离线数据、实时数据究竟该如何选择

离线数据一般是指T-1的日期，例如今天的日期T=2021-11-12，那么数据结果中，能够体现的业务数据只包括前一天的(昨日数据)。有人也称之为T+1的数据，把数据日期当作T，叫法不同，但本质都是指的今天处理的数据最新日期是截止昨天。

2. 实时数据

实时数据主要是指的数据延迟小，例如毫秒、秒、分钟级的延迟，小时级的延迟称之为“准实时数据“更为准确了。例如，你熬夜赶在双十一晚上的最后1分钟，成功付了尾款，在双十一实时统计大屏中，GMV的值又滚动了一下。

二、处理技术有何差异

1. 离线数据处理

离线数据处理也称之为“批处理”，数据产生之后，不会立即进行清洗，而是在固定的周期进行ETL，例如每天在凌晨12：00之后，处理前一天产生的数据。上大学的时候，有的舍友喜欢将袜子攒起来，一个星期洗一次，这就是批处理的思想。

离线数据处理技术是大数据发展更早，目前已经非常成熟的一套体系，最常见是Hadoop，它是一个能够对大量数据进行分布式处理的软件框架。以一种可靠、高效、可伸缩的方式进行数据处理。核心组件是HDFS、MapReduce、Hive。以HDFS进行数据存储，Mapreduce计算，Hive进行数据仓库建设或者基于HiveSQL进行数据查询。

主要优点是：

能够处理的数据量巨大，从企业成立以来的历史数据，都可以存储、计算处理、分析应用。

数据更准确，对于一些交易类的业务，存在订单状态流转，例如酒店，用户早上下了订单，但是下午有突发情况行程有变，取消了。在离线数据处理时，取当天订单成功状态，就不会计算在内。但对于数据漂移，即12点前下单，12点后取消的情况，就也无法统计到了，这种情形，在数据清洗任务处理时，可以采用全量更新的方式，每日更新全部数据，取最终的订单状态。

缺点：

离线数据的缺点也很明显，就是慢。今天的数据，要隔天（明天）才能看得到。

2. 实时数据处理技术

实时数据处理，也称之为“流式”数据处理，数据像水流一样每时每刻源源不断地产生后，就立即被清洗处理。这就好比，穿的袜子脏了就洗，今日事今日毕，而不是都攒着。

实时数据一般是业务端即席产生（水源），通过Kafka等消息通道（水流管道）进行传输，利用Storm或flink等实时组件进行消费处理。例如，双十一统计每秒钟的订单数。

主要优点:

数据时效性强，可以做到秒级或者毫秒级时延，“所见即所得”。

缺点

需要不停地进行数据计算，即每秒钟或者每分钟进行数据清洗和计算，集群资源消耗大。离线数据处理，任务一天跑一次，一次1小时，实时数据处理每分钟跑一次，一天24小时都在跑。

数据周期短，由于是流式处理的方式，相应的组件在实时处理方面能力强，但是没办法存储太长时间的数据，如果容器只进不出，水终究会溢出。因此，一般数据计算的周期会限定在一周内居多。

三、离线、实时各自适用的场景是什么，如何选择?

数据的应用场景总结下来其实就是两个，数据分析与数据应用。

1. 在分析方面，数据时效性的选择依据是什么呢?

1）业务经营分析、财务分析准确性大于时效性

即对于数据分析的场景，更在意的是能够更加准确地反映业务表现情况，即使T+1天后才可以看到数据也可以接受。尤其是财务结算，一般是月度结算或者季度财报，准确性是第一位的。

2）预警监控类分析，需要追求实时性

如果所有的分析数据都是需要隔天才能看到，肯定是不行的。如果系统宕机了，或者服务异常导致产品不可用，用户投诉才发现或者隔天数据分析才发现，带来的业务损失就无法挽回了。因此，还需要有实时的数据分析模块，对业务核心指标、系统服务指标进行最小延迟的预警监控。

所以，在数据分析场景下，离线数据为主，实时分析要有但不宜过度追求实时性。一般的数据可视化平台，有一个实时数据模块就可以了，其他的主题分析以离线数据为主。

2. 数据应用方面，数据时效性要求高于准确性

1）个性化推荐，用户行为需要实时反馈

你在浏览头条的时候，对推荐的内容点击了“不感兴趣”，相关的内容很快就隐藏了。同样，你在淘宝上搜索或加购了某个产品，再看列表页时，推荐的也都是相关内容。针对个性化推荐的场景，就要做到数据的最小延迟，如果等用户都退出App了数据才计算完成更新，用户就流失掉了。

2）用户运营及营销场景

在用户运营场景中，流失用户召回、会员运营等活动中，对数据时效性要求并没那么高，例如你要对某个城市的下单用户进行短信营销（apppush），不对今天当天下单的用户营销影响也不大。

而对于实时的场景触达，就需要实时数据了，例如，用户打开App，实时判断用户是否是新客（截至本次访问未下过单），发放新客大礼包。

所以在CDP用户运营平台的标签建设时，既需要有离线标签，也需要有实时标签。

3）选择依据小结

数据时效性的选择时，要看具体应用场景对准确性、时效性的要求，实时和离线数据的应用场景选择可以参考下图：

四、总结

不管是离线数据还是实时数据最终都是为了解决业务场景下的问题，搞懂其差别和基本原理后，再去选择到底是实时还是离线，可以做到用最小的资源成本达成业务目标，而不是一味地追求实时，或者永远只能离线。