# 客户要“实时”？先问数据晚了会出什么问题

> 先把“实时”换成具体数字，再选能达标的最便宜架构，往往是批处理而非全天候流处理。

原文: https://fdetimes.net/zh/guides/batch-streaming-realtime-data-freshness/

第二次现场会议上，运营负责人说出一句每个前线部署工程师（FDE）都听过的话：“这个看板必须是实时的。”如果点点头，回去就搭一条流处理数据管道，你就揽下了一套必须全天候运行的系统，而真实需求可能只是每小时刷新一次。

把数据新鲜度判断错，是最不显眼的范围界定失误之一。它不会让演示失败，却会让系统更贵、更难运维。等你离开现场，这份复杂度就落到了客户团队头上。

这里要练的不是工具，而是知道该问哪些问题，把“实时”两个字变成一个数字，再选出能满足它的最便宜架构。

## 客户口中的“实时”，混着五种东西

第一种是批处理。AWS 将批处理定义为计算机定期完成大批量、重复性数据任务的方式。批处理几乎不需要人工干预，系统按顺序处理大量数据。

批处理还有成本优势。AWS 指出，批处理作业可以利用闲置计算资源运行，例如最高可打 90% 折扣的 Spot 实例。午夜运行的抽取、转换、加载（ETL）作业就是常见的例子。

微批处理本质上仍是批处理，只是跑得更频繁，每几分钟一次。Data Lakehouse Hub 工程博客认为，这种方式保留了流处理的大部分价值，同时和批处理一样简单。它的局限是做不到一秒以内。

第三种是同步通信，比如一次等待返回结果的 API 调用。按 Guru 的定义，同步通信是实时发生的：各方同时在场，并立即响应。用户针对某个具体操作说“实时”时，通常指的就是这个。

第四种是消息队列。AWS 将队列描述为一种服务之间的异步通信方式，用来把繁重处理从主流程中解耦，并对工作进行缓冲或批量处理。异步意味着响应可能稍后才到，它和同步通信的核心区别在于时机。

最后是流处理：数据流入时持续不断地处理。成本就在“持续”二字上。流处理作业日夜运行，在数据稀少的时段也照样消耗资源。TDWI 指出，批处理两次运行之间闲置的计算资源，在流处理架构里始终处于开启状态。

## 为什么“实时”通常意味着“每小时”

Data Lakehouse Hub 说得很直白：大多数“我们需要实时”的需求，其实是“我们需要每小时更新”或“我们需要每五分钟更新”。客户并没有说谎。对业务人员来说，“实时”往往只是“比我手上这份昨天早上的报表新一点”。

同一来源给出了选择流处理的门槛：只有延迟以秒计、数据过时会造成严重损失时才选它。TDWI 换了个说法：只有当它消除的延迟具有真实业务价值时，流处理的复杂度才说得过去。

**要点:** 别问“能不能做成流式？”，要问“数据晚到会出什么问题？”

这正是 TDWI 建议在选择流处理之前提出的问题。对 FDE 来说，这是这个话题上最有效的需求调研工具，因为它把讨论从技术转向后果，而后果客户比你更清楚。

## 一段示例对话

设想一家消费品分销商想要“一个实时数据平台”。你不去讨论架构，而是把需求拆成几个用例，对每个用例问同一个问题。

**FDE：** 区域经理用的库存看板，如果数字晚一个小时，会怎样？

**区域经理：** 其实没什么影响。大家只在早上和下午早些时候打开它，用来安排车辆。

**FDE：** 那异常订单告警呢？比如某个经销商下了平时十倍的量？

**风控负责人：** 这个得快，但风控团队是人工处理的，10 分钟以内就行。

**FDE：** 司机送货到店、当场收款时的支付状态呢？

**运营组长：** 司机必须马上知道交易成没成功，才能去下一家。

三个回答，三种截然不同的新鲜度要求。把它们写成一张表，第一份范围界定文档就有了：

| 用例 | 晚到会出什么问题 | 可容忍延迟 | 合理选择 |
|---|---|---|---|
| 库存看板 | 几乎没有影响；用户每天看两次 | 1 小时 | 每小时批处理 |
| 异常订单告警 | 高风险订单处理不及时 | 10 分钟 | 5 分钟微批处理 |
| 支付确认 | 司机干等，交易悬而未决 | 几秒 | 同步 API 调用，繁重处理放进队列 |

