一、什么是数仓分层

数据仓库分层是一种组织和管理数据仓库的结构化方法，它将数据仓库划分为不同的层次或级别，每个层次具有特定的功能和目的。这种分层方法有助于管理数据仓库中的数据流程、数据处理和数据访问，并提供一种清晰的结构来支持数据管理和分析需求。下面详细解释一下数仓分层的几个关键方面：

1. 数据来源与采集： 在数据仓库分层中，首先要考虑的是数据来源和采集。数据可以来自多种不同的来源，包括业务应用系统、外部数据提供商、日志文件、传感器等。数据采集过程涉及到从这些来源中提取数据并将其加载到数据仓库中，以供后续处理和分析使用。

2. 数据存储与管理： 分层架构中的另一个关键方面是数据的存储和管理。这包括选择合适的存储介质、设计适当的数据模型、定义数据结构和约束、实施数据安全措施等。数据存储和管理的目标是确保数据的可靠性、完整性、可用性和安全性。

3. 数据处理与转换： 数据仓库分层中的另一个重要方面是数据的处理和转换。这包括数据清洗、数据整合、数据转换、数据标准化等操作，以确保数据质量和一致性。数据处理和转换的目标是使数据适合用于后续的分析和应用。

4. 数据访问与分析： 最终，数据仓库分层的目标是提供给用户一个便于访问和分析数据的接口。这包括设计和实施适当的查询接口、报表工具、分析工具、可视化工具等，以支持用户对数据的探索、查询、分析和决策。数据访问和分析的目标是使用户能够从数据中提取有价值的信息并做出明智的决策。

        数据仓库分层是一种组织和管理数据仓库的方法，它将数据仓库划分为不同的层次或级别，每个层次具有特定的功能和目的，包括数据来源与采集、数据存储与管理、数据处理与转换以及数据访问与分析。这种分层方法有助于管理数据仓库中的数据流程、数据处理和数据访问，并提供一种清晰的结构来支持数据管理和分析需求。

二、数仓分为哪几层

        数据仓库至少要分三层，分别为ODS、DW、ADS，但是这种分层对于小项目来说还好，但是对于多表多数据的项目来讲无疑是一种挑战，倘若只有这三层，那么我们需要在DW层完成所有的数据操作以及需求计算，这将会产生上千甚至上万行冗余代码，一旦出现问题，将会带来很沉重的工作量。所以为了优化开发，我们可以把DW层进一步划分为：DWD、DWM、DWS层。

三、数仓分层介绍

3.1、ODS层

ODS（Operational Data Store，运营数据存储）是数据仓库体系结构中的一个重要组成部分，通常作为数据仓库架构中的第一个层次或者与原始数据层紧密相关。ODS 层主要用于存储和处理来自业务应用系统的实时、操作性数据，提供给业务用户和决策者进行日常的操作性查询和分析。以下是关于ODS层的详细介绍：

1. 数据来源： ODS 层的数据主要来自于组织内部的业务应用系统，如企业资源计划（ERP）、客户关系管理（CRM）、销售、采购、库存管理系统等。这些系统产生的数据通常是实时、操作性的，包含了组织的日常业务活动的详细信息。

2. 数据存储： ODS 层通常采用关系型数据库（如Oracle、SQL Server、MySQL等）或者 NoSQL 数据库（如MongoDB、Cassandra等）来存储数据。存储数据的结构通常较为灵活，旨在满足业务需求的变化和数据模型的动态调整。

3. 数据处理： 在ODS层，数据通常不经过大规模的清洗和转换，而是以尽可能原始的形式存储。然而，ODS层也可能涉及一些简单的数据清洗、去重和错误校验等处理，以确保数据的质量和准确性。

4. 数据集成： ODS 层通常会集成来自多个业务应用系统的数据，以提供一个全面的、整合的数据视图。这有助于消除数据孤岛，确保业务数据的一致性和完整性。

5. 支持实时查询和分析： 由于ODS层存储的是实时、操作性的数据，因此它通常被用于支持实时查询和分析需求。业务用户和决策者可以直接访问ODS层中的数据，进行即时的操作性查询和分析，以支持日常的业务活动和决策过程。

