clickstream-data-platform/docs/labs/README.md

Учебные задания

Программа состоит из двух частей: основная включает семь ступеней, которые вы проходите по порядку, а факультативы выбираете по желанию. Причины такого порядка и формы заданий описаны в программе учебных лаб.

Основная программа

Ступень	Задание	Чему учит
1	Пять витрин слоя DM	построить результат для потребителя хранилища; уроки каждой витрины — в таблице ниже
2	Свой график в Superset	превратить свой результат из хранилища в отчет в BI
3	Нарежьте сессии сами	сверить число сессий в своей нарезке с эталоном и найти события, из-за которых оно расходится
4	Перепишите нарезку стенда	переписать расчет сессий в готовом конвейере и проверить по исходным событиям
5	Научите проверки замечать ошибки в заказах Перепишите разбор заказов в ODS Перепишите сборку заказов в DDS	написать проверки качества до рискованного изменения, затем переписать разбор и сборку заказов
6	Разберите сырые события рядом со стендом	изучить разбор потока отдельно от живого приема и сверить его со стендовым результатом
7	Мониторинг: куда смотреть	выбрать, куда и на что смотреть в живой системе

Ступень 1: пять витрин слоя DM

Слой DM в стенде построен наполовину: витрины трех сюжетов дашборда и контроль качества уже построены, остальные пять витрин строите вы. Каждая из них — самостоятельное задание: в нем есть состав витрины, зерно, источники и способ проверки.

№	Результат	Чему учит
1	events_enriched_v	подготовить удобный для анализа набор полей, сохранив одну строку на событие
2	top_pages_daily	создавать материализованную витрину с дневной пересборкой в конвейере
3	session_overview	хранить слагаемые для расчета средних и долей
4	dq_errors_daily	считать брак по дню загрузки и хранить итоги дольше источника
5	utm_effectiveness	читать declared_ как предупреждение о сумме со слов клиента

Общее устройство слоя — справочник DM. Он отвечает на вопросы «почему так», задание отвечает на вопрос «что сделать».

Как принято на ступени 1

Читать — через _v. Физические _rep и _dist служат загрузке и обслуживанию, а публичный договор DDS — dds.event_v или dds.session_v — остается прежним даже при изменении физических объектов. Чтение DDS напрямую делает задания независимыми: соседняя витрина может быть еще не построена. Исключение — задание 4: у таблиц брака публичного договора нет.

Писать — в _dist. Так строки распределяются по ключу шардирования. При записи в локальную таблицу распределение зависит от узла, выполнившего запрос, и при следующем запуске может измениться. Подробности — раздел «Раскладка по шардам» справочника хранилища.

Форма — по зерну. На стенде агрегат с новым зерном принято хранить готовым: потребитель читает его много раз без повторного расчета по источнику. Создайте dm.<имя>_rep / _dist, донор dm.<имя>_stage_rep / _stage_dist и публичное dm.<имя>_v с явным списком колонок. При прежнем зерне достаточно представления: таблица дублировала бы данные. Доводы — раздел «Таблица или представление» справочника DM.

Ключ шардирования — ваше решение. Объясните, почему выбранный ключ не дает существенного перекоса и почему более сложный ничего не добавит. Объявите донор через AS <цель>_rep с ключом цели: иначе замена партиции потеряет строку на одном шарде и удвоит на другом. Детали — раздел «Раскладка по шардам» справочника хранилища. Пример обоснования — dm.revenue_daily_dist в sql/ddl/55-dm-tables.sql.

Где лежит код. DDL заданий — в sql/ddl/70-labs.sql. При создании мира он применяется после стендовых файлов. В уже работающем стенде сохранение файла и повторный make up новый DDL не применят — выполните его сами, как описано ниже. В sql/dm/<витрина>_scope.sql определяются дни прогона, в _rebuild.sql они собираются в донор, в _replace.sql заменяется партиция. Задачу сборки добавьте в dags/dm_transform.py: без нее конвейер не обновит витрину. Представлению достаточно CREATE VIEW.

Образец — витрина revenue_daily. У нее есть пять объектов, донор, сборка, замена дневных партиций и задача в конвейере. Используйте ее как образец всего порядка пересборки. Состав колонок берите из своего ТЗ, иначе получите показатели другой витрины.

