這兩年在大數(shù)據行業(yè)中的工作總結

今天呢，主要回顧這兩年來，在大數(shù)據行業(yè)公司從事大數(shù)據類的前端開發(fā)的工作。最近剛剛換了一份工作，把我的經驗稍作總結分享給大家，有什么建議大家在評論區(qū)踴躍。 謝謝。

今天的主題，主要是從大數(shù)據開發(fā)的角度，到大數(shù)據治理的必要性，再到圖形化建模的暢想，最后在數(shù)據質量的把關，然后到大數(shù)據可視化的應用，博主總結兩年的見聞，和我學習的成果，也不知理解有無偏差吧，希望大家能給出建議。

大數(shù)據開發(fā)

大數(shù)據開發(fā)，有幾個階段：

1.數(shù)據采集【原始數(shù)據】

2.數(shù)據匯聚【經過清洗合并的可用數(shù)據】

3.數(shù)據轉換和映射【經過分類，提取的專項主題數(shù)據】

4.數(shù)據應用 【提供api 智能系統(tǒng) 應用系統(tǒng)等】

數(shù)據采集

數(shù)據采集有線上和線下兩種方式，線上一般通過爬蟲、通過抓取，或者通過已有應用系統(tǒng)的采集，在這個階段，我們可以做一個大數(shù)據采集平臺，依托自動爬蟲（使用python或者nodejs制作爬蟲軟件），ETL工具、或者自定義的抽取轉換引擎，從文件中、數(shù)據庫中、網頁中專項爬取數(shù)據，如果這一步通過自動化系統(tǒng)來做的話，可以很方便的管理所有的原始數(shù)據，并且從數(shù)據的開始對數(shù)據進行標簽采集，可以規(guī)范開發(fā)人員的工作。并且目標數(shù)據源可以更方便的管理。

數(shù)據采集的難點在于多數(shù)據源，例如mysql、postgresql、sqlserver 、 mongodb 、sqllite。還有本地文件、excel統(tǒng)計文檔、甚至是doc文件。如何將他們規(guī)整的、有方案的整理進我們的大數(shù)據流程中也是必不可缺的一環(huán)。

數(shù)據匯聚

數(shù)據的匯聚是大數(shù)據流程最關鍵的一步，你可以在這里加上數(shù)據標準化，你也可以在這里做數(shù)據清洗，數(shù)據合并，還可以在這一步將數(shù)據存檔，將確認可用的數(shù)據經過可監(jiān)控的流程進行整理歸類，這里產出的所有數(shù)據就是整個公司的數(shù)據資產了，到了一定的量就是一筆固定資產。

數(shù)據匯聚的難點在于如何標準化數(shù)據，例如表名標準化，表的標簽分類，表的用途，數(shù)據的量，是否有數(shù)據增量？，數(shù)據是否可用？ 需要在業(yè)務上下很大的功夫，必要時還要引入智能化處理，例如根據內容訓練結果自動打標簽，自動分配推薦表名、表字段名等。還有如何從原始數(shù)據中導入數(shù)據等。

數(shù)據轉換和映射

經過數(shù)據匯聚的數(shù)據資產如何提供給具體的使用方使用？在這一步，主要就是考慮數(shù)據如何應用，如何將兩個？三個？數(shù)據表轉換成一張能夠提供服務的數(shù)據。然后定期更新增量。

經過前面的那幾步，在這一步難點并不太多了，如何轉換數(shù)據與如何清洗數(shù)據、標準數(shù)據無二，將兩個字段的值轉換成一個字段，或者根據多個可用表統(tǒng)計出一張圖表數(shù)據等等。

數(shù)據應用

數(shù)據的應用方式很多，有對外的、有對內的，如果擁有了前期的大量數(shù)據資產，通過restful API提供給用戶？或者提供流式引擎 KAFKA 給應用消費? 或者直接組成專題數(shù)據，供自己的應用查詢？這里對數(shù)據資產的要求比較高，所以前期的工作做好了，這里的自由度很高。

