使用袋鼠云数栈的某教育行业客户，在之前的信息化过程中建设了多个系统，已经意识到自身数据孤立的现状，面对TB级的数据量，需要更高效的方式进行数据治理和分析，为业务方提供高质量数据。
其实，数据治理不仅仅是教育行业用户的痛点，同样也是其他行业进行大数据平台建设和数据应用，最亟需解决的难题。
针对这一问题，袋鼠云数栈基于十年实践经验沉淀的多种校验规则，打造了完整的全流程数据质量闭环管理机制，同时支持数据迁移&逻辑变更的双表逐行校验场景。
类似以下问题，袋鼠云数栈都能统统搞定！
Q1：
有很多ETL任务，任务运行正常，由于数据源有变动，或开发修改了代码，测试不充分，导致数据经常出问题。最后还是业务方发现后，才反馈给开发排查原因。
An：
使用数栈可对关键任务配置数据质量校验规则，任务跑完产出数据，并经过质量校验通过后，才流入到下游，给到数据需求方。
Q2：
开发人员维护ETL任务，由于业务规则的变更或者新需求的迭代，需要经常修改ETL任务逻辑。每次修改后比对数据，耗费大量的时间。
An：
使用数栈通过数据质量产品的双表校验功能，自动比对修改前，修改后的数据，输出比对结果，无需人工干预。
Q3：
需要把在某平台运行的任务迁移到另外一个平台，同时保证迁移前后数据的一致性。以往则需要人工或写程序进行校验，真的是费时费力。
An：
使用数栈通过数据质量产品的双表校验功能，自动比对迁移前后的两个平台的数据，输出比对结果。
Q4：
在数据抽取的过程中，数栈能否对数据的正确性进行判断？
An：
对这个问题，数栈可以提供2个解决方法：一种是在数据同步环节就进行脏数据相关的配置；还有一种是在数据加工全流程环节进行数据质量监控的配置；
也就是说，从数据的同步到整个数据加工全流程，袋鼠云数栈都非常重视数据质量和数据治理，保障用户数字化建设过程数据资产的高质量。
解法一：脏数据配置
在数据同步执行的过程中可能会出现因主键冲突、格式转换错误等各种原因造成部分数据无法正常写入，不能被正常写入的数据即被视为“脏数据”。
脏数据配置在数据同步配置模块中，在数据同步任务的通道控制步骤中，可配置是否需要记录脏数据，并可指定存储脏数据的表名、生命周期。
那么如何查看脏数据，对数据质量做到心中有数？
在数栈-任务管理-脏数据管理模块中可以查看脏数据的产生趋势、产生脏数据最多的任务，以及每一张产生脏数据表的情况：
脏数据产生趋势
选中某个任务后，可以查看此任务在最近一段时间产生脏数据的数量，支持最近3天、7天、30天、60天的数据查看。
脏数据产生TOP30任务
通过观察产生脏数据数量较大的任务，可以针对性的排查此任务的配置信息、源数据库的数据质量等问题，及时解决问题。
解法二：数据质量配置
作为数据资产管理的一部分，数据质量的保障与提升是一个大数据平台所需的必备功能。通常含义的数据质量包括及时性、完整性、一致性、有效性、准确性。
数据质量模块可以根据不同的业务场景，针对数据表提供表行数、空值数、空值率、重复数、重复率等二十余种统计函数，校验方法支持固定值检测、1天波动检测、7天波动值变化检测、30天波动值检测、7天平均波动检测、30天平均波动检测，告警阀值支持灵活的自定义。
那么如何使用数栈创建质量监控任务？
创建质量监控任务分为以下3个步骤：
Step1：选择数据源，选择需要校验的表
点击顶部菜单的规则配置-新建监控规则，进入配置页面，选择需要进行检测的数据表（表名为 muyun_test），点击下一步。
Step2：针对全表、每个字段配置校验规则
进入监控规则步骤，点击添加字段规则，并选中id字段，统计函数选择空值数，校验方法为固定值，阈值配置为=0，点击保存，并点击下一步。
Step3：调度周期配置
选择调度周期为天，其他参数无需修改，点击新建，即可完成配置。
数栈数据质量模块支持MySQL，Oracle，SQL Server,PostgreSQL，Hive，MaxCompute等多种数据源，满足大多数场景下的质量校验需求。
基于阿里数据生产的实战经验，数栈内置20余种校验规则，支持表级、字段级2类规则，并提供字段级、表级校验报告，具备历史数据统计功能，辅助用户定位数据质量的问题根源。
网友评论