行的，但如果太复杂的话，就会耗费太多时间。这催生了第五条原则：

“尽管存在第四条原则，但真正的可扩展应用需要复杂性低于N ** 2的并行算法。”

很多MDM产品采用基于规则的方法来确定转换。但考虑到当今企业试图统一的数据体量和多样性，这些方法行不通。这催生了第六条原则：

“规则系统实现是无法规模化的。只有机器学习系统才能将规模扩展到大公司所需要的程度。”

最后，数据统一系统必须适应客户的工作方式。从技术上来说，虽然理论上可以靠“蛮力”更新每一条变化的记录，但如果数据太多、变动频繁，就会造成混乱。这催生了第七条也是最后一条原则：

“必须支持实时增量统一。”

斯通布雷克说，ETL方法不符合第一、第二和第三条原则，而MDM方法不符合第一、第二和第六条原则。在大数据领域非常流行的自助式数据准备方法“至少”不符合第一和第三条原则。他还说，目前所有产品（ETL、MDM和自助式数据准备）可能都不符合第五和第七条原则。

车品觉简介

畅销书《决战大数据》作者

红杉资本中国基金专家合伙人

国信优易数据研究院院长

滨海泰达物流(HK：08348)非執行董事

全国信标委大数据标准工作组副组长

香港特区创新科技及再工业化委员会委员

贵阳市大数据委顾问

上海市司法局大数据实验室专家

CCF大数据委副主任

乌镇智厍理事

浙江大学管理学院兼职教授

清华大学（大数据项目）教育指导委员

Advisory Committee of Big Data institute - HKUST

原阿里巴巴集团副总裁

原阿里健康（HK：00241）独立董事

原阿里数据委员会会长

2014年领导阿里数据团队获得Top CIO评选为中国最佳信息化团队

2017年被国家信息中心选为中国十大最具影响力大数据企业家

拥有十几年丰富的数据实战经验，并在实践中形成了独特的数据化思考及管理方式，对大数据未来趋势有独到见解；亲自领导阿里数据团队在大数据实践领域取得了一系列重要成果，包括为阿里建立集团各事业群的业务及决策分析框架，开发智能化的数据产品，成立了驱动集团数据化的运营团队，成功发起了公共与专有数据资产管理体系，还发布了数据安全规范等。