總結：大數(shù)據開發(fā)的難點

大數(shù)據開發(fā)的難點主要是監(jiān)控，怎么樣規(guī)劃開發(fā)人員的工作？開發(fā)人員隨隨便便采集了一堆垃圾數(shù)據，并且直連數(shù)據庫。 短期來看，這些問題比較小，可以矯正。 但是在資產的量不斷增加的時候，這就是一顆定時炸彈，隨時會引爆，然后引發(fā)一系列對數(shù)據資產的影響，例如數(shù)據混亂帶來的就是數(shù)據資產的價值下降，客戶信任度變低。

如何監(jiān)控開發(fā)人員的開發(fā)流程？

答案只能是自動化平臺，只有自動化平臺能夠做到讓開發(fā)人員感到舒心的同時，接受新的事務，拋棄手動時代。

這就是前端開發(fā)工程師在大數(shù)據行業(yè)中所占有的優(yōu)勢點，如何制作交互良好的可視化操作界面？如何將現(xiàn)有的工作流程、工作需求變成一個個的可視化操作界面？ 可不可以使用智能化取代一些無腦的操作？

從一定意義上來說，大數(shù)據開發(fā)中，我個人認為前端開發(fā)工程師占據著更重要的位置，僅次于大數(shù)據開發(fā)工程師。至于后臺開發(fā)，系統(tǒng)開發(fā)是第三位的。好的交互至關重要，如何轉換數(shù)據，如何抽取數(shù)據，一定程度上，都是有先人踩過的坑，例如kettle，再例如kafka，pipeline ，解決方案眾多。關鍵是如何交互？ 怎么樣變現(xiàn)為可視化界面？ 這是一個重要的課題。

現(xiàn)有的各位朋友的側重點不同，認為前端的角色都是可有可無，我覺得是錯誤的，后臺的確很重要，但是后臺的解決方案多。 前端實際的地位更重要，但是基本無開源的解決方案，如果不夠重視前端開發(fā)， 面臨的問題就是交互很爛，界面爛，體驗差，導致開發(fā)人員的排斥，而可視化這塊的知識點眾多，對開發(fā)人員的素質要求更高。

大數(shù)據治理

大數(shù)據治理應該貫穿整個大數(shù)據開發(fā)流程，它有扮演著重要的角色，淺略的介紹幾點：

數(shù)據血緣

數(shù)據質量審查

全平臺監(jiān)控

數(shù)據血緣

從數(shù)據血緣說起，數(shù)據血緣應該是大數(shù)據治理的入口，通過一張表，能夠清晰看見它的來龍去脈，字段的拆分，清洗過程，表的流轉，數(shù)據的量的變化，都應該從數(shù)據血緣出發(fā)，我個人認為，大數(shù)據治理整個的目標就是這個數(shù)據血緣，從數(shù)據血緣能夠有監(jiān)控全局的能力。

數(shù)據血緣是依托于大數(shù)據開發(fā)過程的，它包圍著整個大數(shù)據開發(fā)過程，每一步開發(fā)的歷史，數(shù)據導入的歷史，都應該有相應的記錄，數(shù)據血緣在數(shù)據資產有一定規(guī)模時，基本必不可少。

數(shù)據質量審查

數(shù)據開發(fā)中，每一個模型（表）創(chuàng)建的結束，都應該有一個數(shù)據質量審查的過程，在體系大的環(huán)境中，還應該在關鍵步驟添加審批，例如在數(shù)據轉換和映射這一步，涉及到客戶的數(shù)據提供，應該建立一個完善的數(shù)據質量審查制度，幫助企業(yè)第一時間發(fā)現(xiàn)數(shù)據存在的問題，在數(shù)據發(fā)生問題時也能第一時間看到問題的所在，并從根源解決問題，而不是盲目的通過連接數(shù)據庫一遍一遍的查詢sql。