回头看这张表，三行都不需要完整的流处理管道。即使最紧急的用例，也只需要一次立即返回结果的同步调用；记账、对账和分析都可以经队列稍后处理。

最初那个“实时平台”需求，最终变成三个小系统，每个都便宜得多，也好运维得多。

## 在现场自己动手

先列出每个会用到这份数据的决策，而不是每个数据源。同一张表可能服务三个决策，对应三种不同的延迟容忍度。

接着，针对每个决策，去问真正做决策的人：他们什么时候看数字、多久看一次、数字晚了会出什么问题？把回答换算成具体数字，比如“1 小时”“5 分钟”“2 秒”，并请对方书面确认。

然后按以下顺序选出能满足该数字的最简单方案：批处理、微批处理、队列，最后才是流处理。

Data Lakehouse Hub 建议只在理由充分时才升级，所以要把升级条件明确写下来，例如“如果处理不及时的高风险订单占比超过阈值 X，就改用流处理”。

有了这一条，几个月后双方只需看数字就能决定是否升级，不必把整场争论从头再来一遍。

## 常见错误

最常见的错误是去问采购方，而不是使用者。签合同的人往往想要“实时”，因为听起来现代；每天早上打开看板的人，才知道自己真正需要什么。

第二个错误是让一个紧急用例决定所有部分的架构。一条需要秒级响应的流程，不代表整个平台都得做成流式。把它单独拆出来，其余部分继续用批处理。

第三个错误是忘了交付后的运维成本。持续运行的流处理作业需要有人值班、需要监控，半夜也在消耗资源。如果客户团队从没运维过这类系统，你留给他们的就是一笔债。

## 面试题“客户要实时”怎么答

这是 FDE 面试前很值得练的一道场景题：“客户说看板必须是实时的，第一周你会做什么？”

好的回答遵循上面的顺序：把需求拆成决策，去问真正的使用者“数字晚了会出什么问题？”，为每个用例定下一个延迟数字，选出能达标的最便宜方案，并说明日后升级到流处理的条件。

最后举一个带数字的例子，比如上面那张三个用例的表，这能说明你既懂成本，也懂业务。

会搭流处理管道是项好技能。但面试官往往记住的，是你转身问客户“晚了会出什么问题？”，并带回一个足够清楚、能据此选对架构的数字的那一刻。

**本周动手试试:**

- 挑一个你正在做的看板或报表，问它的主要使用者“这个数字晚一小时会出什么问题？”，把回答记录成一个延迟数字。
- 为当前系统中的三条数据流做一张四列表格（用例、晚到会出什么问题、可容忍延迟、架构）。
- 找一个以流处理方式运行、或运行频率高于实际需要的作业，起草一份改为微批处理的方案，并记录能节省的资源。

## 信源

- [What is Batch Processing? – AWS](https://aws.amazon.com/what-is/batch-processing/)

- [Message Queues – AWS](https://aws.amazon.com/message-queue/)

- [Synchronous vs Asynchronous Communication: What's the Difference?](https://www.getguru.com/reference/synchronous-vs-asynchronous-communication)

- [Batch vs. Streaming: Choose the Right Processing Model](https://datalakehousehub.com/blog/2026-02-de-best-practices-06-batch-vs-streaming)

- [Streaming vs. Batch Processing – TDWI Data 101](https://tdwi.org/blogs/data-101/2026/05/streaming-vs-batch-processing.aspx)
