「数据治理那点事」系列之二：手握数据「户口本」，数据治理肯定稳！

Posted 2021-01-26

这篇文章主要从数据治理的基础和核心之一：元数据 入手，从以下几个角度展开具体讲解：

元数据概念
元数据的分布和采集
元数据的一些实际应用场景
.

1.元数据到底是个啥？

如果我说：元数据（Meta Data），就是描述数据的数据。没有技术背景加持的路人粉看到这句「绕口令」，内心可能会浮现这样的想法：

简单点，其实元数据相当于数据的户口本。

户口本是什么？它除了包含个人姓名、年龄、性别、×××号码等各种基本描述信息外，还有这个人和家人的血缘关系，比如说父子，兄妹等等。所有的这些信息加起来，构成对这个人的全面描述，也可以称之为这个人的元数据。

同样的，如果我们要描述清楚一个实际的数据，以某张表为例，我们需要知道表名、表别名、表的所有者、数据存储的物理位置、主键、索引、表中有哪些字段、这张表与其他表之间的关系等等。所有的这些信息加起来，就是这张表的元数据。这么一类比，我们对元数据的概念可能就清楚很多了：元数据是数据的户口本。
.

2. 元数据管理，是数据治理的核心和基础

如果让你带兵打仗，现在你必须要掌握的信息是什么？没错，一张战场的地图必不可少！而元数据在数据治理当中，就相当于所有数据的地图。

在这张关于数据的地图中，我们可以知道：
我们有哪些数据？数据分布在哪里？这些数据分别是什么类型？数据之间有什么关系？哪些数据经常被引用？哪些数据无人光顾？
……
所以，如果我们做数据治理，却没有掌握这张地图，就犹如瞎子摸象。后续的文章中我们要讲到的数据资产管理，知识图谱，其实大部分也是建立在元数据之上的。所以我们说：元数据是一个组织内的数据地图，它是数据治理的核心和基础。
.

3.元模型又是谁？

元模型(Meta Model)，是描述元数据的数据。它与元数据、数据之间的关系，可以用下面这张图来描述。

对于元模型的概念，我们不做深入的讨论。我们只需要知道下面这些：元数据本身的数据结构也是需要被定义和规范的，定义和规范元数据的就是元模型，国际上元模型的标准是 CWM(Common Warehouse Metamodel，公共仓库元模型)，一个成熟的元数据管理工具，需要支持 CWM 标准。
.

4.元数据从哪来？

在大数据平台中，元数据贯穿大数据平台数据流动的全过程，主要包括数据源元数据、数据加工处理过程元数据、数据主题库专题库元数据、服务层元数据、应用层元数据等。下图以一个数据中心为例，展示了元数据的分布范围：

业内通常把元数据分为以下类型：
技术元数据：库表结构、字段约束、数据模型、ETL 程序、SQL 程序等。
业务元数据：业务指标、业务代码、业务术语等。
管理元数据：数据所有者、数据质量定责、数据安全等级等。
.
元数据采集是指获取数据生命周期中的元数据，对元数据进行组织，然后将元数据写入数据库中的过程。使用包括数据库直连、接口、日志文件等技术手段，对结构化数据的数据字典、非结构化数据的元数据信息、业务指标、代码、数据加工过程等元数据信息进行自动化和手动采集。元数据采集完成后，被组织成符合 CWM 模型的结构，存储在关系型数据库中。
.

5.有了元数据，我们能做些什么？

先看一张元数据管理的整体功能架构图，有了元数据，我们能做些什么，从这张图里一目了然：

① 元数据查看
一般是以树形结构组织元数据，按不同类型对元数据进行浏览和检索。如我们可以浏览表的结构、字段信息、数据模型、指标信息等。通过合理的权限分配，元数据查看可以大大提升信息在组织内的共享。
.
② 数据血缘和影响性分析
数据血缘和影响性分析主要解决「数据之间有什么关系」的问题。因其重要价值，有的厂商会从元数据管理中单独提取出来，作为一个独立的重要功能。但是考虑到数据血缘和影响性分析其实是来自于元数据信息，所以还是放在元数据管理中来描述。
.
血缘分析指的是获取到数据的血缘关系，以历史事实的方式记录数据的来源，处理过程等。以某张表的血缘关系为例，血缘分析展示如下信息：

.
数据血缘分析对于用户具有重要的价值，如：当在数据分析中发现问题数据的时候，可以依赖血缘关系，追根溯源，快速地定位到问题数据的来源和加工流程，减少分析的时间和难度。
.
数据血缘分析的典型应用场景：某业务人员发现「月度营销分析」报表数据存在质量问题，于是向 IT 部门提出异议，技术人员通过元数据血缘分析发现「月度营销分析」报表受到上游 FDM 层四张不同的数据表的影响，从而快速定位问题的源头，低成本地解决问题。
.
除了血缘分析之外，还有一种影响性分析，它能分析出数据的下游流向。当系统进行升级改造的时候，如果修改了数据结构、ETL 程序等元数据信息，依赖数据的影响性分析，可以快速定位出元数据修改会影响到哪些下游系统，从而减少系统升级改造带来的风险。从上面的描述可以知道：数据影响性分析和血缘分析正好相反，血缘分析指向数据的上游来源，影响性分析指向数据的下游。
.
影响性分析的典型应用场景：某机构因业务系统升级，在“FINAL_ZENT ”表中修改了字段：TRADE_ACCORD 长度由 8 修改为 64，需要分析本次升级对后续相关系统的影响。对元数据“FINAL_ZENT”进行影响性分析，发现对下游 DW 层相关的表和 ETL 程序都有影响，IT 部门定位到影响之后，及时修改下游的相应程序和表结构，避免了问题的发生。由此可见，数据的影响性分析有利于快速锁定元数据变更带来的影响，将可能发生的问题提前消灭在萌芽之中。
.
③ 数据冷热度分析
冷热度分析主要是对数据表的被使用情况进行统计，如：表与ETL 程序、表与分析应用、表与其他表的关系情况等，从访问频次和业务需求角度出发，进行数据冷热度分析，用图表的方式，展现表的重要性指数。
数据的冷热度分析对于用户有巨大的价值，典型应用场景：我们观察到某些数据资源处于长期闲置，没有被任何应用调用，也没有别的程序去使用的状态，这时候，用户就可以参考数据的冷热度报告，结合人工分析，对冷热度不同的数据做分层存储，以更好地利用 HDFS 资源，或者评估是否对失去价值的这部分数据做下线处理，以节省数据存储空间。
.
④ 数据资产地图
通过对元数据的加工，可以形成数据资产地图等应用。数据资产地图一般用于在宏观层面组织信息，以全局视角对信息进行归并、整理，展现数据量、数据变化情况、数据存储情况、整体数据质量等信息，为数据管理部门和决策者提供参考。
.
⑤ 元数据管理的其他应用
元数据管理中还有其他一些重要功能，如：元数据变更管理，对元数据的变更历史进行查询，对变更前后的版本进行比对等等；元数据对比分析，对相似的元数据进行比对；元数据统计分析，用于统计各类元数据的数量，如各类数据的种类，数量等，方便用户掌握元数据的汇总信息。诸如此类的应用，不一一列举。

6.做个总结