如何成为一个合格的数据架构师？

写在前面

早在 1980 年，未来学家阿尔文·托夫勒就在《第三次浪潮》中，将大数据比喻为“第三次浪潮的华彩乐章”。

21 世纪以来，数据量进入每两年翻一番的增长期，越来越多人意识到了数据的价值，数据架构师闪亮登场。数据成为企业不可忽视的重要资产。而数据架构师则是企业数据资产最重要的“奠基者”。

最早，数据架构师在 IOE 上工作；

2009 年，阿里云最早提出“去 IOE”的口号，初代数据架构师革了自己的命；

2015 年，这一年产生的数据量是人类过去历史上所产生数据量的总和，从此进入了指数级增长阶段。数据架构师也演化出了 2 个大方向（平台型数据架构师、数仓型数据架构师）。

本文以作者亲历视角，主要分享数仓型数据架构师的“修炼大法”。欢迎辩证看待、留言交流。

你想成为哪种数据架构师

目前数据架构师有两个大的方向：一，偏平台的架构师，对开源技术要求较高，企业一般会要求读过开源技术源码，或者参与过开源项目，偏平台的构建；二，偏数仓的架构师，对 SQL 能力要求较高，企业一般会要求掌握数仓理论，有数仓项目经验。

（1）平台型数据架构师

这个方向也会分类：一，开源派，互联网公司一般喜欢这个流派，二，商用软件派，如 Oracle、IBM 等流派，通常解决传统企业的数据问题。这个流派目前受到了来自阿里、腾讯和华为较大的冲击。个人认为目前开源派是比较符合近年潮流趋势的。

平台型数据架构师，是为数仓型数据架构师服务的，直白地说，你开发能力要很牛逼，你要懂应用。

（2）数仓型数据架构师

这个方向要求精通数据仓库原理，通过实时、离线等技术解决企业的数据问题。需要掌握 ELT 的流程，掌握各种数据源的特点，掌握大数据工具的使用。

数仓型数据架构师，刚好是平台型数据架构师的用户。直白地说，你写 SQL 的能力要牛逼，你要懂业务。

数据架构师的必备知识树

敲门砖：掌握一门开发语言

如果你是一位计算机专业的学生，我推荐使用 C 语言，强烈建议通过面向对象的编程思想去消化数据结构。数据架构中，很多逻辑和原理都来自于数据结构这门课程，如链表、队列、堆栈、树、图等，掌握数据结构对后续进一步学习非常的重要。

如果你是想从其他岗位转数据架构师，那么更建议学习 Java，Java 的入门会相对简单。当然最好的方式是通过 Java 的编程思想领会数据结构这本书的知识点。一定要模拟 B/C 的整个过程，不要立马就用 Java 的高级框架，而是要用 Java 原生的 servlet 模拟下前端和后端的交互，后端和数据库的交互。

初学者看文章，常会遇到很多新概念，觉得看不懂，记不住。最好的学习方法是让自己有兴趣、有成就感。所以理论的内容我建议慢慢消化，反而实际操作很重要——实际操作能给自己带来成就感。

比如你初学 Java，你第一个目标是要在屏幕上打出“Hello, world! ”。网上会有很多的资料，会教你安装 JDK、IDE 工具等等，你可以先不管那么多，找个偏基础的资料，按部就班的实现一次。在整个过程中你会遇到很多的问题，JDK 在哪里下载，版本选哪一个，环境变量如何配置等等。最好的方式是边查边做，通过亲手实践来验证整个过程，再去理解。最终成功地打印出“Hello, world! ”，你会有前所未有的成就感！

数据结构这门课程确实有些难度，同样建议采用边学理论边实践的方法，甚至我们可以更“暴力”，直接在网上找几段别人写好的代码，跑一遍，看看效果，读懂代码，再回过来理解概念。这时候你会感觉就像近视眼戴上了眼镜，突然发现很清晰。

你还需要了解开发语言的分类：什么是低级语言，什么是高级语言？什么是面向过程的编程，什么是面向对象的编程？什么是编译型语言，什么是解释型语言？可以不深入，但是作为一个架构师，你要了解这些东西。最好也要了解设计模型，如单例模式、工厂模式、生产者模式等常用设计模型，对思维方式有很好的提升。

