Кто ответит за качество аналитики: QA для Хранилища Данных

Поверь своим глазам и тому что видишь на Дашборде

Мы в команде в значительной степени опираемся на данные при принятии операционных и стратегических решений. От выплаты еженедельных бонусов партнерам до экспансии в другие города и страны.

Каждый менеджер или Product Owner досконально знает свою область и любые отклонения могут вызвать вопросы. Поэтому к достоверности дашбордов и метрик предъявляются повышенные требования. А мы в команде Аналитики стремимся идентифицировать и исправить проблемы раньше, чем они попадут в отчетность. 

Как известно, легче предотвратить, и поэтому я решил подойти к проблеме системно и проактивно. И, конечно, первым делом создал канал в Slack, в который настроил доставку уведомлений о любых ошибках в наших пайплайнах.

Уверенность в актуальности витрин данных

Прежде всего мы хотим убедиться в том, что пользовательские витрины содержат актуальные на момент времени данные:

• К 10 утра каждого дня у нас рассчитаны витрины за полные прошлые сутки

• Чтение из источников идет в ногу со временем и отставание не превышает 8 часов

• Все источники продолжают слать лог изменений в DWH

Выходит, задача QA формулируется следующим образом:

• Покажи мне все витрины данных, в которых время актуальности отстает от ожидаемого

Реализация для Хранилища:

• В конфигурационном файле .yml добавим параметр freshness:

freshness:
   warn_after: {count: 4, period: hour}
   error_after: {count: 8, period: hour}
 loaded_at_field: "__etl_loaded_at"

• Для каждого теста будет выполнен простой шаблонизированный SQL-запрос:

select
 max({{ loaded_at_field }}) as max_loaded_at,
 {{ current_timestamp() }} as snapshotted_at
from {{ source }}
where {{ filter }}

• Собранные метрики можно визуализировать в сводный отчет:

Мониторинг метрик расчета Витрин Данных

Неминуемо при проектировании сложных витрин, кубов, будут возникать проблемные места:

• Баги и просчеты в формулах расчета метрик

• Неожиданные данные (edge cases), которые могут нарушать заложенную логику

• Бутылочное горлышко (bottleneck) в операциях расчетов

Они могут привести к серьезным последствиям:

• Ошибки: Таймаут, Out of Memory, Disk Full

• Замедление всего пайплайна загрузок и расчетов и нарушение SLA

Для контроля можно собирать следующие метрики:

• Время, затраченное на формирование витрины + его динамика (скачки времени расчета)

• Потребление ресурсов CPU

• Потребление ресурсов диска и сети - IO, network

Лидеры этого рейтинга становятся первыми кандидатами на оптимизацию и рефакторинг.

Задача формулируется следующим образом:

• Покажи мне те витрины, формирование которых требует излишне много ресурсов

Реализация для Хранилища:

• Снять метрики расчетов витрин

• Отрисовать дашборд

• Настроить алерты

+pre-hook: "{{ logging.log_model_start_event() }}"
+post-hook: "{{ logging.log_model_end_event() }}"

Валидация схемы данных в основе тестирования

Современные Хранилища предполагают структуру, строгую типизацию, поколоночное хранение и компрессию данных. Структура данных суть схема - набор атрибутов, их типов, ограничений, например, PRIMARY KEY, FOREIGN KEY, NOT NULL, UNIQUE.

Большинство DWH не предполагает валидацию ограничений на этапе записи. Это нужно скорее в рамках подсказок оптимизатору запросов. Т.е. Это всего лишь предположение о данных, а фактическая проверка остается на откуп инженерам и аналитикам.

Какие базовые ожидания можем иметь относительно данных:

• Есть ли в данных пропуски (NULL) там, где их быть не должно?

• Какова атомарность моих данных (UNIQUE ID строки)?

• Как таблицы соотносятся между собой (PRIMARY - FOREIGN KEYS)?

• Есть ли записи, выходящие из списка допустимых значений(ACCEPTED VALUES)?

Задача QA формулируется следующим образом:

• Покажи мне те витрины и источники, данные в которых нарушают наши ожидания

Реализация для Хранилища:

• В конфигурационном файле .yml добавим параметр tests:

- name: dim_cars
     description: partners cars.
     columns:
         - name: car_id
           tests:
               - not_null
               - unique
         - name: status
           tests:
               - not_null
               - accepted_values:
                   values: ['deleted', 'unknown', 'active', 'end_of_life', 'pending', 'rejected'
                           , 'blocked', 'expired_docs', 'partner_blocked', 'new_partner']   

• Для каждого теста будет выполнен простой шаблонизированный SQL-запрос

-- NOT NULL test
select count(*) as validation_errors
from "database"."dbt_test"."dim_cars"
where car_id is null
 
-- UNIQUE test
select count(*) as validation_errors
from (
   select
       car_id
   from "database"."dbt_test"."dim_cars"
   where car_id is not null
   group by car_id
   having count(*) > 1
) validation_errors
 
-- ACCEPTED VALUES test
with all_values as (
   select distinct
       status as value_field
   from "database"."dbt_test"."dim_cars"
),
validation_errors as (
   select
       value_field
   from all_values
   where value_field not in (
       'deleted','unknown','active','end_of_life','pending','rejected','blocked','expired_docs','partner_blocked','new_partner'
   )
)
select count(*) as validation_errors
from validation_errors

Бизнес-логика тоже подлежит проверке

Использую термин бизнес-логика в широком смысле - это любая сколь угодно сложная логика расчетов и взаимосвязей, которую мы закладываем в витрины данных. По сути это и есть бизнес-требования, лежащие в основе формирования Витрин.

