数据仓库各数据层含义及分配原则（简要）

数据仓库通常采用分层架构设计，不同层次承担不同职能，以下是典型的数据仓库分层及其分配原则：

1. ODS层（Operation Data Store，操作数据层）

含义：原始数据层，与源系统保持一致的原始数据
分配原则：

• 直接接入源系统数据，不做或做极少加工

• 保留历史数据，按时间分区存储

• 数据粒度与源系统完全一致

• 建议保留数据抽取日期标记

2. DWD层（Data Warehouse Detail，明细数据层）

含义：面向主题的明细数据，数据仓库的核心层
分配原则：

• 对ODS数据进行清洗转换（去重、空值处理、脏数据处理等）

• 进行维度退化（将相关维度信息冗余到事实表中）

• 保持原子粒度，不做聚合

• 建立一致性维度（如日期、地区等公共维度）

3. DWS层（Data Warehouse Summary，汇总数据层）

含义：面向主题的轻度汇总数据
分配原则：

• 基于DWD层数据进行轻度汇总

• 按业务主题组织数据（如用户主题、商品主题等）

• 保留较细粒度，通常按天汇总

• 建立宽表，减少后续查询的关联操作

4. ADS层（Application Data Store，应用数据层）

含义：面向应用的高度汇总数据
分配原则：

• 面向具体应用场景的高度聚合数据

• 包含指标计算、业务逻辑实现

• 可直接用于报表、分析等应用

• 通常包含KPI指标、业务报表等

5. DIM层（Dimension，维度表层）

含义：一致性维度表
分配原则：

• 存储所有业务过程共享的维度信息

• 维护缓慢变化维(SCD)的处理策略

• 确保维度一致性（同一维度在不同事实表中的含义一致）

• 包含日期、地区、产品等公共维度

分层设计建议

1. 数据流向：ODS → DWD → DWS → ADS（单向流动）

2. 处理原则：下层为上层服务，上层不跨层引用

3. 复用原则：公共计算下沉，避免重复计算

4. 粒度控制：从下到上，粒度逐渐变粗

5. 历史数据：ODS和DWD层应保留详细历史，上层可适当聚合

通过这种分层设计，可以实现数据仓库的清晰架构、高效处理和易于维护。