开发语言是成为一名合格数据架构师的敲门砖。你可以选一本不错的书，结合书籍一步一步走。自学时，知识检索能力很重要，你要慢慢学会在浩瀚的互联网学海中查找自己想要的知识。有条件的同学也可以报个靠谱的培训班，这是个不错的选择，会少走很多弯路。但是速成后很多人只能做个码农，最终要成为架构师级别的高手，还是需要扎实的基本功是必须的。需要很长的路才能成为架构师级别的编程高手。所以如果想有更高的成就，必须对概念、原理、技术。

基本功：掌握一种数据库

对于数据架构师，必须要掌握一种数据库，同时要了解常见的数据库。

建议通过 Oracle 来学习数据库，安装系统时选择 Linux，也可以选 CentOS。第一步你要模拟操作系统，也就会接触到虚拟机的概念。简单来说，也就是第一步模拟 Linux 系统，第二步再安装数据库。

为什么推荐 Oracle 数据库？因为 Oracle 的安装过程相对比较复杂，在过程中你会遇到各种各样的问题，遇到的问题越多，学习的就越多。整个过程中你要学习 Linux 系统的各种命令、网络、补丁包、防火墙等一系列问题，最后通过客户端可以访问数据库了，可以查看数据了，就会很有成就感。如果领悟能力和动手能力很好，这个步骤一般需要一周左右的时间去消化。但这只是第一步，记得一定要多装几次来加深理解。

后面就要开始学习 SQL 语句了，建表、插入、更改、查询，操作起来吧！理论也要跟上，“事务”的概念一定要看，数据库、实例名、表空间、段、块等概念要理解。

当然也要学习如何优化数据库。数据库底层无非是硬盘、内存、CPU 在支撑，所以这些资源怎么分配很重要，在测试时一定要留意这三个重要参数的变化。操作系统层面的优化就是为了让操作系统和数据库软件更好地结合，可以去调系统的参数。这是统一的优化思想，后面的应用系统、大数据等技术也适用。

数据库层面的优化，也是一样的道理，留意、调整参数，原则就是“集中有限的资源做更多重要的事”。

基于数据的优化，我建议尽可能少消耗计算机的性能：硬盘的读写、网络的传输、数据的计算。如分表分区，索引等等都是为了用尽可能少的资源，尽可能快地完成尽可能多的事：就是提高效率。当然有的时候我们会牺牲时间换空间，也会牺牲空间换时间，所以对于优化，我们要综合考虑成本和效率的问题。

SQL 调优中，执行计划是必须要会看的，每个数据库或者引擎都有自己的规则，我们优化过程中要了解 SQL 的执行逻辑，这样我们才知道如何优化。

要了解哪些数据库呢？关系型数据库中 Oracle、MySQL、SQLServer、DB2、PostgreSQL 是要去了解的，同时了解行存储和列存储的区别，当然了解越多越好。NoSQL 数据库的话，建议了解 MongoDB、HBase、Redis。

其他数据库还很多，通过项目和 ELT 过程来熟悉更多的架构吧！

必杀技：大数据技术

大数据解决了什么问题？其实答案很简单：分布式存储和分布式计算。

所以，学习大数据最好的方式就是搭建一套开源的 Hadoop 集群，在上面操作 HDFS、hive、spark、HBase 等各种组件。

搭建的过程和 Oracle 安装过程非常类似，我们首先可以通过虚拟机模拟 3-5 个节点（服务器），在服务器上进行安装。

安装过程不再一一赘述，给大家一个实践场景：

1、实践场景

需求描述：从 mysql 数据库把两张表导入到 hadoop，然后通过 hive 进行计算，结果数据同步回 mysql 数据库。

可能遇到的问题：同步工具的选择，数据加载方式，转化方式，如何把整个流程串联起来，怎么启动这个流程。

（1）同步工具的选择

待选的同步工具有 Sqoop 和 DataX，Sqoop 还是 Hadoop 开源的工具，DataX 是阿里开源的工具，各有各的优势，建议都可以学习了解。

（2）数据加载方式

hive 的底层是 HDFS，简单说就是个文件，hive 只是映射过去，通过类 SQL 语言实现计算。你可以直接通过 hive 接口（三种方式）建内部表。Sqoop 和 DataX 都支持直接同步到 hive 中。

（3）转化方式

这是模拟过程，hive 不支持存储、不支持 update，所以可以进行两张表数据聚合（left join、group by 等）后数据插入到另一张表中，再把数据同步回 mysql。

