網(wǎng)易嚴(yán)選DMP標(biāo)簽系統(tǒng)建設(shè)實(shí)踐

作者：劉曉東 2022-08-14 14:41:57

今天分享的主題是網(wǎng)易嚴(yán)選DMP標(biāo)簽系統(tǒng)建設(shè)實(shí)踐。

如果說互聯(lián)網(wǎng)的上半場是粗狂運(yùn)營，因?yàn)橛辛髁考t利不需要考慮細(xì)節(jié)。那么在下半場，精細(xì)化運(yùn)營將是長久的主題，有數(shù)據(jù)分析能力才能讓用戶得到更好的體驗(yàn)。當(dāng)下比較典型的分析方式是構(gòu)建用戶標(biāo)簽系統(tǒng)，從而精準(zhǔn)地生成用戶畫像，提升用戶體驗(yàn)。今天分享的主題是網(wǎng)易嚴(yán)選DMP標(biāo)簽系統(tǒng)建設(shè)實(shí)踐，主要圍繞下面五點(diǎn)展開：

平臺(tái)總覽
標(biāo)簽生產(chǎn) ：標(biāo)簽圈選&生產(chǎn)鏈路
標(biāo)簽存儲(chǔ)：存儲(chǔ)方式&存儲(chǔ)架構(gòu)演進(jìn)
高性能查詢
未來規(guī)劃

01 平臺(tái)總覽

DMP作為網(wǎng)易嚴(yán)選的數(shù)據(jù)中臺(tái)，向下連接數(shù)據(jù)，向上賦能業(yè)務(wù)，承擔(dān)著非常重要的基石角色。

DMP的數(shù)據(jù)來源主要包括三大部分：

自營平臺(tái)的app、小程序、pc端等各端的業(yè)務(wù)日志
網(wǎng)易集團(tuán)內(nèi)部共建的一些基礎(chǔ)數(shù)據(jù)
京東、淘寶、抖音等第三方渠道店鋪的數(shù)據(jù)

通過收集、清洗，將以上數(shù)據(jù)形成數(shù)據(jù)資產(chǎn)沉淀下來。DMP在數(shù)據(jù)資產(chǎn)基礎(chǔ)上形成了一套自己的標(biāo)簽產(chǎn)出、人群圈選和用戶畫像分析體系，從而為業(yè)務(wù)提供支撐，包括：智能化的選品、精準(zhǔn)觸達(dá)以及用戶洞察等。總的來說，DMP系統(tǒng)就是構(gòu)建以數(shù)據(jù)為核心的標(biāo)簽體系和畫像體系，從而輔助業(yè)務(wù)做一系列精細(xì)化的運(yùn)營。

了解DMP系統(tǒng)，先從以下幾個(gè)概念開始。

標(biāo)簽：對于實(shí)體（用戶、設(shè)備、手機(jī)號等）特征的描述，是一種面向業(yè)務(wù)的數(shù)據(jù)組織形式，比如使用：年齡段、地址、偏好類目等對用戶實(shí)體進(jìn)行刻畫。
人群圈選：通過條件組合從全體用戶中圈選出一部分用戶，具體就是指定一組用戶標(biāo)簽和其對應(yīng)的標(biāo)簽值，得到符合條件的用戶人群。
畫像分析：對于人群圈選結(jié)果，查看該人群的行為情況、標(biāo)簽分布。例如查看【城市為杭州，且性別為女性】的用戶在嚴(yán)選APP上的行為路徑、消費(fèi)模型等。

嚴(yán)選標(biāo)簽系統(tǒng)對外主要提供兩大核心能力：

（1）標(biāo)簽查詢：查詢特定實(shí)體指定標(biāo)簽的能力，常用于基本信息的展示。

（2）人群圈選：分為實(shí)時(shí)和離線圈選。圈選結(jié)果主要用于：

分組判斷：判讀用戶是否在指定的一個(gè)或多個(gè)分組，資源投放、觸點(diǎn)營銷等場景使用較多。
結(jié)果集拉取：拉取指定的人群數(shù)據(jù)到業(yè)務(wù)方系統(tǒng)中，進(jìn)行定制化開發(fā)。
畫像分析：分析特定人群的行為數(shù)據(jù)，消費(fèi)模型等，進(jìn)行更精細(xì)的運(yùn)營。

整體的業(yè)務(wù)流程如下：

首先定義標(biāo)簽和人群圈選的規(guī)則；
定義出描述業(yè)務(wù)的DSL之后，便可以將任務(wù)提交到Spark進(jìn)行計(jì)算；
計(jì)算完成之后，將計(jì)算結(jié)果存儲(chǔ)到HIVE和DORIS；
之后業(yè)務(wù)方便可以根據(jù)實(shí)際業(yè)務(wù)需求從HIVE或DORIS中查詢使用數(shù)據(jù)。

DMP平臺(tái)整體分為計(jì)算存儲(chǔ)層、調(diào)度層、服務(wù)層、和元數(shù)據(jù)管理四大模塊。?