6. 与其他层的关系： ODS 层通常是数据仓库架构中的第一个层次，与原始数据层紧密相关。它为后续的数据仓库层次提供了一个基础，如数据清洗与转换层、维度建模层等。ODS 层还可以与数据湖（Data Lake）等现代数据架构中的其他组件集成，以实现更广泛的数据管理和分析需求。

3.2、DW层

3.2.1、DWD层

        数据仓库的 DWD（Data Warehouse Detail）层是数据仓库架构中的一个重要组成部分，通常位于维度建模层之后，用于存储已经经过清洗、转换和集成的详细数据。以下是关于 DWD 层的详细介绍：

1. 数据来源： DWD 层的数据来源于数据仓库中的上一层，通常是维度建模层（DM）或者集成层（Integration Layer）。这些数据经过了清洗、转换和整合处理，以满足特定的业务需求和分析目的。

2. 数据存储： DWD 层通常采用关系型数据库（如Oracle、SQL Server、MySQL等）或者大数据存储系统（如Hadoop、Spark等）来存储数据。与ODS层相比，DWD 层的数据存储结构更为规范和固定，通常采用规范化的数据模型来支持复杂的查询和分析。

3. 数据处理： 在DWD层，数据经过了更加深入的清洗、转换和加工处理，以满足业务需求和分析目的。这包括数据清洗、数据整合、数据转换、数据计算、数据标准化等操作，以确保数据的质量、一致性和可用性。

4. 数据集成： DWD 层通常集成了来自多个来源的数据，以提供一个全面、一致的数据视图。这包括不同业务部门、不同数据系统和不同数据源的数据，以支持跨部门和跨系统的分析和决策需求。

5. 支持复杂分析： 由于DWD层存储的是已经经过深入处理和加工的详细数据，因此它通常用于支持复杂的分析需求，如数据挖掘、预测分析、机器学习等。数据科学家和分析师可以利用DWD层中的数据进行深入的数据分析和建模，以发现隐藏在数据背后的模式和关联。

6. 与其他层的关系： DWD 层通常位于数据仓库架构中的核心位置，它与其他层次（如维度建模层、汇总与聚合层、报表与分析层等）密切相关。DWD 层提供了一个可靠、一致的数据源，为后续的分析和报表提供了基础。

3.2.2、DWM层

        在数据仓库架构中，DWM（Data Warehouse Mart）层是数据仓库中的一个关键组成部分，它通常位于维度建模层（DWD）和汇总与聚合层之间。DWM层旨在提供一种介于详细数据层和汇总数据层之间的数据结构，以支持更灵活和高效的数据分析和查询。DWS层产生我们常讲的“小宽表”

1. 数据来源： DWM层的数据通常来源于DWD层或其他详细数据源，这些数据已经经过清洗、转换和整合处理，以满足特定的业务需求和分析目的。

2. 数据存储： DWM层通常采用关系型数据库（如Oracle、SQL Server、MySQL等）或者大数据存储系统（如Hadoop、Spark等）来存储数据。与DWD层相比，DWM层的数据存储结构更加灵活和半规范化，以支持更灵活和高效的数据分析和查询。

3. 数据处理： 在DWM层，数据通常经过进一步的加工、转换和计算处理，以满足更复杂和更具体的分析需求。这包括数据清洗、数据整合、数据转换、数据计算、数据聚合等操作，以支持各种类型的数据分析和查询。

4. 数据集成： DWM层通常集成了来自多个来源的数据，以提供一个全面、一致的数据视图。这包括不同业务部门、不同数据系统和不同数据源的数据，以支持跨部门和跨系统的数据分析和决策需求。

5. 支持灵活查询： 由于DWM层存储的数据具有更灵活和半规范化的结构，因此它通常用于支持更灵活和高效的数据查询和分析。数据分析师和业务用户可以利用DWM层中的数据进行各种类型的数据查询和分析，以发现业务中的关键趋势和模式。

