网易严选 DMP 标签系统建设实践
Posted @SmartSi
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了网易严选 DMP 标签系统建设实践相关的知识,希望对你有一定的参考价值。
导读:如果说互联网的上半场是粗狂运营,因为有流量红利不需要考虑细节。那么在下半场,精细化运营将是长久的主题,有数据分析能力才能让用户得到更好的体验。当下比较典型的分析方式是构建用户标签系统,从而精准地生成用户画像,提升用户体验。今天分享的主题是网易严选DMP标签系统建设实践,主要围绕下面五点展开:
- 平台总览
- 标签生产 :标签圈选&生产链路
- 标签存储:存储方式&存储架构演进
- 高性能查询
- 未来规划
1. 平台总览
DMP作为网易严选的数据中台,向下连接数据,向上赋能业务,承担着非常重要的基石角色。
DMP 的数据来源主要包括三大部分:
- 自营平台的app、小程序、pc端等各端的业务日志
- 网易集团内部共建的一些基础数据
京东、淘宝、抖音等第三方渠道店铺的数据
通过收集、清洗,将以上数据形成数据资产沉淀下来。DMP在数据资产基础上形成了一套自己的标签产出、人群圈选和用户画像分析体系,从而为业务提供支撑,包括:智能化的选品、精准触达以及用户洞察等。总的来说,DMP 系统就是构建以数据为核心的标签体系和画像体系,从而辅助业务做一系列精细化的运营。
了解 DMP 系统,先从以下几个概念开始。
- 标签:对于实体(用户、设备、手机号等)特征的描述,是一种面向业务的数据组织形式,比如使用:年龄段、地址、偏好类目等对用户实体进行刻画。
- 人群圈选:通过条件组合从全体用户中圈选出一部分用户,具体就是指定一组用户标签和其对应的标签值,得到符合条件的用户人群。
- 画像分析:对于人群圈选结果,查看该人群的行为情况、标签分布。例如查看【城市为杭州,且性别为女性】的用户在严选APP上的行为路径、消费模型等。
严选标签系统对外主要提供两大核心能力:
- 标签查询:查询特定实体指定标签的能力,常用于基本信息的展示。
- 人群圈选:分为实时和离线圈选。圈选结果主要用于:
- 分组判断:判读用户是否在指定的一个或多个分组,资源投放、触点营销等场景使用较多。
- 结果集拉取:拉取指定的人群数据到业务方系统中,进行定制化开发。
- 画像分析:分析特定人群的行为数据,消费模型等,进行更精细的运营。
整体的业务流程如下:
- 首先定义标签和人群圈选的规则;
- 定义出描述业务的DSL之后,便可以将任务提交到 Spark 进行计算;
- 计算完成之后,将计算结果存储到 HIVE 和 DORIS;
- 之后业务方便可以根据实际业务需求从 HIVE 或 DORIS 中查询使用数据。
DMP 平台整体分为计算存储层、调度层、服务层、和元数据管理四大模块。
所有的标签元信息存储在源数据表中;调度层对业务的整个流程进行任务调度:数据处理、聚合转化为基础标签,基础标签和源表中的数据通过DSL规则转化为可用于数据查询的SQL语义,由调度层将任务调度到计算存储层的 Spark 进行计算,并将计算结果存储到 Hive 和 Doris 中。服务层由标签服务、实体分组服务、基础标签数据服务、画像分析服务四部分组成。
标签的生命周期包含5个阶段:
- 标签需求:在此阶段,运营提出标签的需求和价值预期,产品评估需求合理性以及紧迫性。
- 排期生产:此阶段需要数据开发梳理数据,从ods到dwd到dm层整个链路,根据数据建立模型,同时数据开发需要做好质量监控。
- 人群圈选:标签生产出来之后进行应用,圈选出标签对应的人群。
- 精准营销:对3中圈选出来的人群进行精准化营销。
- 效果评估:最后产品、数据开发和运营对标签使用率、使用效果进行效果评估来决定后续对标签进行改进或降级。
总的来说,就是以业务增长为目标,围绕标签的生命周期,投入合理的资源,最大化运营效果。
2. 标签生产
接下来介绍标签生产的整个过程。
标签的数据分层:
- 最下层是ods层,包括用户登录日志、埋点记录日志、交易数据以及各种数据库的binlog数据。
- 对 ods 层处理后的数据到达 dwd 明细层,包括用户登录表、用户活动表、订单信息表等。
- dwd 层数据聚合后到 dm 层,标签全部基于 dm 层数据实现。
目前我们从原始数据库到 ods 层数据产出已经完全自动化,从 ods 层到 dwd 层实现了部分自动化,从 dwd 到 dm 层有一部分自动化操作,但自动化程度还不高,这部分的自动化操作是我们接下来的工作重点。