全平臺監(jiān)控

監(jiān)控呢，其實包含了很多的點，例如應用監(jiān)控，數(shù)據監(jiān)控，預警系統(tǒng)，工單系統(tǒng)等，對我們接管的每個數(shù)據源、數(shù)據表都需要做到實時監(jiān)控，一旦發(fā)生殆機，或者發(fā)生停電，能夠第一時間電話或者短信通知到具體負責人，這里可以借鑒一些自動化運維平臺的經驗的，監(jiān)控約等于運維，好的監(jiān)控提供的數(shù)據資產的保護也是很重要的。

大數(shù)據可視化

大數(shù)據可視化不僅僅是圖表的展現(xiàn)，大數(shù)據可視化不僅僅是圖表的展現(xiàn)，大數(shù)據可視化不僅僅是圖表的展現(xiàn)，重要的事說三遍，大數(shù)據可視化歸類的數(shù)據開發(fā)中，有一部分屬于應用類，有一部分屬于開發(fā)類。

在開發(fā)中，大數(shù)據可視化扮演的是可視化操作的角色， 如何通過可視化的模式建立模型？ 如何通過拖拉拽，或者立體操作來實現(xiàn)數(shù)據質量的可操作性？ 畫兩個表格加幾個按鈕實現(xiàn)復雜的操作流程是不現(xiàn)實的。

在可視化應用中，更多的也有如何轉換數(shù)據，如何展示數(shù)據，圖表是其中的一部分，平時更多的工作還是對數(shù)據的分析，怎么樣更直觀的表達數(shù)據？這需要對數(shù)據有深刻的理解，對業(yè)務有深刻的理解，才能做出合適的可視化應用。

智能的可視化平臺

可視化是可以被再可視化的，例如superset，通過操作sql實現(xiàn)圖表，有一些產品甚至能做到根據數(shù)據的內容智能分類，推薦圖表類型，實時的進行可視化開發(fā)，這樣的功能才是可視化現(xiàn)有的發(fā)展方向，我們需要大量的可視化內容來對公司發(fā)生產出，例如服裝行業(yè)，銷售部門：進貨出貨，顏色搭配對用戶的影響，季節(jié)對選擇的影響 生產部門：布料價格走勢？ 產能和效率的數(shù)據統(tǒng)計？ 等等，每一個部門都可以有一個數(shù)據大屏，可以通過平臺任意規(guī)劃自己的大屏，所有人每天能夠關注到自己的領域動向，這才是大數(shù)據可視化應用的具體意義。

寫在最后

洋洋灑灑寫了很多，對我近兩年的所見所聞所學所想進行了一些總結，有些童鞋會問，不是技術么？為什么沒有代碼？ 博主要說，代碼博主要學的，要寫的，但是與工作無關，代碼是我個人的技能，個人傍身，實現(xiàn)個人想法的重要技能。 但是，代碼與業(yè)務的關系不大，在工作中，懂業(yè)務的人代碼寫的更好，因為他知道公司想要什么。 如果你業(yè)務很差，那也沒關系，你代碼好就行了呀，根據別人的交代干活，也是很不錯的。技術和業(yè)務是相輔相成的，稍后博主總結代碼的精進。

寫完了，焦慮一絲未少，我的代碼規(guī)范性不夠，目前技術棧js、java、nodejs、python 。

主業(yè)js熟練度80%吧，正在研究阮一峰的es6（看的差不多）和vuejs的源碼（有點擱淺），vuejs算是中等，css和布局方面可以說還可以，另外d3.js，go.js都是處于會用，能干活。 nodejs呢，express和koa無問題，看過一些express的源代碼，還寫過兩個中間件。

java、python都處于能做項目的程度，目前也不想抽很多精力去深入它們，就想要保持在想用能用的地步吧。

未來的幾年，努力工作，多學學人工智能、大數(shù)據開發(fā)的知識，未來這塊應該還有一些熱度的吧。

最后，和大家共勉，更希望大家能給一些規(guī)劃建議，三人行，必有我?guī)熝伞?