中通快遞資料治理實踐

導讀：本次分享的內容是中通快遞在資料治理方面的實踐，主要會從如下四個方面展開：

• 中通簡介

• 資料治理驅動力&目標

• 資料治理實踐

• 未來規劃

分享嘉賓｜薛世敏 中通快遞 資深架構師

編輯整理｜盧卡

出品社群｜DataFun

---

01

中通簡介

中通快遞成立已經有將近 20  年時間，是一家以快遞為主的大型綜合物流服務企業。除了快遞之外，還有國際、快運、雲倉等等的一系列業務。根據今年二季度的資料來看，目前日均單量近 7000 萬，市場份額已經達到了 23%，位居行業第一。

除了及時把這麼多包裹送到客戶手中，客戶滿意度在“通達系”中也名列前茅。菜鳥統計各承運淘系貨物的快遞公司的綜合能力的指標，包括服務質量、時效、資訊完整等方面，中通也是表現非常優異。

 快遞行業的主要業務流程包括收、發、到、派、籤五個環節。使用者下單後，快遞小哥會上門收快件，再由網點統一把件交到轉運中心。轉運中心做分揀之後，再透過合理的路由把件轉運到末端末中心，末中心再將件分配到網點，然後由快遞小哥進行派件，最後由客戶進行簽收，這樣一個流程基本就結束了。

02

據治理驅動力&目標

隨著物流行業也由傳統行業向數字化、智慧化新模式的轉變，中通為了在激烈競爭的市場環境中保持領先的地位，也在積極地進行數字化轉型，在這個過程中對資料的依賴程度會越來越高。

業務人員在日常使用資料過程中還是有一些痛點的，主要的表現：

第一，資料資產缺乏盤點。當前核心系統的主要資料已經採集到資料倉儲，但是在日常的業務分析中經常需要向業務系統瞭解需要用到的資料在哪裡。總得來看對資料資產還是缺乏整體盤點，公司主要有哪些資料，都分佈在哪些系統中，哪些資料已經採集到數倉，哪些還沒有入庫，還有待進一步梳理。

第二，資料標準化建設不足。資料標準會貫穿資料管理的全流程，雖然我們制定了一系列規範文件、制度文件、流程文件等，但有了標準並不代表資料標準化已經落實了，像指標資料的標準化、主資料的標準化等方面還需要進一步的提升。

第三，資料質量問題。資料質量是資料的生命線，差的資料質量嚴重影響資料分析的結論，有的可能對決策產生誤導，如髒資料、維度資料缺失或變更等一系列問題，都需要進行治理，比如掃描資訊缺失，導致運單路由軌跡不準確；資料維度值變化，統計某個渠道業務量陡增或驟降。

第四，資料模型待完善。目前已經建設了一批公共寬表，但是隨著業務發展，有些時候業務方需求比較急，開發直接從基礎明細表取數，導致寬表複用度降低；為了追求開發效率，團隊內部也存在煙囪式開發現象，導致一些 ST 層共有邏輯沒有下沉。

除了上述問題，快遞公司還會積累大量收件人、發件人的地址、姓名、電話等資訊，這些資訊都需要進行有效的管理。此外，國家也出臺了《資料安全法》、《個人資訊保護法》等法律法規，需要我們做好資料分級分類和對資料合規安全的訪問，同時保障資料保密性、完整性和可用性。

資料治理的核心是希望把資料變為資料資產，讓資料資產在資料驅動業務過程中發揮價值。最主要期望能夠實現的目的是：

1. 提升資料質量

2. 解決資料孤島問題，實現資料匯聚聯接

3. 掌握資料資產現狀

4. 保障資料安全合規

5. 逐漸釋放業務價值，如在降本增效、提升客戶滿意度等方面發揮作用

根據物流行業的發展趨勢以及公司資料化轉型的要求，基於打造數字綜合物流服務的戰略規劃，我們也建立了一套比較成熟的資料治理體系，主要包括戰略、機制、專題和平臺等等方面。

（1）機制層面

公司近年陸續組建了順應數字化團隊協作模式的組織架構，基於一把手工程思路，專門成立了數字化支撐團隊，並在各業務部門設定專門的崗位，清晰明確了的各部門的資料管理責任; 同時為規範推行數字化工作開展，有章可循，我們IT部門組織各業務部門共同編寫資料管理政策、制度、細則、手冊共4個梯度的資料管理辦法文件，目前正在推廣執行中。 

