import pandas as pd

Change Data Capture (CDC) pattern

Il problema che il CDC affronta è concreto: un ordine cambia stato nel database transazionale, ma la dashboard operativa continua a mostrare la situazione di dieci minuti prima. Il tema non è copiare dati più spesso, è catturare inserimenti, update e cancellazioni senza perdere significato, sequenza e responsabilità. Il CDC entra nel punto in cui il dato operativo deve diventare evento analitico affidabile.

Il problema da risolvere

Conoscere il CDC in astratto non basta. Il problema è decidere cosa fare quando il team ha dati incompleti, metriche ambigue o vincoli tecnici che rendono fragile la lettura del fenomeno. Conviene leggere il pattern seguendo il percorso del cambiamento: log del database, connettore, topic, deduplicazione, sink analitico. Il valore del CDC non sta nella latenza dichiarata, ma nella capacità di gestire update fuori ordine, delete, replay e schema evolution senza trasformare la pipeline in una fonte di incoerenza.

Come impostare il lavoro

Conviene procedere per passaggi, dove ognuno rende più chiaro il costo di una decisione sbagliata.

Passaggio	Domanda da fare	Output atteso
Decisione	Che cosa cambia se il CDC funziona?	Scelta esplicita
Segnale	Quale dato osservabile riduce l’incertezza?	Metrica o evento
Baseline	Rispetto a cosa interpretiamo il risultato?	Confronto credibile
Vincolo	Che cosa può falsare la lettura?	Assunzione da dichiarare
Azione	Quale passo operativo segue?	Raccomandazione controllabile

In un progetto reale il CDC non vive isolato. È parte di un sistema più ampio fatto di decisioni, dati disponibili, vincoli tecnici, incentivi organizzativi e qualità dell’esecuzione. Il rischio dell’analista alle prime armi è trattarlo come una definizione da memorizzare. Il lavoro professionale è capire quale problema risolve, quali assunzioni contiene e cosa succede quando quelle assunzioni saltano. La prima domanda non è “quale metrica calcolo?” ma quale decisione dovrà essere presa grazie a questa pipeline. Una dashboard o una query hanno valore solo se riducono incertezza decisionale; se non cambiano una scelta, sono documentazione o teatro analitico.

Formalizzare la decisione

Formalizza il pattern come una relazione tra decisione, evidenza e rischio.

Elemento	Definizione operativa	Controllo minimo
Unità di analisi	Oggetto su cui misuri il fenomeno	Utente, account, evento, ordine o periodo
Variabile osservata	Segnale che rappresenta il comportamento	Definizione stabile e tracciabile
Baseline	Stato contro cui confronti il segnale	Periodo, segmento, controllo o benchmark
Soglia decisionale	Punto in cui cambia l’azione	Criterio scritto prima della lettura
Rischio residuo	Errore che può restare dopo l’analisi	Sensitivity check o revisione qualitativa

La formalizzazione non complica la lezione. Rende visibili le assunzioni, così uno stakeholder può discutere il criterio decisionale invece di fidarsi del risultato per autorità. È solida quando un altro analista riproduce la logica, critica le assunzioni e arriva alla stessa decisione partendo dagli stessi dati.

Come funziona CDC

Il CDC legge il transaction log del database (il binlog di MySQL, il WAL di PostgreSQL) e produce un evento per ogni modifica:

INSERT → evento {op: "c", after: {id: 123, name: "Mario", ...}}
UPDATE → evento {op: "u", before: {...}, after: {id: 123, name: "Maria", ...}}
DELETE → evento {op: "d", before: {id: 123, ...}}

Debezium è lo standard de-facto open source per il CDC. Si connette al database come replica, legge il log e scrive i cambiamenti su Kafka.

Architettura tipica

PostgreSQL ──► Debezium ──► Kafka ──► Kafka Connect Sink ──► ClickHouse
                                   ──► Stream processor (ksqlDB/Flink) ──► Alerting

In ClickHouse si usa il motore ReplacingMergeTree con version per gestire gli UPDATE senza deduplicazione istantanea:

CREATE TABLE customers (
    id UInt64,
    name String,
    email String,
    updated_at DateTime,
    _version UInt64
) ENGINE = ReplacingMergeTree(_version)
ORDER BY id;

ReplacingMergeTree mantiene l’ultima versione di ogni riga in base all’ORDER BY. La deduplicazione avviene durante i merge in background, quindi non è istantanea. Per query accurate aggiungi FINAL: SELECT * FROM customers FINAL WHERE id = 123.