Несколько простых примеров:

• Сумма заказа не может быть отрицательной

• Время подачи машины по заказу строго больше времени бронирования

• Пользовательская сессия заканчивается только одним заказом, либо прерывается

• Комиссия не превышает заданного %

Резкие скачки сумм (и вверх и вниз), неправдоподобные графики и значения метрик чаще всего становятся объектом пристального внимания на дашбордах и в отчетах.

Задача QA формулируется следующим образом:

• Покажи мне те витрины данных, в которых нарушены бизнес-правила.

Реализация для Хранилища:

• В терминах SQL выразить ту ситуацию, которая описывает нарушение правил

• Сформировать тест на базе SQL-запроса

• Тест считается пройденным (PASSED) если запрос возвращает 0 записей, и проваленным (FAILED) если записей >= 1

Continuous Integration на страже мастер-ветки DWH

Хорошо, идём дальше. Над DWH мы работаем совместно всей командой. Это подразумевает скоординированность и согласованность действий. Однако нередки случаи ошибок, просчеты, невнимательности на этапе разработки, которые приводят к ошибкам в PROD-окружении после PR Merge:

• Доработка в одной части может послужить причиной ошибки в другой части

• DEV-окружение инженера может отличаться от PROD-окружения

• Запуск неоптимального кода на всех данных может привести к ошибке (например, Out of Memory)

Решение давно придумано - это использование практик тестирования в рамках Continuous Integration (CI). И его можно и нужно применять к данным!

Задача формулируется следующим образом:

• Минимизировать вероятность появления ошибок в master-ветке и PROD-окружении DWH  после релизов.

Реализация для Хранилища:

• Подготовить окружение для CI (например, актуальная копия PROD-окружения, содержащая только 7 последних дней)

• Выполнить полный пересчет всех витрин и метрик без ошибок прежде чем дать возможность влить feature-ветку в master

Кросс-сверка состояния DWH и Источников

От Хранилища Данных мы ожидаем отображение актуального состояния (а также всей истории) источников данных:

• Наличие в DWH всех записей, которые присутствуют в источнике

• Точное соответствие значений атрибутов (статус, временные метки, метрики) один-к-одному

Мы хотели бы застраховаться от ситуаций, когда часть данных просто не попадает в Хранилище в силу технических причин, а также от потери изменений состояния записей (например, финализация статуса заказа или корректировка его стоимости).

Задача формулируется следующим образом:

• Убедиться в том, что Хранилище находится в консистентном (согласованном) с источниками состоянии.

Эта задача имеет одну из самых сложных реализаций и может стать темой отдельной статьи, судите сами:

• Определить набор атрибутов, подлежащих верификации: идентификаторы, внешние ключи, измерения (страна, город, статус), метрики (стоимость, продолжительность, комиссия).

• Выгрузить все строки из источника, актуальные на текущий момент

• Загрузить строки в DWH и подготовить логику сверок

• Настроить визуализацию и уведомления

Визуальное представление с возможностью drill-down до уровня атомарных записей:

Собирая всё в единый пазл

Идеи и принципы, изложенные в этой статье прозрачны и ясны. Сегодня пришло время применить лучшие практики разработки и тестирования в областях, связанных с обработкой данных:

• Регулярный мониторинг, сбор и анализ метрик

• Continuous Integration and Testing

• Настройка уведомлений и алертов для команды

• Проактивная работа над устранением инцидентов и причин ошибок

• Управление ожиданиями пользователей в случае возникновения проблем (У нас всё под контролем)

В этой статье я показал подход к контролю качества данных, который мы выстраиваем в команде. Надеюсь, вы почерпнули для себя много нового и полезного.

Обширный набор тем, связанных с обработкой, хранением, тестированием данных изучается в рамках курса «Data Engineer» в OTUS, запуск которого состоится уже совсем скоро.

Как преподаватель курса я приглашаю вас 4 ноября в 20:00 на День Открытых Дверей курса «Data Engineer». Приходите на вебинары в OTUS знакомиться со мной и другими экспертами, будем ждать.

Что почитать еще

Напоследок я оставлю вам несколько ссылок на смежную тематику для дальнейшего изучения:

1. Data Build Tool или что общего между Хранилищем Данных и Смузи - обзор DBT на русском языке

2. The farm-to-table testing framework - комплексный подход к тестированию качества данных

3. Tests - Related reference docs - раздел документации DBT, посвященный тестированию

4. How to get started with data testing - тред на dbt discourse с обсуждением по теме

5. Data testing: why you need it - взгляд на преимущества тестирования данных

6. Manual Work is a Bug - несколько слов о принципах автоматизации и DRY