（4）流程如何串起来

建议可以通过 Linux 的 shell 脚本进行串联，数据同步-数据转化-数据导出。

（5）如何启动流程

所有任务封装到 sh 脚本里，可以利用 Linux 的 crontab 进行定时调度。

2、划下重点

为了更好应对大数据面试，最好能系统地学习一下 HDFS、MapReduce、Hive、Spark、HBase、Yarn、Kafka、Zookeeper 等一系列的大数据组件。

大数据面试中经常会问到的问题有哪些？

问题常常会包括 HiveSQL 技巧和调优：

Hive 技巧：内部表和外部表、分区、分桶、窗口函数、UDF（UDAF、UDTF）、行转列、列转行等。

优化问题：数据热点（数据倾斜问题）、参数优化、业务分表、sql 优化。因为 Hive 底层是 MapReduce 操作 HDFS，所以要了解 Map 和 Reduce 阶段在做什么？数据倾斜问题是数据分布不均导致的，和 MapReduce 原理息息相关，了解了 MapReduce，你就会优化 Hive 了。

Spark 计算引擎和 Hive 底层不一样，Spark 学习你会遇到 DAG 图，RDD、内存、Scala 语言等知识，一样地学习优化思路和技巧。

HBase 是个列族数据库，通过 Key-value 方式进行数据存储，学习方式同上。

Yarn 是资源管理器，CPU、内存资源都是它来管理的，平台架构师要深入学习，数仓架构师可以稍作了解。

Kafka 是消息队列，主要用于数据通道，进行数据缓冲和技术解耦使用。

Zookeeper 是管理所有大数据组件的，因为 hadoop 生态圈组件都是动物名字命名的，所以 Zookeeper 就是动物管理员，依此进行命名的。

3、深入看看

其实大数据技术主要解决分布式计算和分布式存储，简单的说就是可以进行弹性扩展，存储资源无限扩展，计算资源无限扩展。这样就可以解决小型机和一体机无法解决的计算和存储问题。

解决这两个问题，我们需要一个操作系统来支持，这就是分布式操作系统。（这个核心思想最早是 Google 为了解决自己的问题提出来，后续 apache 进行开源提出了 HDFS。）

资源怎么协调引出了 Yarn，消息队列提出 Kafka，离线计算 Hive，内存计算 Spark（不完全靠内存）、交互式查询 impala、多维分析 kylin 等等，因篇幅有限，每个类型只列举一个。

必杀技 2：数据仓库

1、初步学习

初步接触数据仓库时，建议先看维度模型，了解什么是事实表，什么是维度表。做一张事实表，定义哪些是维度、哪些是度量，然后通过 SQL 进行查询。

有了基本概念后，可以再学习深一些的内容，例如星型模型、雪花模型。

戳上图看天启关于数据模型的详解

再进阶，则可以学习维度建模：选择业务过程-声明粒度-确定维度-确定事实，如果能亲身参与一个项目就更好了。

2、步入设计

首先要了解数据仓库的分层、每一层做什么，为什么要分层？

然后，了解事实表的类型（事务、周期快照、累计快照）、维度表的类型（普通维度、缓慢变化维度）、总线矩阵、数据立方体（cube）等。

3、高阶学习

维度建模实践后，发现维度建模的不足，那么是时候可以开始研究其他建模了。建议通读并理解 Inmon 大师的范式建模（数据仓库之父 Bill Inmon， Building the Data Warehouse）和 Kimball 大师的维度建模，两者的建模各有优劣，可以取长补短。

4、解决业务问题

数据模型最终解决的是业务问题，目前常见的建模以维度建模为主，但是维度建模不停的在变化， Bill Inmon 提出了 datavault 的建模思想，数据仓库、数据平台、数据中台、数据湖等概念层出不穷。本质不变，目标还是解决实际的业务问题。

我个人建议，我们数据仓库的规划可以自顶向下，采用 Inmon 的思想，开发和建模规范也要考虑全局，而在实施中可以采用维度建模，自底向上，采用 Kimbal 思想，落地快，迭代快。实际解决问题时不拘泥于一个模型，什么模型合适就用什么模型。

