1 概念

数据仓库，英文名称为Data Warehouse，可简写为DW或DWH。数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它是单个数据存储，出于分析性报告和决策支持目的而创建。 为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制。

数据仓库，并不是数据的最终目的地，而是为数据最终的目的地做好准备。这些准备包括对数据的：清洗，转义，分类，重组，合并，拆分，统计等等。

2 数仓如何分层

一般情况下，将数据模型分为3层：

2.1 源数据层 ODS（Operational Data Store）

存放的是接入的原始数据
经过ETL之后装入本层，大多是按照源头业务系统的分类方式而分类的。为了考虑后续可能追溯数据为题，因此对这一层不建议做过多的数据清洗工作，原封不动接入源数据即可，至于数据的去噪，去重，异常值处理等过程可以放到后面的DW层。

2.2 数据仓库层 DW（Data Warehouse）

重点设计的数据仓库中间层数据，在这里ODS层获得的数据按照主题建立各种数据模型，DW又细分：

2.2.1 数据明细层：DWD（Data Warehouse Detail）

该层一般保持和ODS层一样的数据粒度，并且提供给一定的数据质量保证。同时为了提高数据明细层的易用性，该层会采用一些维度退化手法，将维度退化到事实表中，减少事实表和维度表的关联。另外，在该层也会做一部分的数据聚合，将相同主题的数据汇集到一张表中，提高数据的可用性。

2.2.2 数据中间层：DWM（Data Warehouse Middle）

在DWD层的数据基础上，对数据做轻度的聚合操作，生成一系列的中间表提升公共指标的复用性，减少重复加工，只管来说，就是对通用的核心维度进行聚合操作，算出相应的统计指标

2.2.3 数据服务层：DWS（Data Warehouse Service）

又称为数据集市或者宽表，按照业务划分，例如流量，订单，用户等，生产字段比较多的宽表，用于后续的业务查询，OLAP分析，数据分析等。

2.3 数据应用层 ADS（Application Data Store）

数据应用层， 也有公司或书把这层成为app层、dal层、dm层，叫法繁多。
面向实际的数据需求，以DWD或者DWS层的数据为基础，组成的各种统计报表。
统计结果最终同步到RDS以供BI或应用系统查询使用。

3 为什么要进行数据分层

（1） 把复杂问题简单化 将一个复杂的任务分解成多个步骤来完成，每一层只处理单一的步骤，比较简单和容易理解。 （2） 数据结构清晰 每一个数据分层都有它的作用域，这样我们在使用表的时候能更方便地定位和理解。 便于维护数据的准确性，当数据出现问题之后，可以不用修复所有的数据，只需要从有问题的步骤开始修复 （3）提高数据的复用性 规范数据分层，通过的中间层数据，能够减少极大的重复计算，增加一次计算结果的复用性。 （4） 隔离原始数据 不论是数据的异常还是数据的敏感性，使真实数据与统计数据解耦开。