Как применить свой DDL

В DBeaver создайте подключение по инструкции в README, но укажите пользователя etl и пароль из CLICKHOUSE_ETL_PASSWORD в .env. Пользователь analyst из той инструкции предназначен для чтения; у etl есть права создавать таблицы и представления в dm.

Создайте файл sql/ddl/70-labs.sql и сохраняйте в нем DDL своих витрин. Откройте его в SQL-редакторе этого подключения и выполните DDL текущего задания. Создавайте объекты с ON CLUSTER clickstream_cluster, чтобы они появились на обеих нодах; образец для представления — sql/ddl/60-dm-views.sql. Сохраненный файл позволит воссоздать ваши объекты при пересборке мира.

Самопроверка ступени 1

Даг homework_check запускается руками, расписания у него нет. Задача витрины красная, пока витрины нет или счет не сходится, и зеленая, когда собрано верно. В сводку качества конвейера dm.dq_summary он не пишет: это инструмент лабы, а не история качества стенда.

Для каждой витрины проверка независимо рассчитывает ожидаемый результат прямо по ее источнику. У четырех заданий источник эталона тот же, что у витрины, dds.session_v или dds.event_v; у задания 4 это таблицы брака ODS, потому что в DDS нет сущности брака. Обе стороны соединяются по деловому ключу через FULL OUTER JOIN, и считается число строк, где стороны разошлись или одной стороны нет. Ноль — зеленый. Полное соединение сохраняет ключи обеих сторон: при внутреннем пропавший день или ключ не попал бы в результат, и потеря осталась бы незамеченной.

Раздел «Как проверить себя» каждого задания по витрине называет деловой ключ и сравниваемые величины. Тот же прием в стендовом исполнении — даг dq_check и запросы в sql/dq/.

Запросы проверок лежат в sql/dq/. Откройте их после собственного решения: они заново рассчитывают показатели витрины, поэтому содержат ответ на существенную часть задания. Сравните свой способ расчета с готовым.

Факультативы

Эти задания вы берете по желанию. Полный список сюжетов — в разделе «Факультативы — пять разделов» программы.

Почему выручка не сходится

Открывается после ступени 1. Четыре расследования качества данных:

• Куда пропали покупки: найти заказы без события, выбрать источник витрины и условие проверки полноты.
• Почему повтор покупки завышает выручку: выбрать зерно и ключ расчета, проверить его на повторных событиях.
• Какая позиция объясняет разницу в сумме: разобрать позиции без потери точности и локализовать расхождение источников.
• Почему вчерашняя выручка меняется сегодня: обосновать окно пересчета витрины и требования к истории заказов.

Первые три работы используют готовые данные. Четвертая продвигает мир через Airflow; для нее вы сохраняете состояния заказов после каждого модельного дня.

Тонкий анализ данных

Открывается после ступени 1.

• Как новые заказы меняют отчет о посетителях: сохранить историю связей, сравнить расчеты на прежних сессиях и определить, какие сведения нужны для воспроизведения результата.

Обогащение отчета своим словарем регионов пока описано только в программе.

Superset и BI

Открывается после ступени 2. Два самостоятельных задания:

• Свой дашборд в Superset: собрать отчет из своих витрин и подтвердить выводы запросами.
• В DBeaver работает, в Superset нет: выяснить, почему клиенты по-разному видят один объект хранилища.

Инженерия стенда

Открывается после ступени 1. Прием и хранение данных, раскладка по шардам, повторная обработка дня и обновление витрин.

• Как обновлять витрину без полной пересборки: продолжить работу о связях пользователей, пересчитать затронутые дни и проверить повтор незавершенной загрузки. Повышенная сложность.

Что делать, когда стенд сломался

Открывается после ступени 7. Поломки стенда и инструкции по восстановлению по итогам расследований; весь раздел — повышенная сложность.

Уборка

После опытов удаляйте свои временные объекты. Если удалили учебную витрину, ее задача в homework_check должна снова завершиться ошибкой: отсутствие витрины тоже проверяется. Подробнее — в справочнике проверок.