业界通用的 五层 数据仓库分层设计：

• 数据引入层 ODS（Operational Data Store）
• 明细数据层 DWD（Data Warehouse Detail）
• 汇总数据层 DWS（Data Warehouse Summary）
• 应用数据层 ADS（Application Data Service）
• 公共维度层 DIM（Dimension）

名字看着有点儿绕，英文单词缩写也不是很好记，我们来简单理解一下。

• ODS 实质就是原始日志。

• DWD 从原始日志中提取明细数据，提取过程就是把一行日志按照规则切分为多个字段，再对这些字段（值）进行过滤、转换等操作，俗称：ETL。

  从一份或多份原始日志可以提取出一张或多张 明细表。

• DWS 数据分析大多数时候是基于宏观统计数据实现的，不需要使用微观明细数据，可以结合产品和业务的分析需求，把明细表聚合成 汇总表。

  聚合可以从 时间 和 维度 两个地方着手：

  • 时间 把每秒的数据按五分钟、小时或者天粒度进行聚合。

  • 维度 把地点的数据按国家、省份、城市或者区域进行聚合。

    从物理角度看，聚合的目的是大幅度减少数据量，聚合的时间粒度越大、维度数目越少，数据量就越小。从逻辑角度看，聚合的目的是公共和复用，是能够尽可能更多地覆盖分析需求，聚合的维度数目越多，数据越通用。选取聚合的维度时，要综合考虑数据量和通用性。

    从一张或多张明细表可以聚合出一张或多张 汇总表。

• ADS 汇总表间接服务于产品和业务需求，讲究的是通用性； 明细表 直接服务于产品和业务需求，讲究的是个性化。一张明细表直接对应着产品和业务的一个或几个相互关联的需求，相对于汇总表，明细表维度数目更少，数据量也更小。

  从一张或多张汇总表可以计算出一张或多张 明细表。

• DIM 相当于数据字典。可以明确给出数仓中有哪些维度，维度名称是什么，维度含义是什么，维度值有哪些等信息，确保分析过程中逻辑认知一致、数据口径统一。

  明细表、汇总表和应用表中的维度数据需要和维度表中的维度数据保持一致。

可以看出，数据仓库的分层本质就是从原始日志 -> 明细表 -> 汇总表 -> 应用表的过程，实际使用时也不必完全拘泥于五层的设计，可以结合业务、数据和系统的具体情况，灵活地添加或删除层次。