标签根据时效性分为:离线标签、近实时标签和实时标签。
根据聚合粒度分为:聚合标签和明细标签。
通过类别维度可将标签分为:账号属性标签、消费行为标签、活跃行为标签、用户偏好标签、资产信息标签等。
直接将 dm 层的数据不太方便拿来用,原因在于:
基础数据比较原始,抽象层次有所欠缺、使用相对繁琐。通过对基础数据进行与、或、非的组合,形成业务标签供业务方使用,可以降低运营的理解成本,降低使用难度。
标签组合之后需要对标签进行具体业务场景应用,如人群圈选。配置如上图左侧所示,支持离线人群包和实时行为(需要分开配置)。
配置完后,生成上图右侧所示的 DSL 规则,以 json 格式表达,对前端比较友好,也可以转成存储引擎的查询语句。
标签有一部分实现了自动化。在人群圈选部分自动化程度比较高。比如分组刷新,每天定时刷新;高级计算,如分组与分组间的交/并/差集;数据清理,及时清理过期失效的实体集。
3. 标签存储
下面介绍一下我们在标签存储方面的实践。
严选DMP标签系统需要承载比较大的C端流量,对实时性要求也比较高。我们对存储的要求包括:
- 支持高性能查询,以应对大规模C端流量
- 支持SQL,便于应对数据分析场景
- 支持数据更新机制
- 可存储大数据量
- 支持扩展函数,以便处理自定义数据结构
- 和大数据生态结合紧密
目前还没有一款存储能够完全满足要求。我们第一版的存储架构如下图所示:
离线数据大部分存储在 hive 中,小部分存储在 hbase(主要用于基础标签的查询)。实时数据一部分存储在 hbase 中用于基础标签的查询,部分双写到 KUDU 和 ES 中,用于实时分组圈选和数据查询。离线圈选的数据通过 impala 计算出来缓存在 redis 中。
这一版本的缺点包括:
- 存储引擎过多。
- 双写有数据质量隐患,可能一方成功一方失败,导致数据不一致。
- 项目复杂,可维护性较差。
为了减少引擎和存储的使用量,提高项目可维护性,在版本一的基础上改进实现了版本二。
存储架构版本二引入了 Apache Doris,离线数据主要存储在 HIVE 中,同时将基础标签导入到 Doris,实时数据也存储在 doris,基于 Spark 做 HIVE 加 Doris 的联合查询,并将计算出来的结果存储在 redis 中。经过此版改进后,实时离线引擎存储得到了统一,性能损失在可容忍范围内(Hbase 的查询性能比 doris 好一些,能控制在 10ms 以内,doris 目前是 1.0 版本,p99,查询性能能控制在 20ms 以内,p999,能控制在 50ms 以内);项目简化,降低了运维成本。
在大数据领域,各种存储计算引擎有各自的适用场景,如下表所示:
4. 高性能查询
分组存在性判断:判断用户是否在指定的一个分组或者多个分组。包括两大部分:第一部分为静态人群包,提前进行预计算,存入redis中(key为实体的id,value为结果集id),采用lua脚本进行批量判断,提升性能;第二部分为实时行为人群,需要从上下文、API和ApacheDoris中提取数据进行规则判断。性能提升方案包括,异步化查询、快速短路、查询语句优化、控制join表数量等。
还有一个场景是人群分析:人群分析需要将人群包数据同多个表进行联合查询,分析行为路径。目前 doris 还不支持路径分析函数,因此我们开发了 dorisUDF 来支持此业务。doris 的计算模型对自定义函数的开发还是很友好的,能够比较好地满足我们的性能需要。
Apache Doris 在网易严选中已应用于点查、批量查询、路径分析、人群圈选等场景。在实践中具备以下优势:
- 在点查和少量表的联合查询性能QPS超过万级,RT99<50MS。
- 水平扩展能力很强,运维成本相对比较低。
- 离线数据和实时数据相统一,降低标签模型复杂度。
不足之处在于大量小数据量的导入任务资源占用较多,性能还需要优化。
5. 未来规划
- 提升存储&计算性能
- HIVE 和 Spark逐渐全部转向ApacheDoris。
- 优化标签体系
- 建立丰富准确的标签评价体系
- 提升标签质量和产出速度
- 提升标签覆盖率
- 更精准的运营
- 建立丰富的用户分析模型
- 从使用频次和用户价值两个方面提升用户洞察模型评价体系
- 建立通用化画像分析能力,辅助运营智能化决策
以上是关于网易严选 DMP 标签系统建设实践的主要内容,如果未能解决你的问题,请参考以下文章
网易严选案例:基于Alluxio+Impala深度融合架构的BI系统性能优化实践