发帖
雷达卡
“腾讯90%以上的数据都是在线实时处理。”
“精准推荐有三大要素，第一是数据，第二是实时，第三是算法。实时是关键核心。”
“过去这几年，我在慢慢弱化传统的数据仓库，逐步走向实时的数据仓库。”
“如果当前一秒的数据没有处理完整，提炼清楚，随后的分析成本就会越来越高，而数据价值则越来越低。”
本次接受提问的蒋杰先生，是腾讯数据平台部总经理，在加入腾讯前，他曾经是支付宝的数据经理。提问题的依然是车品觉先生，他是中国信息协会大数据分会副会长。作为曾在同一战壕奋战的战友，他们的问答中更多看得到数据人实战的艰辛以及对于数据的那份狂热和坚持。
在过去几年，你在腾讯做了什么来推动大数据的应用？
过去三年，我一直在坚持一件事：推动大数据的实时应用。现在从加拿大发出的微信，一秒钟可以达到深圳数据库，这就是腾讯具备的数据能力。有了这个能力，就可以做很多商业化行为的模式。
目前腾讯收集的数据已经超过了1万亿条， 计算机规模已经超过了8千8百台。这么庞大的数据如果能实时处理，就能发挥出巨大的商业价值。这个商业价值就是精准推荐。
每年腾讯几十亿的广告，其基础来自于数据的精准推荐。实时数据推荐还可以用于视频的推荐，腾讯音乐推荐，新闻客户端的推荐，游戏道具的推荐，等等。
目前我们做到从数据进来到投放数据，延时不会超过50毫秒。有这个技术基础，腾讯的精准推荐才有了基础。
从内部管理而言，实时也降低了成本。因为实时数据处理可以用足“每一秒”。传统的数据仓库一般从晚上零点到第二天早上八点，做数据截断、抽取和处理，因为早上九点老板就要看数据报告了。数据处理的时间只有一天之中的三分之一，其他时间都是空闲的。
当我们把数据做到实时处理的事后，实际意义是将分析时间成本分摊到全天，成本更低。同时这也有利于控制风险，因为只要一出错马上可以监控，迅速回滚。
所以你将大部分精力放在了“实时”上，你为什么认定“实时”会为腾讯增加更多的商业价值？
数据首先是有时效性的，一秒钟前的行为和一秒钟后的行为有着天差地别。
以往我们通过统计数据，得出规律，找到用户喜好。而现在实时变得更为重要。前一秒你看了母婴内容，那么几秒内就应该推送相关广告，转化率会比较高。如果你还在推送几天前，这个用户看足球的数据信息，这个生意就很难做下去了。
在腾讯，我们分三个领域各自研究精准推荐：数据整理、实时计算、算法研究。我深知，实时计算是关键核心。
在我的脑海中，一切数据必须以消息为中心，实时处理、提炼瓜分。实在解决不了的数据，再做离线分析。
比如一张照片，在数据处理端口肯定首先被实时过滤，这张照片是在哪里拍的？其中几个人，通过什么方式拍摄的？在所有数据收集处理完之后，我可能还需要找这张图片与其他图片的关联关系，这时才会做离线处理。
腾讯基本上90%以上的数据都是在线实时处理。我一直在坚持将腾讯的数据集中起来，放在一个平台体系之下，这其实是来自阿里巴巴的教训。（蒋杰原来在支付宝数据部门工作）阿里巴巴的数据直到今天还是四分五裂。
其实，我对于数据的实时经验也是在支付宝时期积累的。当时我学到的一点是，如果没有搜索引擎的支撑，就根本无法做数据分析。当时很多人都说，没有办法让数据在6秒内被搜索出来，而我坚持认为可以达到。
实际上，现在在腾讯，一万五千个字段，在3秒之内所有的数据交叉都可以实现。这是一个做技术的本分。
在实时这个领域，技术上的难点是什么？
我一直在慢慢弱化数据仓库，逐步走向实时数据仓库。其中最大的问题是，如何实现数据实时获取？
数据实时处理的前提，首先是实时采集。我的办法是一方面和业务部门谈好，另一方面我将数据采集文件部署到所有的机器里，从安装操作系统的时候就写入数据采集文件。这样，腾讯所有40万台机器都可以协同操作。
过去两年，腾讯从原来的一小时响应，到现在一秒钟精准推送，CTR （点击率）能提升20%。规模越大效果越明显。
精准推荐有三大要素，第一是数据，第二是实时，第三是算法。
首先要有强大的数据，如果数据缺失什么都干不了；第二，效果明显的是实时，第三才是优化算法。这是整个精准推荐体系的核心。实时在其中排在第二，我们的实践证明， 在什么都没变的情况下，频率改变带来了整体收入的提升。
在解决了获取数据之后，数据底层所遭遇的最大困难是什么？
眼下的挑战在于深度学习。大数据时代，腾讯有200PB的图片数据，如何去挖掘图片数据的价值？如何去挖掘语音数据的价值？
我们正在做的是从结构化数据分析转向非结构化数据。如何从非结构化数据中提炼商业价值？这包括了深度学习的DNN和CNN技术，包括如何做文本之间相似度的关系。这都是需要突破的点。
微信所有的语音训练都是深度学习的办法来处理。比如，每当你在用微信放语音的时候，机器自动翻译成文字，就是靠深度学习网络来训练的。但目前，计算能力依然是一个门槛，这个能力并非我们想象这么轻松，需要更多计算技术来改进。
未来数据处理会有剧烈的改变么？
硬件决定了数据的能效。数据规模越大，数据展现的方式会越多，未来实时计算的处理需求会越来越旺盛。相信未来，能贴合更多应用场景的高效计算引擎会出现，这是我对未来的判断。
很明显的是，如果当前一秒的数据没有处理完整，提炼清楚，随后的分析成本就会越来越高，而数据的价值则越来越低。所以，在未来，高效计算引擎和存储引擎的出现，会对大数据发展有突飞猛进的效用。
后记：
在蒋杰看来，没什么比实时更重要。在腾讯，他敏感意识到实时数据对于广告的价值，所以把大部分精力放到实时处理数据以及如何优化广告投放上。
今天很多公司的数据仓库是离线的，也因此数据距离实际业务很遥远，这个距离不仅仅是无法实时反应，更多在于无法保证数据的稳定和质量。
以此而言，数据实时化是业务与数据的结合的关键。
但实时数据并非终点。
每秒都在生产新数据，新数据与既有数据之间的关系如何梳理？假如我们一直通过数据收集、分析得知，电脑前坐着的是一只狗，但假如某天的数据收集显示，它会猫叫。那么我们能判断电脑前的其实是一只猫么？
这不仅仅是数据更新变化这么简单，而关系到我们如何判断和分析。
所以，此时，延时判断变得很重要。
如何在庞大数据面前，做出延时判断？尽管你有实时数据分析的能力。
这可能是下一个更有趣的话题。
2014.10.4
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