所有的標(biāo)簽元信息存儲(chǔ)在源數(shù)據(jù)表中；調(diào)度層對業(yè)務(wù)的整個(gè)流程進(jìn)行任務(wù)調(diào)度：數(shù)據(jù)處理、聚合轉(zhuǎn)化為基礎(chǔ)標(biāo)簽，基礎(chǔ)標(biāo)簽和源表中的數(shù)據(jù)通過DSL規(guī)則轉(zhuǎn)化為可用于數(shù)據(jù)查詢的SQL語義，由調(diào)度層將任務(wù)調(diào)度到計(jì)算存儲(chǔ)層的Spark進(jìn)行計(jì)算，并將計(jì)算結(jié)果存儲(chǔ)到Hive和Doris中。服務(wù)層由標(biāo)簽服務(wù)、實(shí)體分組服務(wù)、基礎(chǔ)標(biāo)簽數(shù)據(jù)服務(wù)、畫像分析服務(wù)四部分組成。

標(biāo)簽的生命周期包含5個(gè)階段：?

（1）標(biāo)簽需求：在此階段，運(yùn)營提出標(biāo)簽的需求和價(jià)值預(yù)期，產(chǎn)品評估需求合理性以及緊迫性。

（2）排期生產(chǎn)：此階段需要數(shù)據(jù)開發(fā)梳理數(shù)據(jù)，從ods到dwd到dm層整個(gè)鏈路，根據(jù)數(shù)據(jù)建立模型，同時(shí)數(shù)據(jù)開發(fā)需要做好質(zhì)量監(jiān)控。

（3）人群圈選：標(biāo)簽生產(chǎn)出來之后進(jìn)行應(yīng)用，圈選出標(biāo)簽對應(yīng)的人群。

（4）精準(zhǔn)營銷：對3中圈選出來的人群進(jìn)行精準(zhǔn)化營銷。

（5）效果評估：最后產(chǎn)品、數(shù)據(jù)開發(fā)和運(yùn)營對標(biāo)簽使用率、使用效果進(jìn)行效果評估來決定后續(xù)對標(biāo)簽進(jìn)行改進(jìn)或降級。

總的來說，就是以業(yè)務(wù)增長為目標(biāo)，圍繞標(biāo)簽的生命周期，投入合理的資源，最大化運(yùn)營效果。

02 標(biāo)簽生產(chǎn)

接下來介紹標(biāo)簽生產(chǎn)的整個(gè)過程。

標(biāo)簽的數(shù)據(jù)分層：?

最下層是ods層，包括用戶登錄日志、埋點(diǎn)記錄日志、交易數(shù)據(jù)以及各種數(shù)據(jù)庫的binlog數(shù)據(jù)。
對ods層處理后的數(shù)據(jù)到達(dá)dwd明細(xì)層，包括用戶登錄表、用戶活動(dòng)表、訂單信息表等。
dwd層數(shù)據(jù)聚合后到dm層，標(biāo)簽全部基于dm層數(shù)據(jù)實(shí)現(xiàn)。

目前我們從原始數(shù)據(jù)庫到ods層數(shù)據(jù)產(chǎn)出已經(jīng)完全自動(dòng)化，從ods層到dwd層實(shí)現(xiàn)了部分自動(dòng)化，從dwd到dm層有一部分自動(dòng)化操作，但自動(dòng)化程度還不高，這部分的自動(dòng)化操作是我們接下來的工作重點(diǎn)。

標(biāo)簽根據(jù)時(shí)效性分為：離線標(biāo)簽、近實(shí)時(shí)標(biāo)簽和實(shí)時(shí)標(biāo)簽。

根據(jù)聚合粒度分為：聚合標(biāo)簽和明細(xì)標(biāo)簽。

通過類別維度可將標(biāo)簽分為：賬號屬性標(biāo)簽、消費(fèi)行為標(biāo)簽、活躍行為標(biāo)簽、用戶偏好標(biāo)簽、資產(chǎn)信息標(biāo)簽等。

直接將dm層的數(shù)據(jù)不太方便拿來用，原因在于：

基礎(chǔ)數(shù)據(jù)比較原始，抽象層次有所欠缺、使用相對繁瑣。通過對基礎(chǔ)數(shù)據(jù)進(jìn)行與、或、非的組合，形成業(yè)務(wù)標(biāo)簽供業(yè)務(wù)方使用，可以降低運(yùn)營的理解成本，降低使用難度。

標(biāo)簽組合之后需要對標(biāo)簽進(jìn)行具體業(yè)務(wù)場景應(yīng)用，如人群圈選。配置如上圖左側(cè)所示，支持離線人群包和實(shí)時(shí)行為（需要分開配置）。

