干货｜火山引擎DataTester：A/B实验平台数据集成技术分享

字节跳动数据平台 2023-06-08

306

文｜静静 来自火山引擎DataTester团队

当企业想要接入一套A/B实验平台的时候，常常会遇到这样的问题：

● 企业已经有一套埋点系统了，增加A/B实验平台的话需要重复做一遍埋点，费时费力；

● 企业有多个客户端和数据中台并行的情况，这些不同来源的数据难以整合进一个A/B实验平台；

● 距离下次大促只有一周时间了，业务想快速开启A/B实验，时间紧迫；

......

A/B实验准备的全流程如图下所示。当企业在已有埋点的情况下，如果想0-1开启A/B实验，通常要占用大量人力来做数据处理。需要梳理埋点列表、确定id映射关系、确定埋点数据类型、确定导入时间范围、修改业务处理逻辑、代码编写、测试环境调试......

当经历完多次调试验证后，数据接入完成，工作却远未结束，伴随而来的是数据对齐校验、后期任务运维等。这些繁琐的工作，使企业“开启A/B实验”的门槛极高，也会带来诸多数据差异的隐患。为解决企业开启A/B实验成本过高的问题，火山引擎A/B测试平台（DataTester）专门研发了数据集成能力。本文将对DataTester的数据集成平台做技术解读。

DataTester是由火山引擎推出的A/B测试与智能优化平台，它脱胎于字节跳动长期沉淀，历经字节内部超150万次实验打磨，为企业的增长、转化、产品迭代，策略优化，运营提效等各环节提供科学的决策依据。DataTester的数据集成能力，可以真正解决多源数据集成、数据清洗和数据预处理问题，提高企业的A/B测试效率和准确性，从而为企业开实验提供有力的支持。

上图是使用DataTester数据集成平台最基础的配置流程，可以看到，用户只需要在页面上登记数据源信息、映射逻辑、任务调度配置，就可以快速的同步多源数据，完成数据配置和接入。

火山引擎DataTester的数据集成，主要提供了帮助企业导入第三方数据到A/B系统的能力，它可以解决企业在数据接入过程中的如下痛点：

● 数据来源复杂：对于需要从多个数据来源获取数据的企业来说，整合数据要事先了解A/B实验的事件格式和埋点使用规范，手动导入数据非常繁琐耗时。DataTester数据集成平台提供了快速导入多种数据源的能力，用户可以轻松将数据汇总到一处。

● 数据质量参差不齐：多个数据源的数据会有参差不齐的情况，DataTester数据集成平台可以自动进行数据清洗和转换，确保导入的数据质量良好，避免由于数据质量问题带来的实验错误。

● 人力成本高昂：如果采用常规的手动导入数据和清洗处理的方式，会花费较多时间人力，DataTester数据集成平台智能数据处理，可大幅降低数据处理的时间和成本。

/ 一键式的数据导入

在以往，企业如果希望接入新的A/B测试平台，在第一步的数据集成阶段通常只有通过SQL开发或业务代码编写的方式接入。

DataTester数据集成平台提供了可视化的任务配置能力，用户可以通过点击、拖拽等形式完成数据接入；数据集成平台将自动完成数据类型转化、数据清洗等功能。这种“一键式”的数据导入可以最大程度减轻企业在数据集成阶段的时间人力成本。

/ 可视化的任务运维

用户通过可视化的方式来监控、管理和维护数据任务的运行状态和运行情况。这样的方式可以更加便捷地了解任务状态和运行情况，及时发现并解决问题。

/ 丰富的数据集成市场

DataTester数据集成支持行为数据、用户属性等历史数据回溯、实时数据同步的能力，并预置了多款数据配置模板，可以一键同步异构数据源数据。

/ 可扩展的数据插件

提供丰富的内嵌插件，支持常用的数据处理逻辑。例如：数字四则运算、字符串处理、字段映射等等。除此之外，DataTester数据集成也提供自定义函数的能力，企业可以在平台根据实际业务逻辑定义UDF，并集成在数据导入任务中。

