一、国际化出行的业务场景

首先分享一下滴滴国际化出行业务的背景。

1. 国际化出行的业务背景

国际化出行业务具有一些鲜明的特点，首先，其范围覆盖全球五大洲，包括亚洲、欧洲、美洲，大洋洲和非洲，横跨全球 15 个时区。同时，受到各国国情的差异化、网约车竞争对手以及不同国家发展阶段的影响，网约车业务变化非常迅速。业务侧也适配了一些新的产品品类，来支持国际化市场的差异。

技术侧采用中台模式，建立了全球一套系统和一套数据源，同时公司运营遍布全球，各地均需要按当地时间看到数据，这是全球业务跟国内业务最大的差异点。因此，指标数据生产需根据不同的时区产出以便消费。

2. 国际化指标使用场景

数据侧主要是通过指标来刻画业务场景进行反向赋能。我们产出的指标大致可以分为三大类：

• 决策指标：

主要是公司层面和业务层面的战略核心目标。主要用于指导战略层对业务做出决策。

• 过程指标：

主要是对战略指标的一系列拆解，帮助运营对业务监控，实现策略的快速调整，最终达成战略指标的目标实现。

• 观测指标：

主要是帮助分析师和业务人员进行业务洞见和发掘。精准判断整个业务走势拐点，从而支撑整体业务的后续发展方向。

还有特征标签，为业务提供人群圈选能力，并为算法提供基础数据支持。帮助运营制定快速投放策略，最终达成精细化运营目标。

二、国际化业务场景指标建设痛点

• 定义难

作为数据主要消费方的运营在海外，他们各自所处国家间的市场差异巨大，所需求的数据分析指标也千差万别。各自对数据指标的理解也不一致，计算口径非常多。因此，为数仓的指标生成带来了较高的成本。

• 技术难

国家化场景需要数据指标按照各国当地时间产出，这凸显了数据时区性要求，无形中也加大了数据产出的成本。

• 管理难

很多公司都有相对成熟的指标管理方法，但实际落地却很难，究其原因是由于指标管理与模型建设相对割裂。大部分指标管理模型建设时期，容易出现时间周期或人员轮换影响指标的变化，又与模型迭代缺少联动，最终难以保证指标口径的一致性。另外，指标生产需求往往单点对接，单方验收，极容易出现不同数据指标重复建设，也容易造成指标口径的不一致。

• 评估难

主要体现在指标变更时，很难评估对下游数据使用的影响程度，导致指标口径一旦发生变更，下游很难完全感知。

• 保障难

在跨国家多时区的业务背景下，对数据产出质量和产出积极性的保障成本异常高。

三、国际化业务场景的指标建设方案

指标建设解决方案重点从建立组织、建立流程、模型设计、指标工具和指标治理等 5 个维度阐述，基于当下的国际化业务场景实际，需要体系化地建立数据指标体系，从而有效解决以上痛点问题。

第一点建立组织，是要保障整个指标生产全链路的权责一致性，每个环节各司其职。第二点建立流程，目的是保证该组织上人员能快速出现，提升整体生产效率。第三点模型设计，重点解决模型建模方法论和多时区痛点，提升建模速度，支撑指标建设效率。第四点指标管理工具，是通过整体性串联，搭建整个现代化指标体系，建立指标生产的标准化平台。第五点指标治理，目的在于保证生产稳定性和产出成本。

1. 指标建设方案——建设组织

指标生产组织的主要成员包括数据分析师、数据产品、数据开发和数据平台工程师。

数据分析师，主要通过业务理解定义全球的业务指标体系，确保同一个指标在全球的唯一性，同时通过指标去洞察业务表现，帮助业务进行相关的数据分析。

数据产品，着重对现有指标进行统一管理，并通过指标分析体系，最终根据业务场景形成符合需求的数据产品。

数据开发工程师，侧重做数据模型设计和指标开发，并对指标生产成本、数据安全，进行统一治理和集中管控，如此保证数据质量的标准化落地。

数据平台工程师，旨在建立标准化的一站式数据开发和指标管理平台，提供实时、离线多业务场景的数据产出能力。

2. 指标建设方案——建设流程

如何将以上各生产环节有效串联，需要一整套规范化的建设流程，主要包含指标转化阶段、指标开发阶段和指标交付验收阶段。

（1）指标转化阶段

数据需求方主要来自于业务产品、运营、分析师和算法，他们都会有大量的指标诉求，通过指标来监控实际的业务行为表现。

需求转入后，首先是数据分析师对诉求的指标口径进行定义，判断这个指标口径是否符合已经建立的业务数据刻画标准。随之数据产品会借助指标管理平台进行统一管理，判断是否为已有指标还是新增指标，如是新增则需迭代指标管理版本。同时，指标管理工具会自动生成一个 PRD 方案交付开发，经评估后会产出整个指标交付排期。

