从“马蜂窝数据事件”谈软件开发

我是在世界杯期间才知道有个旅游网站叫“马蜂窝”，后来一直也没关注。没想到最近几天，马蜂窝重新回到了大众的视野。只不过，这次亮相好像是从广告的另一面出现的，因为这几篇文章对马蜂窝进行了数据分析，得出了若干结论。

目前来看，马蜂窝对这几篇文章提出了异议，但是似乎还没有给出合理可信的解释。事实的真相如何，或许还要等等才有答案。不过我还是推荐大家阅读这几篇文章，相信大多数人会从中获得不少启发。

说到数据分析，似乎许多人都会一点，无非是算算总数啦，算术平均啦，看看极值啦，好一点的还知道方差、标准差。但是光这样做数据分析，能得出的结论相当有限。怎么办呢？更复杂的数据分析要怎么做？许多人一看到“更复杂”，就想起复杂的数学公式、建模、曲线拟合等等，让人头痛。

其实数据分析也可以不用那么复杂，搞清楚数据之间的关联就可以有不少发现了。比如这几篇文章就提供了非常有趣的视角，比如：

• 所有创造内容的账号中，最活跃的1.5万个账号，他们的行为似乎有共同的节奏，同时活跃，同时沉寂；
• 所有餐饮点评的发布日期分布，周一到周五保持了相对平缓的变化，周六周日则猛跌，大众点评则以周末两天为高峰；
• 所有酒店点评的发布日期分布，周四到周六开始骤降，而携程艺龙则以周末为高峰；
• 所有餐饮点评的发布时间分布，中午12点～13点，下午18点～20点为低谷，这两个时间段对应大众点评为高峰；

看到这些分析的时候，我忽然想起许多年前看过的一部破案电视剧。

犯罪分子为了打劫资金，苦心孤诣提前半年做准备，有人提前“出国打工”，有人男扮女装，时间选择大年三十以鞭炮声为掩护……劫案完全按照预先的设计进行，可谓天衣无缝。警方翻来覆去侦查，始终找不到任何破绽和线索。

最终，案件的突破来自一个小细节：犯罪嫌疑人说自己某年某月某日乘火车回来，所有的行程都能对上，都有证明。然而警方检查当天车站记录的时候，发现当天那次火车晚点了。沿着这条线索，之前那些精心设计、严丝合缝的环节就像多米诺骨牌一样悉数倒下了……

这几天的马蜂窝事件和这部电视剧里剧情，它们说明的都是同样的道理：制造几份漂亮的数据（证据）是很容易的，但是制造内在逻辑统一的数据（证据）是很难的。

那么，上面说的这些事情，和软件开发有什么关系呢？

要知道，我们开发的软件大多是要运行在现实世界里的，是要与现实世界打交道，与现实世界保持一致的。只不过真实世界的内在逻辑——火车晚点了就不能直接坐上当班汽车，饭点才有事件和兴致发餐馆点评——往往不能原样进入软件世界，所以软件系统里只剩下数据作为真实世界的载体，用数据来反映世界。

虽然大家常说“要用数据说话”，但许多时候数据也是会愚弄人甚至骗人的。那么怎样避免被数据愚弄，怎样识破数据的骗局呢？简单的经验是，不能仅仅就数据来看数据，而要看到许多数据之外的东西。

数据之外有什么？最明显的是现实世界的约束

比如汽车上坡当然要比下坡慢，口袋里没有钞票了就买不了东西等等。在生活中，这些东西都很好理解，似乎是“不言自明”的，甚至你没觉察到也摆脱不了这些约束。但是进入到软件的世界里，程序员开发的时候往往就把这些约束忘在脑后了，或者完全依赖于产品经理给出的规则。所以有的游戏里汽车上坡和下坡的速度竟然是一样的，有的账户系统可以可以“逆向”充值给银行卡，储值余额却变成负数……

我刚刚工作的时候，在书上看到的一个例子让我印象深刻。天上的飞机需要知道航向，所以Plane对象有个成员变量是heading。通常我们会用一个整型数值表示它，但是那本书上提到这是不对的！因为航向只能在0度到360度之间，所以你用整型数值时一定需要给setter加上一段逻辑，确保这个值只能设置在0到360之间。否则，难保其它系统读到heading时不会出错。

“只有加上了对应的约束，变量才不再是原始普通的数字，而变成了能承载业务价值的数据。”

许多年过去了，我仍然记得当时的惊讶：原来竟然可以这样！原来竟然应该这样！

后来我自己在开发中一直保持这样的习惯，虽然麻烦，也因此避免了许多故障。再往后看到《领域驱动设计》才明白：在设计软件系统时，领域知识往往是最重要的，而领域知识的一大部分就在于识别领域中的各种约束。这些约束很难由产品经理巨细靡遗地穷举出来，而必须由参与开发的所有人达成共识，在系统里实现它。但是无论如何，这些约束都是必不可少的，没有它们，系统就很可能出现各种稀奇古怪的现象。

