「这是我参与11月更文挑战的第8天，活动详情查看：2021最后一次更文挑战」。
结合生产进行总结。
一 数仓分层
1.数据引入层（ODS，Operational Data Store，又称数据基础层）
将原始数据几乎无处理地存放在数据仓库系统中，结构上与源系统基本保持一致，是数据仓库的数据准备区。
1)埋点数据
2)mysql静态同步数据
3)mysql离线同步数据
2.数据公共层（CDM，Common Dimenions Model）
存放明细事实数据、维表数据及公共指标汇总数据。
其中，明细事实数据、维表数据一般根据ODS层数据加工生成。公共指标汇总数据一般根据维表数据和明细事实数据加工生成。
CDM层又细分为维度层（DIM）、明细数据层（DWD）和汇总数据层（DWS），采用维度模型方法作为理论基础， 可以定义维度模型主键与事实模型中外键关系，减少数据冗余，也提高明细数据表的易用性。
在汇总数据层同样可以关联复用统计粒度中的维度，采取更多的宽表化手段构建公共指标数据层，提升公共指标的复用性，减少重复加工。
1)维度层（DIM，Dimension）
以维度作为建模驱动，基于每个维度的业务含义，通过添加维度属性、关联维度等定义计算逻辑，完成属性定义的过程并建立一致的数据分析维表。为了避免在维度模型中冗余关联维度的属性，基于雪花模型构建维度表。
2)明细数据层（DWD，Data Warehouse Detail）
由ODS层数据接入,增量或全量导入,将明细事实表的某些重要属性字段做适当冗余，也即宽表化处理。
3)汇总数据层（DWS，Data Warehouse Summary）
以分析的主题对象作为建模驱动，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表。以宽表化手段物理化模型，构建命名规范、口径一致的统计指标，为上层提供公共指标，建立汇总宽表、明细事实表。
4)数据中间层(MID，Data Middle Conversion)
数据中间层,部分复杂指标计算中间层,一般体现在行转列,多维度中间存储等。
3.数据应用层（ADS，Application Data Store）
存放数据产品个性化的统计指标数据，根据CDM层与ODS层加工生成。
1)BI指标: 基础指标 + 自定义指标 + 漏斗模型 + 月报
2)离线标签: 平台行为 + 点击行为 + 付费 + 基础属性
二 命名规范
1.ods: 平台名/库名 或 事件名/表名
例: 埋点 [xxx]_[xxxx] mysql [xxx]_[xxxx]
2.dim: 维度类型
例: [dim]_[xxxx]
3.dwd: dwd_平台名/库名_事件名/表名_..
例: dwd_[x]_[xxxx]
4.dws: dws_平台名_主题名
例: dws_[x]_[xxxx]
5.ads: ads_平台名_应用名_指标名/模型名 ,平台拆开
例: bi应用 ads_[x]_[bi]_[xxx]_[xxxx]
画像应用 ads_[x]_[portrayal]_[xxx]_[xxxx]
三 分层意义
1.清晰数据结构
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；
2.数据血缘追踪
最终计算好呈现给业务的数据来源有很多，如果有一张来源表出问题了，我们希望能够快速准确地定位到问题，并清楚它的危害范围；
3.减少重复开发
规范数据分层，开发一些通用的中间层数据，能够减少极大的重复计算；
4.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，而且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。屏蔽原始数据的异常，屏蔽业务的影响，不必改一次业务就需要重新接入数据。
