Eurekaの DataPlatform開発状況と再現性の実現

Transcript

1. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 1
2. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 2 Slide Uploaded Ask on Twitter #前向きデータ整備人 で探してみてください 懇親会にもいるのでそちらでも
3. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 3 自己紹介 Takahisa Kurimura - Eureka Inc. - BI (Business intelligence) チーム所属 - Mobile apps/ Matching / SharingEconomy - Football (主にJリーグ) / Motorbike t-kurimura t_kurimura
4. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 4
5. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 5
6. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 6
7. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 7
8. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 8
9. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 9 Eurekaの DataPlatform開発状況と"再現性"の実現 第二回　データアーキテクト(データ整備人) を“前向き”に考える会 /2020.02.06
10. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 10 DataPlatform基盤の全体概要 データ基盤の全体構成図
11. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 11 Third Party tools DataPlatform基盤の全体概要 その他Adhocな分析 BigQuery
12. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 12 Third Party tools DataPlatform基盤の全体概要 Data Platform その他Adhocな分析 BigQuery CloudComposer Airflow
13. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 13 DataPlatform基盤の全体概要 Apache Airflow を基に構築された、 フルマネージドのワークフロー オーケストレー ション サービス スケジュール管理・ワークフロー管理に特化し たオープンソースソフトウェア
14. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 14 Third Party tools DataPlatform基盤の全体概要 Data Platform DataLake Data WareHouse DataMart 生ログをほぼ そのまま保存 しているDB 分析用の下処 理を施したDB ビジネス 観点で整備し たDB その他Adhocな分析
15. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 15 DataPlatformの変遷 DataPlatformの発足期 Redash/Spreadsheet乱立期 DataPlatform開発繁栄期 - DP開発メンバーの増加 - Tableau上ので公式DSの拡充 - DP定例会の実施 - RedashAPIをGasで利用 - Spreadsheetに データを連携し可視化 - Tableau導入 - CloudComposer導入 - 基本データの拡充 - View Queryの乱立 DataPlatform管理レポジトリのコード量の推移
16. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 16 DataPlatformの変遷 DataPlatformの発足期 Redash/Spreadsheet乱立期 DataPlatform開発繁栄期 - DP開発メンバーの増加 - Tableau上ので公式DSの拡充 - DP定例会の実施 - RedashAPIをGasで利用 - Spreadsheetに データを連携し可視化 - Tableau導入 - CloudComposer導入 - 基本データの拡充 - View Queryの乱立 DataPlatform管理レポジトリのコード量の推移
17. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 17 DataPlatformにのせる “公式化”のメリット View Table / Scheduled Query Airflowでの管理 - コードレビューによるデータの妥当性の担保 - 依存関係の定義によるデータの信頼性の担保 - データ・分析の再現性を支える ✔
18. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 18 DataPlatformにおける“再現性”とは - データに対するドメインナレッジの蓄積 データの定義における解釈が統一される - 必要なデータが必要なときにすぐに取り出せること どこに何があるかが明確で、すぐにアクセス可能
19. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 19 DataPlatformの開発状況 Pairs Project A 担当 Pairs Project B 担当 Engage 担当 Tableauによるデータの可視化・意思決定のサポート BigQueryでのデータソースの作成 Airflowでのワークフローの作成 CloudComposerの基盤管理 SRE Team Project Owner & member 経営レポート・中長期分析・ マーケティング関連 Adhoc分析 Boards, Bland, MarketingTeam
20. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 20 DataPlatformの開発フロー 依頼者 ProductManager ProductOwner Team meber etc. BI Team View TableやScheduled Queryを利用して簡易的に提供 目的・背景・見たい指標等の落とし込み
21. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 21 DataPlatformの開発フロー 依頼者 BI Team 当該Dashboardの運用の知見を踏まえて AirflowでDWH・DMを実装
22. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 22 DataPlatformの開発フロー 一度、ViewTableなどで簡易的にDataMartを作成し可視化する。 その後、成果物の改善点などを踏まえてDWH/DMを実装する。 - 運用が安定したDashboardを元にDWH/DMを実装すれば過不足なく設計できる。 - 突発的な依頼に対応しやすい - 担当者の強い意志依存なので、 ViewQueryの放置、DWH・DMが充実していかない可能性 メリット デメリット
23. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 23 DWH構築のためのログ・メタデータの活用 すべてのクエリ発行や操作のログが集積 データセット内のテーブルの最終更新などの情報
24. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 24 DataPlatformでの監査データの活用 あらゆるツールを介して実行されているクエリをまとめて確認できる
25. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 25 DataPlatformでの監査データの活用 ２つのテーブルがJOINして実行されているクエリを DWH化
26. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 26 DataPlatformでの監査データの活用 DWH・DMにどういったものが必要・不必要かの判断材料に • 利用頻度の多いテーブル • 同時に使われていることが多いテーブル • 全く利用されてないテーブル 監査ログ・Information_schemaを利用することで、
27. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 27 DataPlatformでの永続UDFの活用 特定のDatasetに関数のみを、定義できる
28. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 28 異なるクエリからでも同じ関数を参照できる DataPlatformでの永続UDFの活用
29. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 29 永続UDFに関してもコード管理 DataPlatformでの永続UDFの活用
30. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 30 コード管理によって、定義の統一と知見の集約を高める - 知見の属人化を排除 - クエリの可読性向上 - 類似クエリ作成のスピード向上 永続UDFの活用で、 DataPlatformでの永続UDFの活用
31. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 31 DataPlatformの知見共有 • 各種ツールのエラーログの確認 • リファクタリングの方針相談・進捗共有 • 開発上困ったことの解決 • 現状の課題の整理 • 今後のルール・戦略の共通認識 週に1回関連するメンバーで30分定例MTGを実施
32. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 32 まとめ - 過去の分析や整形されたデータの再現性を重要視する Airflowでのクエリのコード管理・関数の共通化 (永続UDF) - MVPなDMから可視化し改善点を明確にしたえで、 DM・DWHを設計 最初は、Scheduled QueryやView Tableを利用し柔軟にDMを設計 - 巻き込みやすい、巻き込まれやすいような環境 CI等の整備、Github操作のみにするなど開発への障壁下げる。定例会での情報共有
33. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 33
34. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 34 Appendix Apache Airflow Cloud Composer Cloud Audit Logging | Stackdriver Logging ドキュメント Introduction to BigQuery INFORMATION_SCHEMA | BigQuery Standard SQL User-Defined Functions | BigQuery BigQueryとAirflowを活用したDataPlatform運用の10のケース・スタディ 1年間のDataPlatformプロジェクトから見えてきた「 DataWarehouseの作りかた」