10月20日，荣之联实战课堂第4期的《解读大数据分析：新技术，新实践》主题沙龙上，神策数据联合创始人兼cto曹犟跟大家分享了神策数据用户行为分析产品的设计与实现。
一个用户行为分析产品的设计与实现
用户行为分析产品。所谓的用户行为分析相当于是在ga组织上更进一步，看到基本的pv、uv基础数据之外，还能从事筛选多维分析，支持漏斗衡量流程转化，像分析产品使用情况，点击分析，对产品约束，技术目标能够支持亿级dau，所处理数据量每天大概几百亿条数据左右，希望在庞大的数据规模下面，能够实现两个秒级: 秒级入库；秒级查询。
第二，当时客户端概念成熟，除了常见的网页、安卓、app，各种小程序、h5界面，结合技术需求产品需求，希望用户行为分析产品可以支持各类客户端采集，实现同一个用户在不同端不同频上把控。
第三，重要的产品数据功能需易于扩充，对数据不需要太大的改进。同时，作为一个分析产品，而不是统计产品，功能应该易于扩充，技术设计更开放扩展能力，就无需增加新的分析功能，重新重构数据等等。
第四，需要灵活的分析功能，任何分析功能都可以下钻、筛选，维度指标无需预先指定，灵活定义。
第五，数据完全对客户开放。
流程分析界面。所有初始行为、后续行为，描述了分析功能需要非常灵活。整个数据处理过程分为五个环节，从最开始的数据接入，到数据如何传输，到数据建模存储，数据查询，数据可视化/反馈。
上图是系统的逻辑模块架构，基本上按照数据处理五个环节进行描述。
数据接入。作为用户行为分析产品，采集的数据主要包括三类。第一类是前端操作，即客户端操作，可理解为一个用户在app或者网页上的各种点击、提交等操作，然后提供从全埋点到可视化埋点、代码埋点。全埋点是采集所有的页面浏览、控件操作、app启动等。可视化埋点在全埋点基础上，预先通过可视化方式的采集指定控件操作，无法自定义属性。代码埋点，可以自定义属性，在每个埋点写相应的强代码，采集文秘从低到高支撑，从简单到困难的三个埋点方案。
此外，还要做客户端采集，面临通过公网具体传输数据的问题，针对ios、安卓sdk的数据发送策略，保证用户体验是优于保证数据准确性的，宁愿可以牺牲一部分数据的实效性，也希望sdk不去影响整个客户的app使用的体验。同时由于公网进行网络传输不可能采集一个数据之后，立刻通过一些post之类方式进行数据的传输，是需要先把数据缓存在本地，很多app可以离线使用，虽然中国网络条件比较好，大量客户做app出海，分布在印度、非洲，会碰到2g、2.5g网络环境。因此，立刻发送数据会直接影响产品本身用户体验，默认情况下只在条件良好时发送数据，并且在发送数据对数据进行打包压缩。
另外，为了保证效果，虽然在网络环境非常好情况下发送数据，但是对关键数据，例如：了解产品激活，通过某些推广方式带来假的激活，产品打开立刻被退出被卸载了，或是坚持仅在网络良好，就会遗漏。若尝试发送时不考虑网络，最终提供强制发送的接口，除了前端操作之外，技术条件良好的企业能够意识到日志重要性，知道如何打日志。
神策也提供一种方式采集后端日志，相比于前端操作，后端日志采集内网在可控的网络条件下面，面临安全性准确性小很多，后端日志从后端模块采集，对后端模块变更上线反应更快。app更新有漫长审核流程，无法保证15天有多少客户更新，但在后端日志控制，除了用户操作，后端日志之外，有很多有订单或者线下业务比较重的客户，数据都存在业务数据库里面，所以需要提供这些数据采集。
这就需要相应的数据导入工具，简单来说，后端导入一方面提供代码埋点，帮助客户找出合理数据，另外通过各种导入工具批量采集数据输出。
id-mapping。当然系统内部会有唯一的id，比较支持客户调用相应接口，将不停id贯通起来。这时要保证整个数据的时效性，保证整个回溯的过程。如果需要回溯，那么整个数据需要重做，这里对id-mapping会有约束和限制，虽然是理想的，部分功能可以直接导入80%以上，却带来性能上的保证，这就是功能和性能的折中。
nginx。所有sdk采集工具，不管通过公网内网，通过cps协议发送协议调用相同api，在数据接收用nginx作为整个数据接收方式，nginx接收这些数据，落到日志文件，能够保证良好的可靠性和性能。同时，接收上也能保证良好的可靠性和性能，让数据接收、数据采集配合接收能支持很高的容量，那么，采集的数据在最快的情况下，即使id-mapping处理不过来，可以研发模块实时读取日志，并且把接口发到卡里面，包括数据格式校验，属性识别，以及一些类似于ip设备型号。同时，神策可以提供接口，整个数据处理过程开放给客户来做自定义。