配置完后，生成上圖右側(cè)所示的DSL規(guī)則，以json格式表達(dá)，對前端比較友好，也可以轉(zhuǎn)成存儲(chǔ)引擎的查詢語句。

標(biāo)簽有一部分實(shí)現(xiàn)了自動(dòng)化。在人群圈選部分自動(dòng)化程度比較高。比如分組刷新，每天定時(shí)刷新；高級計(jì)算，如分組與分組間的交/并/差集；數(shù)據(jù)清理，及時(shí)清理過期失效的實(shí)體集。

03 標(biāo)簽存儲(chǔ)

下面介紹一下我們在標(biāo)簽存儲(chǔ)方面的實(shí)踐。

嚴(yán)選DMP標(biāo)簽系統(tǒng)需要承載比較大的C端流量，對實(shí)時(shí)性要求也比較高。

我們對存儲(chǔ)的要求包括：

支持高性能查詢，以應(yīng)對大規(guī)模C端流量
支持SQL，便于應(yīng)對數(shù)據(jù)分析場景
支持?jǐn)?shù)據(jù)更新機(jī)制
可存儲(chǔ)大數(shù)據(jù)量
支持?jǐn)U展函數(shù)，以便處理自定義數(shù)據(jù)結(jié)構(gòu)
和大數(shù)據(jù)生態(tài)結(jié)合緊密

目前還沒有一款存儲(chǔ)能夠完全滿足要求。

我們第一版的存儲(chǔ)架構(gòu)如下圖所示：

離線數(shù)據(jù)大部分存儲(chǔ)在hive中，小部分存儲(chǔ)在hbase（主要用于基礎(chǔ)標(biāo)簽的查詢）。實(shí)時(shí)數(shù)據(jù)一部分存儲(chǔ)在hbase中用于基礎(chǔ)標(biāo)簽的查詢，部分雙寫到KUDU和ES中，用于實(shí)時(shí)分組圈選和數(shù)據(jù)查詢。離線圈選的數(shù)據(jù)通過impala計(jì)算出來緩存在redis中。

這一版本的缺點(diǎn)包括：

存儲(chǔ)引擎過多。
雙寫有數(shù)據(jù)質(zhì)量隱患，可能一方成功一方失敗，導(dǎo)致數(shù)據(jù)不一致。
項(xiàng)目復(fù)雜，可維護(hù)性較差。

為了減少引擎和存儲(chǔ)的使用量，提高項(xiàng)目可維護(hù)性，在版本一的基礎(chǔ)上改進(jìn)實(shí)現(xiàn)了版本二。

存儲(chǔ)架構(gòu)版本二引入了ApacheDoris，離線數(shù)據(jù)主要存儲(chǔ)在HIVE中，同時(shí)將基礎(chǔ)標(biāo)簽導(dǎo)入到Doris，實(shí)時(shí)數(shù)據(jù)也存儲(chǔ)在doris，基于Spark做HIVE加Doris的聯(lián)合查詢，并將計(jì)算出來的結(jié)果存儲(chǔ)在redis中。經(jīng)過此版改進(jìn)后，實(shí)時(shí)離線引擎存儲(chǔ)得到了統(tǒng)一，性能損失在可容忍范圍內(nèi)（Hbase的查詢性能比doris好一些，能控制在10ms以內(nèi)，doris目前是1.0版本，p99，查詢性能能控制在20ms以內(nèi)，p999，能控制在50ms以內(nèi)）；項(xiàng)目簡化，降低了運(yùn)維成本。

在大數(shù)據(jù)領(lǐng)域，各種存儲(chǔ)計(jì)算引擎有各自的適用場景，如下表所示：

04 高性能查詢

分組存在性判斷：判斷用戶是否在指定的一個(gè)分組或者多個(gè)分組。包括兩大部分：第一部分為靜態(tài)人群包，提前進(jìn)行預(yù)計(jì)算，存入redis中（key為實(shí)體的id，value為結(jié)果集id），采用lua腳本進(jìn)行批量判斷，提升性能；第二部分為實(shí)時(shí)行為人群，需要從上下文、API和ApacheDoris中提取數(shù)據(jù)進(jìn)行規(guī)則判斷。性能提升方案包括，異步化查詢、快速短路、查詢語句優(yōu)化、控制join表數(shù)量等。

還有一個(gè)場景是人群分析：人群分析需要將人群包數(shù)據(jù)同多個(gè)表進(jìn)行聯(lián)合查詢，分析行為路徑。目前doris還不支持路徑分析函數(shù)，因此我們開發(fā)了dorisUDF來支持此業(yè)務(wù)。doris的計(jì)算模型對自定義函數(shù)的開發(fā)還是很友好的，能夠比較好地滿足我們的性能需要。