我曾经见过奇特的仓储费账单，数额大到让所有人吃了一惊，大家伙查来查去才发现入仓时间竟然在公元229年。如果约束落在系统里，第一时间发现异常并且报出来，就可以省去后面的许多折腾。当时我说“公元229年还是三国时期呢”，所有人都笑了。

其实这个例子一点也不好笑，看看我们常见的系统，身高、年龄、体重、车速、生日等等数据，许多时候就是想当然直接用原生数据类型来表示的，所以取值为负数，甚至几千万上亿也“无可厚非”，当然后果也非常严重。

不只是约束，数据的内在逻辑和关联也是相当重要

在分析马蜂窝的文章里提到，马蜂窝做了些修改，比如清空了某些账号，所以看起来数据正确了。但是稍作一点拓展就会发现，数据完全对不上，比如之前这些账号留下的那些牛头不对马嘴，“身份今天是男明天是女”的点评仍然存在着。如果数据真实，并不会发生性别剧烈变化的情况；如果数据关联可信，也不会出现“删了账号帖子还在”的情况。

不过，这种“按下葫芦浮起瓢”，“顾头不固腚”的现象并不是个例，我就见过许多系统有这种问题，稍微改动某个细节，就会全盘大乱。这还不是最要命的，最要命的是发现异常的时候根本不知道因果链条是怎样的，从哪里萌发，中间经历了哪些环节，下面还会影响什么……

之所以会出现这种问题，不少时候是系统开发过于想当然，过于图省事，假设其它一切都是“按部就班”正常发生的，所以只记录了“最核心”的数据，相关的数据和状态则完全没有保存。于是，系统的状态就只能靠一堆零散孤立的点来承载，点与点之间没有明确关联，不能彼此印证，也无法回溯历史上的各个片段。

这方面最明显的例子就是记账系统。许多人都见过“想当然”的记账系统，每一笔账目发生的时间、金额都要记录下来，但也仅此而已了，绝没有记录所涉及账户的即时余额，涉及的账户里也没有对应的记录。结果某天发现账户出错，只能手工一笔笔地追查，效率极低，而且容易额外引入错误。

出现这种情况当然很糟糕，但也有一定的道理。记账这回事已经有几千年的历史，但“在会计活动中对每一项经济业务，按相等金额在两个或两个以上有关账户相互对应地同时进行登记”的复式簿记法，直到12世纪才在意大利诞生，引入我国更是要等到晚清时期。如今许多做软件开发的人未必学过会计知识，做出的记账系统没有复式簿记的思想，也情有可原。

其实按我的经验，往往越是复杂的系统，越是复杂的功能，越是应该学“复式簿记”，也就是不怕麻烦，清楚记录因果链条，提供详细回溯能力。以前我们曾做过一套计费系统，其实就是把一大堆阶梯价目表做到系统里，上线后经常有客户来吵架，说计费出错了，每次都要劳心劳力来核对。即便系统没有出错，也没有办法第一时间否认系统出错，第一时间证明给用户看。

后来大家痛定思痛，花大力气把计算过程做成了“自解释”的：每一步都有详细的记录，按照哪一份标价表格的第几条规则，具体是怎么计算的……总之，每一笔费用都有详细的计算过程可查，而且各子系统之间需要维持状态关联，保证彼此的数据和状态实时一致，出现问题及时报警。 这样做繁琐是繁琐了点，但上线之后不久就解决了争议，程序员有了更多不被打扰的时间，用户也有了信心。

我们在分析问题时也应当注意数据的关联

我经常说，正确合理的分析，一定有多个独立数据来源可以彼此验证。之所以这么说，是因为看到了太多的分析，给出的原因、理由看似合理，却根本无法得到多重验证，所以其实根本没有找对原因。

比如某个程序异常的原因是“网络瞬断”，那么它用的是什么样的网络？哪一段在当时发生了抖动？共用此网络的其它应用有没有受影响？如果我们再模拟一次网络瞬断，程序的表现是否相同？…… 只有得到这一系列答案，掌握多种数据，我们才能最终下结论说是“网络瞬断”。否则一口咬定“网络瞬断”，往往要么是能力不及，要么是偷懒甩锅。

总而言之，马蜂窝的事情或许还要“让子弹飞一会儿”，但检查自己手头的代码有没有落实约束，有没有实践“复式簿记”的思想，定位问题时多找一些数据彼此验证，却是马上就可以做的事情。