如何实现 DataOps 开发、运营、治理一体化

导读 本文将分享 DataOps 的设计理念和未来发展方向。

主要内容包括以下几个方面：

1. 数据驱动的三个核心能力

2. DataOps 产生背景

3. DataOps 整体架构

4. DataOps 研发难点

5. DataOps 研发重点

6. 数据的下一个方向

分享嘉宾｜ 许璐 平安产险 大数据平台负责人

编辑整理｜王吉东

内容校对｜李瑶

出品社区｜ DataFun

---

01

数据驱动的三个核心能力

数据驱动的核心主要有以下三个阶段：

• 数据平台建设：数据平台建设先行，具备相对较好基础；
• 数据资产管理：数据管理意识普及，数据资产管理能力加速提升；
• 数据智能应用：数据平台建设和数据资产管理能力提升，激发了数据需求，数据开发能力与需求之间的矛盾日益突出。

其中，数据的智能应用，本质就是数据的变现能力。数据的使用，包括实时用数和离线分析两部分。实现数据的闭环运营，包括内外贯通和柔性管控两部分。

02

DataOps 的产生背景

早期的数据工具开发，在流程中的各个阶段都存在着一些问题：

• 需求时效差：针对某个特定的数据需求，开发耗时可能需要两周甚至一个月的时间；
• 开发不规范：不同开发人员有各自的开发习惯，企业的规范化标准在实际生产环境中也难以真正落实；
• 测试不完全：开发后的测试工作，一般仅仅测试代码能否跑通，而对于数据内容是否正确，很难进行实际核查；
• 代码变更常出错：代码的更新和升级，常常会引入新的 bug ，导致流程无法跑通。
• 部署流程复杂
• “只管生不管养”，即开发人员很少会投入系统维护

针对上述问题，DataOps 在每一阶段都有着对应的解决方案：

• 需求管理：对需求进行标准化管理
• 建模和开发标准化
• 集成测试
• 质量校验：所有的版本变更，通过质量校验才发布
• 一键发版
• 运营治理：建立运营治理中心，实现去生产的治理。

03

DataOps 整体架构

传统数据开发范式遇到的挑战推动数据开发应用模式创新变革，亟需新的实践方法论来推动工具、流程和人员等资源的优化重组，提升数据产品供给能力。

DataOps 整体架构分为三层：

• 开发一体化：将数据探索、数据开发、血缘分析、数据演练 / 测试等开发常用组件实现统一集成；
• 管理一体化： 开发一体化经质量检测进入管理一体化，包括版本管理、部署发版以及质量管理 ；
• 治理一体化：主要包括资产管理和任务治理， 将数据资产和数据任务接入到治理一体化中心内实现运营 。

04

DataOps 研发难点

DataOps 研发难点，主要体现在以下四个方面：

1. 形成敏捷数据产品开发流程

随着用户数据自助分析需求的与日俱增，实现：

• 敏捷迭代，快速响应需求变化： 随着用户数据自助分析需求的与日俱增，快速响应能力至关重要，因此需要将原先的数据研发流程进行重组，以快速响应需求变化；
• 自助服务，主动利用数据资产： 数据资产对于业务人员和分析人员的重要性越来越高； 敏捷开发，能够让用户更加方便地利用数据资产。

2. 构建高效的跨域协同机制

• 跨部门协作，打造协同型团队：随着研发流程日益复杂，报表、数据接口等应用端，与数仓、数据湖等开发端的跨部门协作会更加频繁；

• 建立良好沟通机制，塑造协同文化；

• 借助技术赋能，善用协同工具。

3. 打造开发治理一体化流水线

• 前置数据质量管控：传统的开发系统，往往需要专门的开发人员和测试人员协作进行，会造成人员的冗余；

• 治理过程融入开发流程： 数据决定开发的成败，开发的每个环节都离不开数据的治理；

• 打造自动化测试流程，及时处理问题。

4. 建立精细化的运营体系

• 全链路度量与反馈：对于某个需求，是否真正投入使用；

• 减少人力成本： 对于任务时效性越来越慢的问题，如何处理；

• 降低运营成本： 对于已上线的应用，如果长期未投入使用，如何管理。

05

DataOps 研发重点

接下来介绍六个环节中各自的重点。

• 需求管理：包括需求分析、需求分发、需求验证等，提供标准化的需求管理模板，进而采集到全部数据资产的业务员数据、技术员数据等。

• 数据开发： 包括数据探索、模型设计和代码开发等。

• 集成测试： 包括 Dev 测试、演练测试、生产测试等，将 UAT 过程前置，提前发现问题。

• 质检校验： 包括事前预警、事中引导、事后监测等，实现数据研发全流程的有效管控。

• 部署发版： 包括版本管理、代码库管理、部署管理等，对于独立的开发需求，在不影响业务的前提下，实现一键发布，降低需求的等待时长。

• 运营治理： 包括规则管理、定期扫描、线上监督等，系统一旦触发某些异常，将该异常按照流程下发到指定的开发人员或业务人员手中，将责任细化到个人身上，从而实现研发全流程的管控。

06

数据的下一个方向

基于 DataOps 发展现状，有如下三个方向：

1. 数据虚拟化

• 主要理念是数据即服务、所见即所得

• 大幅降低数据流程中的开发过程点

• 快速直连数据源

• 逻辑视图的数据集模式，降低数据存储，减少安全风险

• 最大化降低获取数据的成本

2. 数据平台治理

• 提高代码质量，减少资源浪费

• 对于重复加工任务进行管理，实现降成本、提升单位算力效能

• 通过混合部署、错峰调度、存算分离等方式提升平台资源有效利用率

3. 数据价值的评估

• 组织协同

• 研发流程

• 工具平台

• 制度规范

• 评价度量

对于数据价值的评估，如何量化其价值点，目前还不是非常明确。假如有一套统一的价值体系，对需求进行优先级排序，并对数据的任务编排进行重组，实现任务波峰的消除，可以大幅度提升资源利用率，降低运营的成本。

以上就是本次分享的内容，谢谢大家。

分享嘉宾

INTRODUCTION

许璐

平安产险