Quando serve CDC, e quando no

Il CDC ha senso quando hai un database operativo, per esempio ordini o utenti, e vuoi dati near-real-time nel warehouse senza ETL pesanti. Non serve invece quando i dati sono già eventi nativi come clickstream o log, perché vanno direttamente in Kafka senza passare dal transaction log. Allo stesso modo, quando una latenza di ore è accettabile, il batch ETL resta più semplice e meno costoso.

Come leggere i segnali

Immagina un team che deve usare il CDC per decidere se cambiare una pipeline, una metrica o una dashboard. La domanda non è quale sia la definizione corretta, ma quale scelta diventa meno rischiosa se l’analisi è fatta bene.

Situazione	Lettura prudente	Decisione
Il dato migliora ma la baseline è debole	Il segnale potrebbe dipendere dal campione	Rafforzare il confronto prima di scalare
La metrica cambia in un solo segmento	L’effetto medio nasconde eterogeneità	Separare coorti o casi d’uso
Il costo operativo aumenta	Il beneficio va valutato sul margine	Applicare una soglia economica esplicita
Il sistema produce numeri incoerenti	La fiducia nel dato è parte della decisione	Correggere ownership e controlli

Un caso concreto: il team vuole sostituire un export notturno con il CDC su ordini, pagamenti e rimborsi. Prima di approvare il progetto deve verificare se i sistemi sorgente espongono log affidabili, se gli eventi sono idempotenti e se i consumatori a valle sanno distinguere creazione, aggiornamento e cancellazione.

Caso reale: Netflix e la disciplina delle metriche

Netflix è un esempio utile perché ha costruito molte decisioni di prodotto intorno a segnali comportamentali osservabili: completamento degli episodi, tempo di ricerca prima della riproduzione, abbandono dopo pochi minuti, ritorno nella settimana successiva, efficacia delle raccomandazioni. Il punto non è che ogni azienda debba copiare Netflix, ma che il dato non viene trattato come ornamento, bensì come infrastruttura decisionale.

Quando Netflix valuta una modifica all’esperienza, che sia una nuova riga di raccomandazioni, una diversa immagine di copertina o un algoritmo di ranking, non misura solo il click immediato. Misura anche segnali di qualità: l’utente guarda davvero il contenuto, torna nei giorni successivi, riduce il tempo speso a cercare. Questa disciplina impedisce di ottimizzare vanity metric che sembrano positive nel breve periodo ma erodono valore nel lungo. Lo stesso vale per il CDC, che deve essere collegato a un outcome: se il risultato non aiuta a scegliere tra due azioni alternative, l’analisi è incompleta.

Esempio SQL: una vista di controllo

Il pattern seguente è volutamente generico ma eseguibile nella maggior parte dei warehouse moderni. Serve a creare una base analitica con metrica, segmento e finestra temporale, così da confrontare periodi e gruppi senza riscrivere la logica ogni volta.

WITH base_events AS (
  SELECT
    user_id,
    account_id,
    event_type,
    event_time,
    DATE_TRUNC('week', event_time) AS week,
    source,
    device_type
  FROM events
  WHERE event_time >= CURRENT_DATE - INTERVAL '180 days'
    AND user_id IS NOT NULL
),
weekly_user_metrics AS (
  SELECT
    week,
    user_id,
    COALESCE(source, 'unknown') AS source,
    COALESCE(device_type, 'unknown') AS device_type,
    COUNT(*) AS total_events,
    COUNT(DISTINCT DATE(event_time)) AS active_days,
    COUNT(DISTINCT event_type) AS event_diversity,
    MAX(CASE WHEN event_type IN ('purchase', 'subscribe', 'activation') THEN 1 ELSE 0 END) AS reached_key_outcome
  FROM base_events
  GROUP BY week, user_id, source, device_type
)
SELECT
  week,
  source,
  device_type,
  COUNT(DISTINCT user_id) AS users,
  ROUND(AVG(active_days), 2) AS avg_active_days,
  ROUND(AVG(event_diversity), 2) AS avg_event_diversity,
  ROUND(AVG(reached_key_outcome) * 100, 2) AS key_outcome_rate
FROM weekly_user_metrics
GROUP BY week, source, device_type
ORDER BY week, source, device_type;

Questa query non è la risposta finale. Crea una superficie di osservazione fatta di trend, segmenti, differenze tra canali e variazioni nel tempo, da cui l’analista formula ipotesi più precise.