/ 平台架构

下图为火山引擎DataTester数据集成平台的整体架构，功能上，DataTester数据集成系统采用三层架构，包括web层、Service层和数据处理服务。

● Web层：提供管理控制台，用户可以方便地配置和管理数据集成任务，查看任务的执行状态；

● Service层：提供任务管理、监控和调度管理，支持用户对任务进行快速响应和监控。

● 数据处理层：则提供对各种外部数据源的处理，通过插件方式支持多种异构数据源的集成，目前已经支持关系型数据库、消息队列等等。

系统架构上考虑了高可用、高扩展和高性能的设计。

● 高可用：任务调度和运行支持多租户资源隔离，保证不同租户之间的任务执行不会相互影响。

● 高扩展：数据处理任务支持分布式处理数据源数据，针对不同负载可支持水平伸缩；

● 高性能：通过分布式执行框架保证数据集成任务的并行处理，可以满足大数据场景下的集成需求；

/ 底层能力

DataTester数据集成基于Apache SeaTunnel二次开发，数据传输任务采用Framework + plugin架构构建。将数据源读取和写入抽象成为Connect(Source/Sink)插件，纳入到整个数据同步框架中。

● Source：Source为数据采集模块，负责采集数据源的数据，将数据发送给下游Transform。

● Sink：Sink为数据写入模块，负责不断向Transform取数据，并将数据写入到目的端。

● Transform：Transform用于连接Source和Sink，作为两者的数据传输通道，并处理缓冲、并发、监控、数据转换处理等核心技术问题。

Transform是DataTester数据集成的业务处理关键内容。我们内置多个默认插件，自动帮助用户完成用户分析口径映射、事件格式转换、数值处理、字段映射等等逻辑，同时也提供入口供用户增加插件，内嵌至自有任务中。

/ 监控报警

DataTester数据集成平台采用了InfluxDB来运行数据监控。InfluxDB 是一款专门处理高写入和查询负载的时序数据库，用于存储大规模的时序数据并进行实时分析。在每个监控任务提交后，DataTester将会在数据处理过程中增加成功、失败的数据埋点，并最终落入InfluxDB对外展示。

在企业的常用应用场景中，数据集成监控报警主要起到以下几个作用：

● 及时发现数据集成中的异常情况，比如数据传输失败、数据丢失、重复数据等，避免数据不一致或丢失的情况发生，保障数据的准确性和完整性。

● 对于数据传输量较大或数据传输需要保证实时性的场景，可以通过实时监控和报警方式，及时发现系统存在的问题，并能够快速采取措施，保障数据正常传输。

● 提升数据集成的可靠性和稳定性，减少企业损失和成本，加快业务流程的执行速度，提高企业效率和竞争力。

● 在数据安全方面有着重要的作用，及时发现和处理数据传输过程中的异常情况，确保数据的安全传输和隐私保护。

某金融公司计划使用火山引擎DataTester开启信用卡分期优惠A/B实验，预期赶在大促前上线该实验并拿到反馈；而面对的问题是：

1. 现有埋点体系复杂，有大量无效埋点和复杂埋点判断

2. 重复埋点成本很高，依赖客户端行为事件和服务端事件

3. 时间节点比较紧张，必须赶在大促前拿到实验反馈；

因此进行实验非常具有挑战。

针对如上背景，他们使用了DataTester数据集成平台来解决以上问题。他们在数据集成平台注册已有数据源信息，配置数据字段映射逻辑，将客户端和服务端所有事件数据进行自动捕捉和同步，从而使实验无需成本地进行重复埋点；另一方面，通过数据集成的插件能力，企业可以完成简单的数据清洗和字段加工，从而可以解决已有的埋点问题。

通过这些解决方案的帮助下，该金融公司成功地完成了实验，并获得了重要的反馈和优化建议。此外，DataTester也在数据集成、数据同步、数据安全等方面为企业提供了全方位的支持，确保企业项目能够成功落地，并为其带来重要价值。

DataTester的“可视化数据集成”及“集成工作台”方案，可以帮助企业将来自三方的数据导入到A/B系统中，无需额外通过传统SQL开发或者业务代码编写等方式来进行数据集成，可以实现对历史数据资产直接复用，极大程度降低系统重复建设成本。据了解，目前可视化数据集成功能在企业数据接入方面能带来高达8倍的提效。