一、创建数仓分层
数仓分层是结合对业务场景、实际数据、使用系统的综合分析，对数据模型进行的整体架构设计及层级划分。用于将不同用途的数据，归类划分至不同的分层，便于您更好地组织、管理、维护数据。本文为您介绍如何创建并管理数仓分层。
1.1 背景信息
数据仓库是所有数据的集合，包括日志信息、数据库数据、文本数据、外部数据等都集成在数据仓库中。数仓分层、数据域、业务过程、数据集市、主题域等要素，共同确定了您此次建模的逻辑数仓架构。其中，数据域及业务过程位于公共层，用于公共层数据模型的构建。数据集市及主题域位于应用层，用于面向具体业务应用的模型构建。
数仓分层保障了数据在进入数据仓库之前都经过清洗和过滤，使原始数据不再杂乱无章，优化了查询过程，有效的提高了数据获取、统计和分析的效率。同时，数仓分层实现了各种不同维度数据的关联，使多维分析更加方便，为从多角度、多层次地数据分析和决策制定提供便捷。
1.2 数仓建模怎么建？
我们按照数仓工具箱中的维度建模四步走来建的：
- 选择业务过程：把 javeEE 涉及的业务表全部导入了，这些表包括实体表，维度表，事务型快照事实表，周期性快照事实表、累积型事实表。过来之后，将这些表作为矩阵的一个列。
- 声明粒度：粒度一般有：一行信息代表一次、按天、按周、按月等，参考了其他架构，考虑自己到后期想要分析的指标，合适选择最小的粒度，一行信息代表一次消费。
- 确认维度：采用标准数仓建模的思维，争取事实表周围都是 1 级维度。关系的就是什么时间、什么地点、什么人、具体什么活动、优惠券等主题的维度，同时将跟用户、商品相关的表进行维度退化，尽量把他们降成一级维度。
- 确认事实：这里我们确定的不是事实表，而是事实表的度量值，例如订单的个数、订单的金额、下单次数等
可以累加的字段。
1.3规划数仓分层
数仓分层需要结合业务场景、数据场景、系统场景进行综合考虑设计，您可以根据实际业务需求，规划您数据模型的分层。
数仓分层需要结合业务场景、数据场景、系统场景进行综合考虑设计，您可以根据实际业务需求，规划您数据模型的分层。
根据阿里云数仓分层是可以这样分的：
1.3.1 数据引入层 ODS（Operational Data Store）
ODS层用于接收并处理需要存储至数据仓库系统的原始数据，其数据表的结构与原始数据所在的数据系统中的表结构一致，是数据仓库的数据准备区。ODS层对原始数据的操作具体如下：
将原始的结构化数据增量或全量同步至数据仓库中。
将原始的非结构化数据（例如，日志信息）进行结构化处理，并存储至MaxCompute。
根据实际业务需求，记录原始数据的历史变化或对原始数据进行简单的清洗。
ODS层的数据表，命名必须以ods开头，并且生命周期为366天。
1.3.2 明细数据层 DWD（Data Warehouse Detail）
DWD层通过企业的业务活动事件构建数据模型。基于具体业务事件的特点，构建最细粒度的明细数据表。您可以结合企业的数据使用特点，将明细数据表的某些重要维度属性字段适当冗余，即宽表化处理。同时，也可以减少明细数据表及维度表的关联，提高明细表的易用性。
1.3.3 汇总数据层 DWS（Data Warehouse Summary）
DWS层通过分析的主题对象构建数据模型。基于上层的应用和产品的指标需求，构建公共粒度的汇总指标事实表。
例如，从ODS层中对用户的行为做一个初步的归类汇总，抽象出来一些通用的维度，假设维度为时间、IP、ID，并根据这些维度统计出相关数据，比如用户每个时间段在不同登录IP购买的商品数。则在DWS层可以进一步添加一层轻度的汇总，可以让计算更加的高效。例如在此基础上计算仅7天、30天、90天的行为会节省很多时间。2
1.3.4 应用数据层 ADS（Application Data Service）
ADS层用于存放数据产品个性化的统计指标数据，输出各种报表。例如，某电商企业，在6月9日至6月19日，杭州地域出售的各大球类商品的数量及排行情况。
1.3.5 公共维度层 DIM（Dimension）
DIM层使用维度构建数据模型。可基于实际业务，存放逻辑模型的维度表；或存放概念模型的维度定义，通过定义维度，确定维度主键，添加维度属性，关联不同维度等操作，构建整个企业的一致性数据分析维表，帮助您降低数据计算口径和算法不统一的风险。