5、阿里的创新

阿里基于维度建模提出了公共模型层概念，一定程度上能解决数据共享和重复建设的问题，OneData 的理念非常有研究价值。但在应用中我们需要注意，不要一味的用相同的场景做法去套不同行业，在实践中需要辩证看待，按需去用。

6、模型标准

数据模型没有好坏，只有用得对错。判断的标准也很简单，有没有解决业务问题？更高的要求是有没有驱动业务的变革或者创新。大白话来说就是两个问题：挣到钱了吗？省下钱了吗？

必杀技 3：ELT 技术

1、ELT 概念

传统的 ETL (Extract-Transform-Load）是把 T 的部分放在中间的，在大数据环境下我们更愿意把 T 放在后面，从 ETL 向 ELT 进行演变。原因也很简单，这样我们可以充分利用大数据环境 T 的能力。数据开发也平台化了，例如阿里的 DataWorks、Dataphin，将数据同步、清洗转化、任务调度集成在一起。

2、ELT 技术注意哪些

E（Extract，抽取）和 L（Load，装载）的优化需要懂源头和目标数据库（数据仓库）的特点，需要根据情况进行优化。T（Transform，转化）部分要理解底层技术原理，进行优化。

ELT 的注意点总结如下：

（1）时效性

必须在规定时间内跑完数据，跑出结果；

（2）准确性

数据计算结果必须准确；

（3）容错性

ELT 可以支持重跑、补数等功能；

（4）前瞻性

及时告警和预警功能，提前处理问题。

加分项：应用系统

一个应用系统是怎么诞生的？可以通过软件工程这门课程学习，需求分析、概要设计、详细设计、软件开发、软件测试、试运行、上线、运维、下线等整个过程。

一个应用系统一般会有前端、后端和数据库，对于我们数据架构师，我们至少要知道，怎么开发一个系统，怎么保证一个系统的稳定。特别是“稳定”，我们要对高可用、负载均衡、安全有深刻的认识，需要考虑到应用（Tomat）、数据库（MySQL）、其他中间件（缓存服务、文件服务等）。

• 高可用：系统一个节点发生故障后能进行无感切换，这个很重要。

• 负载均衡：使压力均衡进行，它决定了系统的扩展性。

• 安全：磁盘阵列（raid0、raid1、raid5、raid10）、防火墙、授权、认证，及数据安全，防泄防篡、脱敏加密、防丢失等。

在做架构决策时，知道哪些操作可能会影响业务系统，才能设计更好的数据架构。

锦上添花：算法

DT 时代已至，未来一定是“数据+AI”的天下。所以作为数据架构师，我们可以不会写算法，但我们要了解且会使用算法。

这里的算法主要指机器学习算法，初学者可以理解下预测、分类（聚类）的概念（其实很多图像和语音识别的算法也可以归为预测和聚类算法中）。

可以用 Python 模拟最简单的线性回归，进阶则研究逻辑回归。

• 监督学习算法：支持向量机 (Support Vector Machine，SVM)、决策树、朴素贝叶斯分类、K-临近算法（KNN）；

• 非监督学习算法：K-均值聚类(K-Means) 。优点是算法简单容易实现，缺点则是可能收敛到局部最小值，在大规模数据集上收敛较慢。可在图像处理、数据分析以及市场研究等场景应用；

• 强化学习（深度）算法：如果不想转职算法工程师，目前仅作了解即可。

最后分享算法开发的简化版步骤：

1. 数据准备（数据同步）；

2. 问题明确（明确分类还是回归问题）；

3. 数据处理（合并、去重、异常剔除）；

4. 特征工程（训练集，测试集、验证集）；

5. 选择合适的算法；

6. 模型评估（若评估不合格，则考虑：①换算法；②调参数；③特征工程再进一步处理）。

总结：建立属于自己的知识索引

其实，无论是什么岗位，自学能力都很重要。我们可以为自己建立一个知识目录或知识索引，按照知识索引去查漏补缺，不断丰富自己。

作为一名数据架构师，我们要懂点硬件、懂点网络、懂点安全，了解应用，熟练掌握一门开发语言，深入理解一个数据库，实操过大数据，精通数据仓库技术（建模+ELT），有深度，有广度。

作者介绍

天启，奇点云高级数据架构专家，原海尔集团数据架构师、原阿里巴巴政务团队数据架构师。精通数据仓库建模理论及数据开发技术，具备零售、政务、医药、制造等多个领域数仓和数据中台建设经验。