（2）指标开发阶段

指标开发阶段着重指标数据产出，并进行整体监控配置，包括及时性、准确性。

（3）指标交付验收阶段

验收分为分时验收和指标产品验收两部分。前者是确认这个指标是否符合当前的业务场景特点，是否与业务阶段吻合。后者，是保障产出的指标是否满足看板诉求，由此形成整体的生产交付流程。

3. 指标建设方案——数据架构顶层设计

接下来介绍最核心的部分，数据指标模型的设计思路。它涉及模型顶层的架构设计，结合指标管理的方法论确保全局指标唯一性，同时兼顾指标管理拆解路径，提升整体指标生产效率。

首先，需要区分业务板块，划清单个指标归属哪个业务线，这是整体概念的分割。具体板块就是所属数据域，例如出行项目，会按照出行的业务过程拆分多个域，有交易、财务、司机、乘客等，目的是为了确保单个指标在业务过程中的唯一归属。

其次，运用逐层拆解法，拆解出原子指标，派生指标。原子指标是根据具体业务过程，加上度量，生成原子指标，并在此基础上加上修饰词和时间周期形成基础指标。

再者，是计算指标。通过对基础指标进行计算生成计算指标。其中的核心概念点是指标归属划分，它决定了指标是否重复建设问题。例如，某一指标同时在司机域和交易域生产，可能会导致指标名称一样而口径不同。为避免这种情况，可利用一套生产原则，即业务原子指标，进行业务过程的数据域划分归属。对于基础指标，根据所分析的对象进行归属，对于计算指标，根据所在的数据运行划分归属。实行这一套原则有利于指标在数仓建设中保持唯一性产出，不会出现重复性问题。

4. 指标建设方案——模型架构

指标模型的构建框架共分为 5 层。

第一层贴源层，主要是一些业务数据、后端日志和埋点数据。

第二层事实明细层，细分为数据清洗、业务过程还原、原子指标封装、修饰词封装和度量标准化，重在保证生产的稳定性。

第三层核心指标加工层。针对最细颗粒度的分析实体，做指标的快速拼装，灵活扩展成大量的基础指标。

第四层主题分析层，旨在针对整体中间层的聚合，可以跨多个数据域形成系统性指标集。实现指标的多维度聚合，快速服务整体业务，建立多种业务场景的数据指标支撑。

第五层应用层，包含数据产品、数据看板和 API 接口、特征平台等等。

下面通过一个实例来说明指标生产的底层组件化能力。

例如基于事实明细层，现有订单事实表和司机审核事实表 2 个模型，主要以订单为主键记录了业务过程。基础原子指标会封装成当日是否完单、是否改派标识、计费距离和维度指标业务线。在司机审核事实表模型中记录分析对象司机 ID 以及原子指标是否当日审核通过。在中间层会进行指标的快速拼接，增添修饰词，封装成基础指标，如当日改派的完成订单数（交易域），当日完成订单审核通过的司机数（司机域）。由此加强了底层模型的复用性，达到指标层的多维聚合能力。

5. 指标建设方案——时区解决方案

下面着重介绍国际化多时区场景下，基于一套数据源支持所有国家的运营，并按照当地时间生产数据的解决方案，共分为三部分：模型分层，生产链路和模型设计。

（1）模型分层

模型分为应用层、主题分析层、指标加工层、事实明细层、贴原层和小时转天层。其中小时转天可以理解为由于数据源来自北京时间生产，计划安排每个小时采集一次数据，通过国家组和时转天工具将每个小时采集的数据转化成适配 local 当地时区的数据，这是最核心的部分。

（2）数据生产链路

核心是基于一个 SDK 时区服务，记录对应国家所在时区的北京时间拼表。同时 SDK时区服务，会生成对应国家时间的转换函数，主要记录当地时间和北京时间的转换。基于这个时间函数实现了国家组和小时转天的工具化，国家组是针对全球每隔经度15° 划分成的 24 个时区，将临近的 2 个时区编至同一国家组。例如有 4 个国家组，一个调度任务会按照国家组同时生成多个批次，全球使用一份脚本适配全球所有的批次，并根据时间函数判断当地时区，决策当地国家对应时区几点开始调度和执行。

