Treasure Dataで構築したデータ分析基盤、この1年の振り返り

スタディサプリのデータ分析基盤運用にまつわる Tips を、ここ1年間の Treasure Data のアップデートを振り返りながらご紹介します

1. Treasure Dataで構築したデータ分析基盤 この１年の振り返り 株式会社リクルートマーケティングパートナーズ ⼾井⽥明俊 PLAZMA TD Internal Day: TD Tech Talk 2018
2. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. ⾃⼰紹介 ⼾井⽥明俊 リクルートマーケティングパートナーズ ネットビジネス本部 プロダクトディベロップメント部 データ基盤グループ データエンジニア 2017 年⼊社。 前職ではオンプレ Hadoop 分析基盤の構築・運⽤。 2
3. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 本⽇お話しすること スタディサプリのデータ分析基盤運⽤にまつわるトピックを ここ１年間の Treasure Data のアップデートも 振り返りながらご紹介します 3
4. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. アウトライン • スタディサプリのデータ分析基盤 • TD のアップデートに関する３つのトピック • 運⽤上⼯夫している４つのトピック • まとめ 4
5. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. アウトライン 5 • スタディサプリのデータ分析基盤 • TD のアップデートに関する３つのトピック • 運⽤上⼯夫している４つのトピック • まとめ
6. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. スタディサプリ 6 ⽉額980円から講義動画が⾒放題なオンライン教育サービス 累計有料会員 42万⼈（2016年度）
7. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. データ分析基盤のシステム構成 7 PlazmaDB DataTank TD SDK Kinesis + Lambda Embulk Embulk report
8. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 定常集計の実⾏ 8 • Jenkins x Luigi – ⽤途：データ抽出、定常集計（中間テーブル作成） – 利⽤者：データエンジニア • Treasure Workflow (Digdag) – ⽤途：定常集計（レポートデータ作成） – 利⽤者：データ分析官 • TD Saved Queries – ⽤途：施策評価のアドホック分析など – 利⽤者：事業担当者・マーケティング担当者 • 主に３種類の利⽤者がいて、使い⽅も三者三様
9. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. アウトライン • スタディサプリのデータ分析基盤 • TD のアップデートに関する３つのトピック • 運⽤上⼯夫している４つのトピック • まとめ 9
10. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 1. Presto Delete ⽂の活⽤ • データを追記(append)するジョブの場合 – 注意点： • 再実⾏時のべき等性を担保するために、追記する前に⼀回書き込み対象のパーティ ションのレコードを消さないといけない – 対応⽅法： • Partial Delete してから INSERT INTO – 問題点： • Partial Delete のリクエストは Hive や bulk import と同じキューに⼊るため、そち らを待つために Presto のジョブ実⾏が遅くなるケースがある • テーブルの削除と追記操作を別々に記述するため、操作対象を間違える可能性がある 10
11. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 1. Presto Delete ⽂の活⽤ Presto (v0.188) Delete ⽂をサポート (Dec 1,2017) SQLのみで Delete & Append を表現できるようになった！ 11 DELETE FROM target_table WHERE TD_TIME_RANGE(time, ’2018-02- 18’, ’2018-02-19’, JST'); INSERT INTO target_table SELECT … After INSERT INTO target_table SELECT … Before import tdclient with tdclient.Client() as td: job = td.partial_delete( db_name=‘target_db’, table_name=‘target_table’, to= 1518966000, _from= 1518879600) job.wait() ↑Λ΍͔ͬͯΒҎԼͷpresto࣮ߦ
12. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 2. Treasure Workflow の活⽤ ⾮エンジニアでも SQL を逐次実⾏して中間テーブルの作成をしたいことがあるが、 Luigi を採⽤していたためハードルが⾼かった • 解決法 – Treasure Workflow を採⽤ – Workflow ⽤のリポジトリを作成、マージすると Circle CI が⾃動でデプロイ • 結果 – GUI があるので Jenkins を触らずに⾮エンジニアでもワークフローを流せるようになった – 各集計処理の進捗状況の把握も容易 – Saved queries ではなくリポジトリでの⼀元管理になりクエリのレビューがしやすくなった – クエリの編集履歴も残るようになった 12
13. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 2. Treasure Workflow の活⽤ 13 PR Λग़ͯ͠Ϛʔδ͢ΔͱࣗಈͰ൓ө
14. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 3. DOMO 連携 14
15. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 3. DOMO 連携 15 当初は BigQuery を経由していたが… Domo Connector Release (Sep 1, 2017) ίωΫγϣϯΤϥʔͰ σʔλ͕࿈ܞͰ͖ͳ͍͜ͱ΋… TDͷςʔϒϧΛ௚઀ࢦఆͰ͖ΔΑ͏ʹͳΓ໰୊ղফɺ҆ఆԽ
16. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. アウトライン • スタディサプリのデータ分析基盤 • TD のアップデートに関する３つのトピック • 運⽤上⼯夫している４つのトピック • まとめ 16
17. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 1. TD Saved Queries のリビジョン管理 • 課題 – 間違った修正を元に戻したい – テーブル変更時に影響範囲を知りたい • 解決法 – 15分おきに saved queries を API 経由で取得してリポジトリに commit & push • 要望 – Pull による更新検知は取りこぼしも起こるので saved queries の変更を push or 任意の リポジトリに反映されるようにして欲しい 17
18. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 1. TD Saved Queries のリビジョン管理 18 登録ユーザーごとにディレクトリ作成 保存クエリのファイルの先頭にメタ情報を付記することで様々な⾓度からの検索も可能に
19. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 2. Presto のリソース状況の監視 • 課題 – ⾊々なプロダクトが TD に乗ってくるようになったユーザ数もかなり増えた – 各⾃が登録したクエリが⼀⻫に発⽕してジョブが詰まる時間帯がある – クソクエリ ⻑時間実⾏されるジョブがあり、リソースを占有してしまう • 解決法 – 定期的にジョブの状況を監視するボットを開発 – Slack に通知・詰まっているときはメンションを⾶ばす – X 時間以上実⾏されている Presto ジョブを強制終了 19
20. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 2. Presto のリソース状況の監視 20
21. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 3. 定期実⾏バッチのチューニング • 課題 – 定期実⾏バッチ内で実⾏されるクエリでボトルネックになっているものを洗い出したい – ジョブの実⾏時間の推移を⾒たい • 解決法 – Luigi のジョブの実⾏時間を TD に格納 – 実⾏時間を DOMO で可視化 – 重いクエリから優先的に Hive -> Presto に書き換え、パフォーマンス改善を実現 21
22. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 3. 定期実⾏ジョブのチューニング 22 @luigi.Task.event_handler(luigi.Event.PROCESSING_TIME) def on_processing_time(task, duration): … with tdclient.Client() as td: query = query_template.format(insert_time, build_date, task_name, duration, task_id) job = td.query( db_name=ʼtarget_db', q=query, type='presto' ) Luigiの各タスクの実⾏後に TD にメトリクスを記録 (Luigi では on_processing_time() が⽤意されていたので楽だった)
23. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 3. 定期実⾏ジョブのチューニング 23 BI ツールで各ジョブの実⾏時間の推移を可視化
24. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 4. アカウント管理 • 割と頻繁にユーザー追加依頼があり、オペレーションを簡略化したい • 解決法 – アカウント発⾏処理を半⾃動化 1. 依頼者が依頼フォーム（Google Form）に必要な情報を⼊⼒ 2. アカウント管理者の Slack チャネルに通知 3. アカウント管理者が内容を確認後、アカウント追加コマンドを打つ 4. ボットが管理ページを操作してアカウントを追加 24
25. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 4. アカウント管理 25 TD ͷΞΧ΢ϯτਃ੥༻ͷ Slack νϟϯωϧͰίϚϯυΛଧͭͱϢʔβʔ௥Ճ ① Google Formからの申請 ③ Jenkins job 実⾏ ④ Jenkins job 成功 ② アカウント追加コマンド
26. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. アウトライン • スタディサプリのデータ分析基盤 • TD のアップデートに関する３つのトピック • 運⽤上⼯夫している４つのトピック • まとめ 26
27. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. • スタディサプリでのデータ分析基盤の運⽤も３年⽬に⼊り、TD 側での機能追加や アップデートを⽇々キャッチアップしながら改善に活かしている 1. Presto Delete ⽂サポート 2. Treasure Workflow リリース 3. TD DOMO連携サポート • あると便利な機能はまだまだ独⾃開発・運⽤でカバーしているので、ぜひ標準サ ポートしていただけると嬉しいです！ 1. TD Saved Queries のリビジョン管理 2. Presto のリソース状況の監視 3. ジョブメトリクスの可視化 4. アカウント管理のための API まとめ 27