Esempio Python: stabilità e anomalie

Una metrica utile deve essere abbastanza stabile da orientare decisioni e abbastanza sensibile da segnalare cambiamenti reali. In Python possiamo controllare variazioni anomale settimana su settimana.

# df contiene: week, segment, users, key_outcome_rate
# key_outcome_rate espresso in percentuale, es. 12.4

df = df.sort_values(['segment', 'week']).copy()
df['previous_rate'] = df.groupby('segment')['key_outcome_rate'].shift(1)
df['wow_change_pp'] = df['key_outcome_rate'] - df['previous_rate']
df['rolling_mean'] = df.groupby('segment')['key_outcome_rate'].transform(
    lambda s: s.rolling(4, min_periods=2).mean()
)
df['rolling_std'] = df.groupby('segment')['key_outcome_rate'].transform(
    lambda s: s.rolling(4, min_periods=2).std()
)
df['z_score'] = (df['key_outcome_rate'] - df['rolling_mean']) / df['rolling_std']

anomalies = df[df['z_score'].abs() >= 2].sort_values('z_score')
print(anomalies[['week', 'segment', 'key_outcome_rate', 'wow_change_pp', 'z_score']])

Il valore di questo controllo è pratico: evita di reagire a ogni oscillazione casuale e segnala quando una variazione merita un’indagine. In un contesto aziendale questo tipo di analisi alimenta alert, review settimanali e retrospettive di prodotto.

Errori comuni

Il primo errore è lavorare su dati aggregati troppo presto, perché una media globale può nascondere due segmenti che si muovono in direzioni opposte. Il secondo è non controllare la qualità del dato: eventi duplicati, tracking incompleto, timezone incoerenti e cambi di definizione producono conclusioni false. Il terzo è confondere correlazione e causalità. Se gli utenti che usano una feature convertono di più, non significa che la feature causi la conversione: potrebbero usarla perché erano già più motivati. Per ridurre questi rischi, ogni analisi dovrebbe includere almeno tre controlli: una definizione esplicita della metrica, un confronto per segmento e una verifica contro un periodo precedente o un gruppo di controllo.

Esercizio guidato

Al livello base, scrivi in cinque righe quale decisione concreta il CDC dovrebbe migliorare, indicando metrica, unità di analisi, baseline e rischio principale. Se non riesci a nominare la decisione, il tema è ancora troppo astratto.

Al livello intermedio costruisci una tabella con quattro colonne: segnale osservato, interpretazione prudente, controllo necessario e azione consigliata. Usa almeno un caso in cui il segnale da solo non basta per decidere.

Al livello research-grade prepara un decision memo che includa ipotesi, dati richiesti, criteri di esclusione, controlli di qualità, soglia decisionale, rischio residuo e piano di monitoraggio. Come dataset usa ClickHouse, stream eventi, CDC e log applicativi; se non hai dati reali, crea un dataset sintetico con almeno 200 righe, una dimensione temporale, una dimensione segmento e una metrica di outcome.

Checkpoint

1. Quale decisione concreta dovrebbe migliorare questa lezione?
2. Quale unità di analisi rende il problema misurabile?
3. Quale baseline useresti per evitare una lettura ingenua?
4. Quale assunzione, se falsa, cambierebbe la conclusione?
5. Quale output consegneresti a uno stakeholder non tecnico?

Riepilogo

Il CDC è uno strumento decisionale, non un argomento da manuale. Il valore nasce quando colleghi problema, dati, metrica, segmentazione e azione. Una buona analisi non termina con “il numero è salito” o “il numero è sceso”, ma con una frase operativa: quale decisione prendiamo, con quale livello di confidenza, e quale metrica useremo per sapere se avevamo ragione. La forma corretta resta fatta di decisione, segnale, baseline, rischio e azione; tutto il resto serve solo se rende più affidabile uno di questi passaggi.

Riferimenti:

• Debezium Documentation. (2024). “Debezium Architecture.” debezium.io.
• Zalando. (2021). “From Nightly ETL to Real-Time CDC.” Zalando Engineering Blog.