1. 实时指标概述
大家好，我是你们这门课的主讲。今天咱们聊聊实时指标。说实话，这个概念在业界被炒得很热，但真正搞明白的人不多。我见过不少团队，一上来就上 Flink、上 Kafka，结果做出来的东西既不实时，也不是指标。
所以第一章，咱们先把地基打牢。什么是实时指标？它跟离线指标到底差在哪？哪些场景非用不可？
1.1 什么是实时指标
实时指标，说白了就是「秒级或毫秒级可见的数据度量」。你想想看，传统报表是 T+1 的——今天看昨天的数据。实时指标不一样，数据产生后几秒钟，你就能在仪表盘上看到它。
举个例子。电商大促期间，你打开后台看「当前订单金额」。这个数字每秒钟都在跳动。它背后是一条条订单流，经过采集、计算、聚合，最终呈现在你面前。这就是实时指标。
核心定义：实时指标 = 数据从产生到可见的延迟 ≤ 1 分钟，且计算过程是持续进行的流式处理。
我个人习惯把实时指标分成三类：
- 累计型：比如今日 PV、今日 GMV，从零点开始累加，永不重置。
- 窗口型：比如最近 5 分钟的平均响应时间，窗口滑动，数据滚动。
- 状态型：比如当前在线人数、设备在线状态，反映的是「此时此刻」的快照。
嗯，这里要注意：不是所有指标都适合做成实时的。我见过有人把「月活跃用户」也做成实时指标，每天跑一次全量计算，那叫「准实时」，不叫实时。
1.2 实时指标与离线指标的区别
很多新手会问：实时和离线，不就是计算快慢的区别吗？其实远不止这些。我拿一张表来对比，你一看就明白。
| 对比维度 | 离线指标 | 实时指标 |
|---|---|---|
| 数据延迟 | T+1 或小时级 | 秒级到分钟级 |
| 计算引擎 | Hive、Spark SQL、MR | Flink、Spark Streaming、Kafka Streams |
| 数据源 | 离线数仓（HDFS、Hive 表） | 消息队列（Kafka、Pulsar） |
| 计算模式 | 批处理（Batch） | 流处理（Streaming） |
| 数据精度 | 精确，可回溯重算 | 近似，允许一定误差 |
| 存储介质 | HDFS、ClickHouse（离线导入） | Redis、HBase、Druid、ClickHouse（实时写入） |
| 典型场景 | 日报、月报、财务对账 | 监控大屏、实时风控、秒杀看板 |
你看，从数据源到存储，整个链路都不一样。离线指标可以反复重跑，今天跑错了明天还能修。实时指标呢？数据流过了就过了，想回溯？你得把 Kafka 的 offset 重置，重新消费一遍。
我在项目中遇到过一件事：有个团队把离线 Hive 表的计算逻辑直接搬到 Flink 上，结果发现状态越来越大，最后 OOM 了。为什么？因为离线是「全量扫描」，实时是「增量计算 + 状态维护」，两套思维模式完全不同。
避坑指南：我曾经接手过一个项目，团队用实时引擎去算「全量去重 UV」。每天几亿条数据，状态膨胀到几百 G，Flink 频繁 checkpoint 超时。后来改成 HyperLogLog 近似去重，才把问题解决。实时指标要学会「容忍近似」。
1.3 实时指标的应用场景
聊完了概念和区别，咱们看看实际中哪些场景离不开实时指标。我按行业和用途给你梳理一下。
1.3.1 实时监控与告警
这是最经典的应用。服务器 CPU 飙高了、接口响应变慢了、订单失败率上升了——这些都需要秒级感知。
- 基础设施监控：CPU、内存、磁盘、网络流量
- 业务监控：下单成功率、支付转化率、核心接口 TP99
- 链路追踪：调用链耗时、错误分布
你想想看，如果等到第二天才发现昨晚系统挂了，那损失已经造成了。实时指标在这里扮演的是「哨兵」角色。
1.3.2 实时大屏与看板
双十一的大屏、春运的交通调度屏、工厂的生产看板——这些场景对「实时感」要求极高。
我记得有一次帮客户做双十一大屏，业务方要求数据延迟不超过 3 秒。我们用了 Kafka + Flink + Redis + WebSocket 的链路，前端每秒刷新一次。那段时间压力很大，但上线后看到大屏上的数字跟实际订单量完全吻合，还是挺有成就感的。
1.3.3 实时风控与反欺诈
金融行业是实时指标的刚需用户。一笔交易从发起到完成，风控系统需要在几百毫秒内判断：这笔交易是不是盗刷？用户登录地点是否异常？
- 交易风控：单设备多账号、异地登录、高频交易
- 内容风控：实时过滤违规评论、垃圾消息
- 信贷风控：实时计算用户信用分、授信额度
这些场景对延迟极其敏感。晚了一秒，钱可能就被转走了。
1.3.4 实时推荐与个性化
你在刷短视频的时候，推荐系统会根据你刚刚的点击行为，实时调整推荐内容。这就是实时指标在背后支撑。
- 实时特征计算：用户最近 5 分钟的点击序列、停留时长
- 实时 CTR 预估：根据最新行为更新模型输入
- 实时 AB 实验：秒级查看实验组和对照组的效果差异
1.3.5 实时运营与营销
用户刚注册完，立刻推送新人优惠券；用户加购了但没付款，5 分钟后发一条提醒消息。这些运营动作背后，都是实时指标在驱动。
个人经验：做实时运营指标时，一定要注意「事件时间」和「处理时间」的区别。用户 10:00:00 下单，但消息 10:00:05 才到达 Kafka。如果你用处理时间聚合，就会把本该属于 10:00 这个分钟的数据算到 10:01 去。我建议所有实时指标都基于事件时间，配合 watermark 处理乱序。
1.4 实时指标体系全景图
说了这么多，咱们用一张图把实时指标体系的全貌串起来。这张图也是整门课程的知识骨架。
这张图把实时指标体系分成了四层：数据源层、采集与传输层、实时计算层、存储与查询层。每一层都有对应的技术和工具。咱们这门课会按照这个架构，一层一层往下讲。
嗯，第一章就到这里。内容不多，但都是干货。你先把这些概念吃透，后面讲 Flink、讲 Kafka、讲实时数仓的时候，你才知道它们各自解决什么问题。