6. 与其他层的关系： DWM层通常位于数据仓库架构中的核心位置，它与其他层次（如DWD层、汇总与聚合层、报表与分析层等）密切相关。DWM层提供了一个灵活、高效的数据源，为数据仓库中的各种分析和报表提供了基础。

3.23、DWS层

        在数据仓库中，DWS（Data Warehouse Store）层通常是指数据仓库的存储层，它是整个数据仓库系统的核心组成部分。DWS 层存储了经过清洗、转换和整合的数据，以支持各种数据分析、报表和决策需求。DWS层产生我们常讲的“大宽表”

1. 数据来源： DWS 层的数据来源于各种数据源，包括原始数据源、业务应用系统、数据湖、数据仓库的其他层等。这些数据经过了清洗、转换和整合处理，以满足特定的业务需求和分析目的。

2. 数据存储： DWS 层通常采用专门的数据存储系统或者数据库管理系统（DBMS）来存储数据，例如关系型数据库（如Oracle、SQL Server、MySQL等）、大数据存储系统（如Hadoop、Spark等）、云数据仓库（如AWS Redshift、Google BigQuery、Azure Synapse Analytics等）等。存储在 DWS 层的数据结构通常是规范化或者半规范化的，以支持复杂的数据分析和查询。

3. 数据处理： 在 DWS 层，数据可能会经过进一步的处理和加工，以满足特定的业务需求和分析目的。这包括数据清洗、数据转换、数据整合、数据计算、数据聚合等操作，以确保数据的质量、一致性和准确性。

4. 数据管理： DWS 层也涉及到数据管理方面的工作，包括数据备份与恢复、数据安全、数据版本管理、数据治理、数据质量管理等。这些工作有助于确保数据仓库系统的稳定性、安全性和可靠性。

5. 数据访问与分析： 存储在 DWS 层的数据可以被数据仓库中的其他层次（如汇总与聚合层、报表与分析层等）访问和分析。DWS 层提供了一个统一的数据存储和管理平台，为数据仓库中的各种数据分析和决策需求提供了支持。

3.3、ADS层

        在数据仓库架构中，ADS（Analytical Data Store）层是用于支持高级数据分析、数据挖掘和机器学习等高级分析任务的一个重要组成部分。ADS 层通常位于数据仓库架构的顶层，它包含了经过进一步加工和转换的数据，以支持更复杂和更深入的数据分析和洞察。

1. 数据来源： ADS 层的数据来源于数据仓库中的其他层次，包括详细数据层（如DWD层、DWM层）、汇总与聚合层等。这些数据经过了进一步的加工、转换和聚合处理，以满足高级分析任务的需求。

2. 数据存储： ADS 层通常采用专门的数据存储系统或者数据库管理系统（DBMS）来存储数据，例如关系型数据库（如Oracle、SQL Server、MySQL等）、大数据存储系统（如Hadoop、Spark等）、云数据仓库（如AWS Redshift、Google BigQuery、Azure Synapse Analytics等）等。存储在 ADS 层的数据通常是高度规范化或者半规范化的，以支持复杂的数据分析和挖掘任务。

3. 数据加工与转换： 在 ADS 层，数据可能会经过更深入和更复杂的加工、转换和计算处理，以满足高级分析任务的需求。这包括数据清洗、数据整合、数据转换、数据计算、数据挖掘、机器学习模型训练等操作，以发现数据中的模式、趋势和关联。

4. 高级分析： ADS 层主要用于支持高级数据分析、数据挖掘、机器学习和预测分析等任务。数据科学家、分析师和业务用户可以利用 ADS 层中的数据进行深入的数据分析和建模，以发现隐藏在数据背后的价值和见解，并支持业务决策和战略规划。

5. 数据可视化与报告： 存储在 ADS 层的数据通常会被用于生成各种类型的数据可视化和报告，以帮助用户直观地理解和解释数据分析的结果。这包括仪表板、报表、图表、图形等，为用户提供一个直观、易于理解的数据展示平台。