数仓任务延迟了，你怎么排查？数据新鲜度 SLA 怎么定？

一句话：新鲜度是「这张表的这个分区，必须在几点前对下游可读」；任务延迟先沿依赖链找卡住的那一层，再决定告警、降级还是补数，而不是先重跑一遍碰运气。

先把契约钉死。 面试里「数据晚了」没有统一含义。要先问：晚的是 ODS 落库、DWD 明细，还是 ADS 看板？业务要的是「T+1 早上 9 点能看昨天」，还是「T+0 每小时刷新」。把这句话写成 SLA：
- 对象：哪张表、哪个分区（通常是 dt=昨天）
- 就绪时刻：例如每天 08:30 前该分区对只读账号可见
- 允许延迟：08:30–09:00 黄灯，09:00 后红灯并升级
- 衡量字段：分区 _ready 标记、或 max(event_time) / max(load_time) 水位，禁止只看「调度显示成功」

调度成功 ≠ 数据新鲜。作业空跑、写出 0 行、分区目录在但 _SUCCESS 没有，对下游都是没就绪。

排查按依赖链，不要先翻自己的 SQL。 从业务看板往上游走，每一层只问三件事：该分区到了没有、到的水位够不够、作业有没有失败重试耗尽。
1. 调度没起：定时器、日历、上游 sensor 一直等；Airflow/DolphinScheduler 里看 next_run、依赖是否 all_success。
2. 上游没到：Kafka 积压、业务库抽数锁表、ODS 分区空。自己任务再快也造不出数。
3. 自己算慢：数据膨胀、倾斜、小文件、Shuffle 打满。看 Stage 耗时，对一下昨天同时段。
4. 写出失败：权限、磁盘、并发写冲突；任务标红但部分文件已落，重跑必须覆盖分区。
5. 下游误判：表已就绪，看板缓存、权限、取错分区（取到 dt=今天 的空分区）。

口述级水位检查（离线日分区）：

-- 业务承诺：dt=昨天 的 dws 必须在 08:30 前可读
-- 水位用业务事件时间，不要用入库 wall clock 冒充新鲜
SELECT
  dt,
  COUNT(*) AS rows,
  MAX(event_time) AS event_watermark,
  MAX(load_time)  AS load_watermark
FROM dws_order_daily
WHERE dt = DATE_SUB(CURRENT_DATE(), 1)
GROUP BY 1;
-- rows=0 或 event_watermark 远小于昨天 23:59 → 未就绪，即使作业显示 success

延迟了怎么对外。 先分级：核心收入/监管表走电话+事故单；普通分析表看板标「延迟中」并给出预计时间。能降级就降级：小时表暂时用昨天闭环，实时看板回落到 T+1。禁止在不完整分区上对外报 GMV。补数窗口写进 SLA：09:00 前自动重跑两次，超过则人工介入并冻结当日对比。

根治。 依赖只接「分区就绪」而不是「上游任务绿了」；热点表做分区就绪标志或数据质量门禁。容量按峰值留余量，不要把 SLA 订在历史最快完成时间上。跨团队的表，SLA 写进接口契约：提供方保证就绪时刻，消费方禁止在那之前启动。

收尾：面试官听三句话——契约（何时何表何分区）、排查（沿依赖链五层）、处置（告警/降级/补数）。能把「任务绿了」和「数据新鲜」拆开，这题就过了。