（2）專題方面

聚焦資料標準、質量、後設資料管理、安全及生命週期等一共8個專項服務，全面提供資料支撐業務；在具體實施層面，我們會圍繞“盤”、“規”、“治”、“用”四個方面展開。

• 盤：發現業務痛點，調研業務部門，梳理業務流程，分析資料問題，資料盤點，收集資料字典與資料規範；

• 規：定義資料標準，確認核心系統，定義資料模型，確定資料流向，制定資料質量規則

• 治：跨資料域的資料整合拉通，形成單一資料檢視，進行資料質量檢核，並對資料質量實時監控和預警；

• 用：為業務部門提供生產經營指標分析服務，提供資料快速檢索與資料資產全景可視服務；

專題主要包括我們經常會提到的資料標準、資料質量、模型、主資料等八大塊內容。

（3）平臺層面

資料治理離不開平臺的支撐， 公司也透過自研包括後設資料、資料質量、大資料等平臺等來支撐治理工作的展開。

資料治理工作需要組織架構來保證。在管理層面有資料治理委員會，資料管理辦公室負責實際開展工作，主要負責標準規範的制定、協調某些需要升級的資料質量問題。接下來的執行層面有資料架構組、資料質量組等等，他們負責具體的治理工作。

03

資料治理實踐

上邊提到資料治理主要包括八大塊內容，實際工作中每一塊我們都有涉及。由於時間關係，重點挑其中三塊：資料質量、模型、後設資料做介紹。

1. 資料質量治理

 資料質量是資料治理的核心，也是基礎工作。資料質量通常會從及時性、真實性、唯一性、完整性、有效性、一致性等六個維度來衡量。

日常工作中涉及到資料質量的問題通常會有資料重複、波動值過大、異常值、操作不規範、資料未採集等。

舉一個實際工作中遇到的運單掃描的例子。在收、發、到、派、籤的整個環節，一般是要求都要業務人員都要掃描，但實際操作可能不規範導致某些掃描環節缺失，那就會導致運單的路由軌跡不準確，進而影響到資料分析。

種種資料質量問題會引起業務方對資料不信任、無法做出正確決策、不能精細化運營等問題，這就需要有一套資料質量解決方案。我們的方案包括四方面：

第一，資料質量問題發現。藉助資料質量管理平臺，對資料從入庫到後續加工的整個鏈路進行監控，來發現業務系統、開發加工過程中的一系列問題。另外還需要透過下游使用資料的環節來發現一些深層次的資料質量問題，如透過業務專題分析來發現資料質量問題。之後再以業務驅動的方式推動資料質量問題的解決。

第二，評估分析。主要是分析問題產生的原因。在解決問題的時候不能僅停留在表象，需要分析問題產生的根本原因，從源頭解決資料質量問題。當評估資料質量問題需不需要去解決時，還需要考慮治理成本和收益。

第三，資料質量問題的解決。資料質量問題通常來說會考慮從業務、技術、流程等方面去考慮推動解決。

第四，資料質量驗收。即驗證相關問題是否得到解決。

對於資料質量的監控，主要包括三個環節：

第一，結合資料質量衡量的六個維度及日常工作中發現的資料質量問題，配置相關規則。

第二，在資料加工的各個環節設定檢查點，比如從 ODS 到 DW，從 DW 到 DM 等環節。如在 ODS 的檢查點設定中，可能會包括資料來源抽取記錄的檢查；在基礎層會有空值、編碼值、一致性、重複性等問題的檢查 。

第三，輸出異常結果，進行告警處理。

看一個具體的監控案例。當用資料質量監控平臺對一張表進行監控時，我們可以選擇配置相關規則，可以直接採用預置的規則模版，也可以自定義規則。也可以設定檢查規則的屬性，比如是強規則還是弱規則，此外對告警的屬性也可以進行設定。規則配置完成以後在實際檢測過程中，如果某個檢測規則違反了強規則，則其會阻斷下游任務的執行。

告警升級機制方面，強規則一般會提供電話告警。如果說由於疏忽或其他情況導致任務負責人未及時處理，那麼會升級到leader來推進問題的解決。

告警資訊是點對點，我們對告警資訊會進行聚合，形成質量全貌資訊。比如每天早上來上班，我就可以開啟質量全貌資訊，看一下當天執行了多少檢查規則，有多少是有問題的。如果有問題可以繼續分辨哪些是真有問題，哪些是沒問題，有問題的是否已經解決。如果檢查規則設定不合理，我們會進行最佳化，逐漸使得告警規則更準確，形成質量監控全面、準確的閉環。

