网易严选DMP标签系统建设实践

原创刘晓东 DataFunTalk

截屏2022-07-05 下午6.22.56.png

分享嘉宾：刘晓东网易严选资深开发工程师

编辑整理：郭丽霞百度

出品平台：DataFunTalk

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

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：

（1）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。

（2）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：

（1）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。

（2）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。

（3）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。

（4）精准营销：对3中圈选出来的人群进行精准化营销。

（5）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。

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。

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ApacheDoris，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：

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。