小时转天的处理原理是基于 ODS 数据源层每小时采集的数据，根据当地时间转换为天，由此判断出从几点到几点代表当地国家完整的一天24 小时。

通过以上工具转化合成当地的新时间分区，最终形成一套针对于不同国家不同时区的生产链路能力。

（3）模型设计

ODS 数据源层按北京时间每小时采集，中间层部分所有表，全部按照local 当地天采集，进入双分区体现为 country code 显示对应分区是哪些国家，同时还会标记 2 个字段来标注各个国家的时间转换。最终达成利用一套数据任务，可灵活支持全球多个时区的国家垂直数据产出。

6. 指标建设方案——指标管理工具

我们拥有整套指标管理工具，代表了指标体系建设的标准化能力。

左边是指标需求的具体流程，包含指标需求、指标梳理、指标录入、指标开发和指标上线。中间是指标加工生产的工序工具，主要解决两点，一是实现指标管理现代化和标准化，二是打通指标生产全年度的血缘关系。

（1）指标管理具体落实点

首先需确定指标所对应的业务板块，归属于哪个业务过程，哪个数据域。对应到模型中即为事实层，再加入一些修饰词和维度属性，即对应模型中的维度表，从而实现具体指标对应捆绑关系。通过录入指标系统生成唯一指标 ID，再通过原子指标和修饰词，进而组成一个基础指标唯一 ID。这样就能保证指标生产的整个力度完全打通。

（2）指标方法论跟模型设计的血缘串联

保证指标用户能快速找到指标源数据和口径管理，以及指标对应的表和具体字段。

最后，整个指标管理工具再结合其他产品工具，例如数据开发工具、看板工具和数据建模工具等等，将指标生产全流程搬至线上，形成标准化指标生产体系。

7. 指标建设方案——指标治理

数据治理主要包含三大块，准确性、及时性和历史的完整性。

鉴于指标体系庞大的量级，如果所有的标准适配所有等级的指标，其保障成本高、人效也低，因此需要实施分等级的保障工作。

（1）对于 T1 级核心决策指标，主要支持公司战略层，对于准确性进行强管控，包含指标掉 0 监控、指标波动监控和双链路一致性监控。

• 第一，准确性。主要有指标掉 0 监控，通过强熔断，电话报警方式进行监控。指标的波动监控，例如平时的完单量突然超过了 100%，会员翻倍了，那么此时采取人工记录，判断是否是指标加工问题还是业务发生变化所致。双链路一致性监控，为了确保指标生产中间层准确，我们会按照模型分层加工核心指标，同时会在数据源 ODS 层另一条链路加工相同指标，由此确保两个指标双链路生产是完全一致对应的。
• 第二，及时性。提供了基线保障（SLA）、资源倾斜、运行时长监控。主要通过链路监控，电话报警的方式进行。
• 第三，历史完整性。侧重于指标生命周期永久性角度监测。

（2）对于 T2 级过程指标，最核心的是基线 SLA 保障，侧重于过程监控。

• 第一，准确性。主要实行指标掉 0 监控、指标波动监控，通过弱监控，电话报警方式进行。
• 第二，及时性。实行基线保障（SLA），运行时长监控，主要通过链路监控，电话报警方式进行。
• 第三，历史完整性。侧重业务需要监测业务同去年同比状态，保留了 1800 天。

（3）对于 T3 级观测指标，主要帮助分析师做业务上的数据挖掘，对指标及时性要求较低，属于长周期的挖掘事项。

• 第一，准确性。主要是指标掉 0 监控，主要通过弱监控，短信报警方式进行。
• 第二，及时性。主要是运行时长监控，主要通过定时监控，短信报警方式进行。
• 第三，历史完整性。主要在指标使用热度方面进行监控。

（4）对于标签部分，侧重于运营层面运用标签实现快速投放提升整体运营投放质量。

• 第一，准确性。主要是指标掉 0 监控，降级方案监控。主要通过弱监控，电话报警方式进行。
• 第二，及时性。主要是进行运行时长监控，定时监控方式。主要通过定时监控，电话报警方式进行。
• 第三，历史完整性。主要侧重于对标签使用热度进行监控。