把可观察性想象成洗澡：有一天不洗，可能没人注意。但如果一个星期不洗，或者干脆不洗，所有人都会注意到。
在 Snowflake 中，可观察性的存在与否也是一样的。如果没有适当的可观测性，你可能会遇到成本失控、查询效率低下以及下游业务报告中的数据不准确。结果会怎样？利益相关者会感到失望，支持团队会感到压力山大，对数据的信任度也会下降。
幸運的是，Snowflake提供了你需要的工具，以便构建强大的可观测性到你的数据管道中，确保你的数据干净、高效且可信赖。
1. 数据可观测性的定义数据可观测性是指监控、管理和维护数据在其整个生命周期中的健康状况的做法。它提供了对数据流的全面可见性，帮助组织发现异常，解决问题，并确保数据质量。
实际数据可观测性实例- 实时监控：持续跟踪管道中的数据流，以便及时发现并处理诸如数据缺失或不一致等问题。
- 异常检测：利用机器学习算法检测与正常数据模式的偏差，以提示潜在问题。
- 数据血缘追踪：绘制数据从源头到目的地的旅程，以便理解依赖关系和变更的影响。
虽然数据可观测性和数据质量都旨在确保数据的可靠性和准确性，但它们在方法论和范围上有所不同，
- 数据质量：侧重于根据预定义的标准评估数据的准确性、完整性、一致性以及正确性。这包括数据分析、清理和验证等过程，以保持数据的完整性。
- 数据可观测性：超越了静态评估，通过实时监控数据管道和系统来提供支持和保障。它能够及时发现并解决数据问题，确保数据交付过程的可靠性和稳定性。
实际上，数据质量是指确保数据符合一定的标准，而数据可观测性则是指持续监控数据系统，以保持这些标准，并快速解决可能出现的任何问题。
通过整合数据可观测性措施，组织可以提高数据质量，获得更准确的见解并作出更好的决策。
第2条：通常谁会在意- 平台负责人：那些回答支持请求或在关键任务出错时接到周末电话的人。
- 决策者：依赖准确且及时的报告来正确决策的决策者。
- 治理小组：负责数据目录、术语表以及维护访问和审计控制的团队。
- 任何关注这些指标如数据新鲜度、完整性、准确性、质量或维护侦测时间（TTD）和解决时间（TTR）服务水平协议（SLA）的人。
- 数据模型血统图：可视化数据在管道中的流动。
- Snowflake 警报：为重要事件自动化通知。
- 无服务器警报（GA）：一种可扩展的方式来监控您的 Snowflake 环境。
- 数据质量指标/函数：通过内置的质量检查确保数据完整性。
- 事件表：跟踪系统层面的事件和活动。
- 资源监控器：掌握计算使用情况，防止成本超支。
- 外部函数：利用自定义逻辑扩展 Snowflake 的功能。
- Snowflake Trail（日志、跟踪、指标）：深入了解查询和系统的性能表现。
- 模型可解释性：增强机器学习模型的透明度和信任度。
注：在中文中，通常不使用“#”符号来表示章节标题，而是在译文中移除该符号。如果需要保留章节编号，可以在其后加上中文句号以符合原文风格。
- Observe, Inc: 一个由 Snowflake 管理的可观测性工具。
- Metaplane: 主动的数据监控。
- Monte Carlo: 大量级数据可靠性。
- Datadog: 全面的系统和应用监控。
- Elastic Observability: 基于搜索的可观测。
- New Relic: 您整个堆栈上的性能洞察信息。
试试这些用例和工具，能给你更多灵感哦
- 利用Snowflake实现可观测性：如何优化Snowflake环境以提高数据的信任度和可靠性。
- TruEra LLM 可观测性：专门针对机器学习模型的可观测性。
借助Snowflake强大的内置功能和丰富的生态系统市场应用，你能够迎难而上，直接应对可观测性的挑战。
你好，欢迎！非常高兴你能加入我们。我们分享有关数据、AI、科技趋势和未来的想法。感谢你的加入！
🙏 在离开之前，可以: 如果你觉得这篇帖子有价值，请点个赞并关注一下，以随时获取最新消息 👏
更多详情请参见：DemoHub.dev（现代数据工具）和 DaaiC.dev（数据分析与人工智能大会），YouTube 和 LinkedIn。
随时随地看视频