kafka。前边提到nginx做到5万tps，但是在做数据处理并写到存储的时候，处理性能无法达到，中间需要有数据的缓冲，同时也是近期数据的备份，存储写的过程出现丢了数据等等，可以从kafka找回。如果kafka上数据是错的，可以从备份中调取，所以说宁愿去存一些看起来信息上有冗余的数据，也要保证数据本身可靠，除此之外，kafka提供对外访问api。那么在数据接入之后，相当于对数据做 etl并且写入存储。
存储要跟数据模型本身配合。这里把用户行为相关数据抽象到两个，第一个用户做了什么，大概有event、user id + properties，追加为主，不可修改，有限的删除能力。存储中有两个核心的存储引擎，一个是kudu，它是目前开源存储，用作wos，选择kudu逐条导入。选择parquet把它作为ros，查询扫描优化查出，结合应用场景，产品特性，可以按照日期、事件分partition。
首先按照日期分目录，日期按照不同事件分目录，同一个目录包括多个文件，写存储，会产生碎文件，在这个过程中又有后台程序负责把碎文件合并，保证合理的大小，从而提高整个数据扫描的过程。同时，在一个个合理文件大小内部，又结合自身的应用场景。做用户行为分析对于整个产品查询非常重要，所以简单理解为每个产品内部在user-id的hash有序，再按照user-id有序，最后按照事件时间排序，单独的搜索文件记录每个user-id对应行为数据的位置，具体分析时候只需要三四面，也能大大减少对于存储扫描空间，从而提高查询效率。
写多少秒，例如开始往一个表里面写，写到一百万条可以做标记开始往表1写，表1写到一百万条往表2里面写，相当于总有一个表写，后台会有程序定期把表1所有没有处理的表里面的数据扔到parquet，转的过程遵循partition定义的方案，可能会带来很碎的文件，由于sdk传输方案，今天上午10点接到前天数据，对应只有一条数据，就会产生只有几k碎文件，影响整体性能，所以会有刚提到的过程。
从kafka中订阅数据写到kudu就可以被查到了，相当于写入流程从nginx写到kudu，保证在十几秒钟，如果有流量暴涨，处理跟不上导致带来处理上面时效的延迟，所以还能够保证数据能够接收，能够被储存，只是没有及时处理。在查询选择时，每个查询消耗时间保证在毫秒级，没有选择这两个开源组件有两个原因，而且漏斗必须用sql描绘，因此选择impala。通过每个pv从用户每条行为计算，扫描全表，因为有各种查询优化让这个过程并不是特别慢。选择impala保证公司能够支持，产品定位给产品运用整个应用是合适的，保证在秒级无法保证在毫秒级，这是查询，前端产品界面可以选择各种查询条件等，会发给wubservre。
查询优化。首先修改 impala 代码，由于 impala不支持udf，聚合函数替代join，partition与用户分桶，减少数据扫描量，按照用户抽样，快速尝试，最终才能准确结果，也就是，在产品设计应用层面上规避查询响应时间的设计。在应用层面上缓存，只对有变化的数据才重查。比如，早晨8点查询过去30天销量，当时花了30秒数据，下午2点有另一个人提交了查询，可以判断从上午8点到下午2点，前三天数据有变化，27天没有变化。第一次从缓存取过去27天数据，剩下三天数据从存储查询。
元数据。数据流从数据采集到数据的接入,再到etl，写到存储，再到存储查询的过程。神策数据支持私有化部属，部属在客户环境下面，需要做额外的工作，针对元数据，mysql/zookeeper/redis，schema、维度字典，概览、漏斗、分寸、预测的配置，任务调度信息。
monitor。神策自主研发，主要用于对内部模块做语义监控，定期检查模块是否存活，检查各个强度任务情况等等，而对一些外部组件，通过api去做监控，可以获取所有的监测数据，也可以发给客户的运维，并且对内部模块做修复。例如，发现内存使用上限，自动调到内存把它重启，看起来不太起眼，但是在实际实践中，可以减少运维工作量，让用户有更好的体验。除此之外，神策的产品是按照licensee进行处理的。
运维工具。由于神策的产品是私有化部属，大部分时间不需要到用户现场做运维，除了用户愿意开通远程桌面等协助方式，会给客户提供工具做运维，这些工具包括基本数据清理工具，有些数据没有意义，可以删除到数据虚拟工具，提供一个月到两个月迭代。
荣之联微信可下载ppt