還有一些深層次的資料質量問題可能透過我們常規的檢查手段並不一定能發現，這時就需要藉助下游資料使用來解決，一般我們會結合業務專題分析推動資料治理。在專題分析過程中，可能會發現種種資料質量問題，比如資料未線上化、資料採集不完整等，之後我們會針對具體問題制定有效措施，同業務方、業務系統的產品研發共同把問題解決。

以業務驅動方式推進資料質量建設取得了若干成果：

• 推動 100% 計費政策資料線上化，結算時效提升至 T-1

• 推動業務系統採集關鍵操作環節資料，支援更細粒度的業務分析

• 協調業務部門細化各類操作規範，運算元據質量進一步提升

• 完善業務系統功能

2. 資料模型治理

簡要先介紹一些快遞的業務特點。快遞屬於服務性行業，非常注重運營，最主要關注的是時效、服務、質量三方面。行業的情況會導致資料有如下特徵：

• 資料生命週期比較長

核心運單流程生命週期短則 1 天，長則 3-5 天，異常單可能會更長。財務類週期結算長，涉及政策財經類資料計算回刷時間 1～3 個月；

• 業務流程複雜

運單核心流程從下單到簽收涉及業務流程較為複雜及運單攬派籤主流程外，還涉及結算、客服等額外流程；

• 物件多資料大

資料由不同業務物件如快遞員、客服、分級員等多角色產生，非常依賴他們操作的規範性。另外，我們日均單量七千萬，每一單都需要經過收發到派籤的操作，資料量級可想而知；

• 資料精細化運營

當前快遞行業競爭激烈，在此背景下更需要精細化運營，因此對資料依賴非常強。公司透過資料化運營進行成本管控，運單時效管控，服務質量管控，已成為公司日常運營常態，因此對資料準確性，時效性要求很高。

接下來介紹一下我們數倉的當前現狀。首先，我們按照業務板塊劃分出運單、財經、客服等 27 個一級主題域。其次，核心資料集中在 DW 和 DM 層，為下游提供通用的公共服務。第三，當前我們是 PB 級資料規模，計算任務 1 萬多，透過上千臺叢集的規模支撐了集團全領域業務線。

隨著業務持續發展，專案也在快速迭代。資料建設不規範等方面的原因導致了複用性不高、時效不穩定等，自然而然也會引起資源危機等問題。

為此我們制定了一整套的方案，主要包括三方面：

第一，制定規範。制定諸如開發規範、分層使用規範，並嚴格要求各類資料開發和使用團隊遵守；

第二，過程管控。以需求為驅動，將設計、開發、上線等資料建設各個階段進行過程管控；

第三，模型分級。根據應用的重要程度來反推、梳理哪些是重要的模型和應用，將重要性高的模型和應用納入重點治理範圍，重點關注他們的複用性、實效性。

複用度治理方面，主要包括三塊：

第一，流程規範的制定。我們會制定相關規範來要求資料參與者都遵守。透過制定規範，應用開發團隊和數倉團隊進行分工，且在業務需求評審環節要求數倉團隊介入，可以更早地評估是否需要設計相關模型來支援應用團隊的資料開發；

第二，過程線上管控。在資料使用、模型設計、任務上線等環節都進行線上管控，由leader審批把關；

第三，核心資料識別。最主要是識別出四類核心資料，最主要關注核心模型和核心應用，並對這類資料我們重點關注、重點保障，優先保障其核心鏈路上資料的準確性和及時性。

在資料複用度治理方面還需要關注時效、引用度、需求響應及時性之間的平衡問題。我們不能為了提高模型的複用度就任意的增加維度、指標，否則可能會導致下游應用產出障礙的問題。也不能說某個指標下游飲用不多就增加到寬表中來，一定要考慮平衡性的問題。

除此之外，我們還需要考慮響應的及時性。在流程上我們希望儘量做到規範，希望應用層都飲用模型、寬表的資料。在實際工作中，有時為了保證“業務需求第一”的原則，有可能允許應用層先從明細層取數進行開發，模型同步進行迭代最佳化，後續再讓應用層把需求切換回來。

資料模型的治理也達成了一些成效，主要包括四個方面：

第一，研發效能更密集，核心領域寬表使用佔比較高，資料研發時效比原來提效不少。

第二，資料口徑更一致。

第三，資源整體可控。

第四，時效更加穩定，計算任務在 6 點前可以完成總體的 80%，關鍵任務完成100%。日常任務時效能達到業務期望。

3. 後設資料治理

我們的數倉中有上萬張表，無論是對資料開發者還是業務使用方，都會面臨無從下手的情況。他們在日常使用過程中的痛點最主要可以歸納為有什麼、在哪裡、怎麼用三類。

比如一個運單，有收件人、發件人、運載軌跡、費用等各種資訊，但具體有哪些表就不是很清楚了。在實際的工作中，分析師也經常會問有沒有哪塊的資料，在哪裡之類等等。哪怕是找到表之後，也會疑惑資料是如何加工的，如果要用的話有哪些限制條件等等問題。

基於對現狀的梳理及現階段要達成的目標，我們希望能實現資料表、報表、資料指標的聯動解鎖，所以最主要的就是梳理這三方面的資訊。

資料表我們最關心的可能是主題、子主題、概要資訊等。我們根據業務現狀及未來發展趨勢，對主題進行調整最佳化，細化了二級主題，然後對這些表分門別類地進行梳理。概要資訊主要包括表的處理邏輯、重要欄位等資訊。

我們可能不僅僅只是梳理我們大資料產品的一些報表，也包含在業務系統中的各種報表。因為在日常中，經常會遇到業務同學問業務系統中的某個報表對應的後臺表是哪個的問題，他們更希望可以把表拿過來後再加工，或者說做一些統計分析等等。

透過對這些報表的梳理，整理出系統、統計規則、主要用途、負責產品經理、對應資料表等等資訊。

在指標資訊梳理方面，也做了相關的資訊梳理。

基於上述的梳理，我們可以依賴後設資料應用平臺按主題了解資料全貌。

也可以按表、報表、指標等物件對資料進行檢索，並實現表、報表、指標的聯動。如透過對某個表名的查詢，可以得到概要資訊、處理邏輯、重要欄位的說明，大致瞭解這張表有什麼用。且不光可以呈現業務元資訊，還可以呈現一些技術元資訊，如消耗的計算資源、儲存資源、血緣關係等等。

除了上述資訊，後設資料應用還可以提供包括資料冷熱度分析、任務治理等內容。

04

未來規劃

關於未來的規劃，主要分為三個方向。

第一，結合業務發展重點，持續開展資料質量治理，繼續提升資料質量；

第二，基於後設資料，從資源消耗、價值等方面實現資料資產價值評估；

第三，聯動業務系統，開展資料架構治理，後續達到企業整體資料架構的統一。

05

問答環節

Q1：高管、運營同學關注的報表需要固定在早上幾點之前產出，他們依賴於此作相關決策。像這種關鍵任務的達成過程中是否有遇到過比較嚴重的問題，可否分享一些踩坑實踐？

A1：原因有幾方面。一，之前資源沒有分佇列的時候，確實出現過資源爭搶等情況導致關鍵任務出現延遲等情況，現在已透過將資源劃分佇列來解決。二，資料引擎對實效性的影響。透過從原來的 Hive 慢慢將任務切換到 Spark 來逐步解決。三，模型的複用性治理，不能為了模型的複用性把所有東西都加到一個模型中，這時就需要做一些模型拆分、增加冗餘度的工作。

Q2：中通在資料標準落地方面做了什麼措施，怎樣保證制定好的資料標準可以得到有效遵守和執行？

A2：在資料標準落地方面，主要做了模型標準化、指標標準化等，如果保證制定好的資料標準可以得到有效遵守和執行確實需要值得關注，首先需要流程來規範，同時也需要藉助工具層面來保障。

Q3：在資料治理方面，構建類似資料地圖一樣的模型對資料業務的提升是否特別明顯？這樣的資料地圖模型對下游使用者來說，存在一定的學習成本，那麼成本和對他的幫助是個怎樣的關係？

A3：資料地圖更多的是降低資料使用門檻，讓使用方比較直觀、一目瞭然的知道我們到底有哪些資料。使用成本相對來說是比較低的，比如每一個主題域包括哪一類的資料，有什麼用途，我們相對都有比較明確的解釋，比較直觀的瞭解到這個主題是存放了哪些資料。