对于数仓的分层，大家最耳熟能详的就是基于 OneData 方法论的三层数仓划分，分别是：数据引入层（ODS，Operational Data Store）、数据公共层（CDM，Common Dimenions Model）和数据应用层（ADS，Application Data Store）。​

当然，涉及到每一层具体该怎么建模，可能大家都有自己的理解。数据建模无疑是重中之重，如果我们把指标比作树上的果实，那么模型就好比是大树的躯干，想让果实结得好，必须让树干变得粗壮。​

我们先来回想下，构建数据中台的初衷是什么：

• 没有可以复用的数据，

• 大家不得不使用原始数据进行清洗、加工和计算指标...

这根源就在于数据模型的无法复用，数据开发都是烟囱式的。所以要解决这个问题，就要搞清楚健壮的数据模型该如何设计。​

常见的数仓分层设计思路

下图是数仓分层的逻辑架构图，大家不妨回忆一下数据模型的分层设计：​

• 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。这一层的主要职责是将基础数据同步、存储。

• 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。

• 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。

• 明细数据层（DWD，Data Warehouse Detail）：以业务过程作为建模驱动，基于每个具体的业务过程特点，构建最细粒度的明细事实表。可将某些重要属性字段做适当冗余，也即宽表化处理。

• 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。

• 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。

DWS 层很重要？

通常，大家都会有这样的疑问：明明可以直接从 DWD 层取数，为什么要多此一举建立 DWS 的汇总逻辑表呢？

我想说的是：如果在业务场景不复杂的情况下，那样做是没有问题的。可一旦面对复杂的业务场景，那这种做法无疑是混乱的根源所在，前面提到的烟囱式开发、计算资源的浪费等等情况，正是这样产生的。​

我们需要的是从数据明细层中做一个初步的汇总，抽象出来一些通用的维度：时间、用户 ID、IP 等，并根据这些维度做一些统计，比如用户每个时间段在不同登录 IP 购买的商品数等。​

这里做一层轻度的汇总会让计算更加的高效，在此基础上如果计算仅 7 天、30 天、90 天的行为的话会快很多。我们希望 80%的业务都能通过我们的 DWS 层计算，而不是 ODS 或者 DWD。​

应该遵循的设计原则

聚集是指针对原始明细粒度的数据进行汇总。DWS 汇总数据层是面向分析对象的主题聚集建模，以零售的场景为例，我们最终的分析目标为：最近一天某个类目（例如，厨具）商品在各省的销售总额、该类目销售额 Top10 的商品名称、各省用户购买力分布。​

因此，我们可以以最终交易成功的商品、类目、买家等角度对最近一天的数据进行汇总。数据聚集的注意事项如下：​

• 聚集是不跨越事实的。聚集是针对原始星形模型进行的汇总。为获取和查询与原始模型一致的结果，聚集的维度和度量必须与原始模型保持一致，因此聚集是不跨越事实的，所以原子指标只能基于一张事实表定义，但是支持原子指标组合为衍生原子指标。

• 聚集会带来查询性能的提升，但聚集也会增加 ETL 维护的难度。当子类目对应的一级类目发生变更时，先前存在的、已经被汇总到聚集表中的数据需要被重新调整。

此外，进行 DWS 层设计时还需遵循数据公用性原则。数据公用性需要考虑汇总的聚集是否可以提供给第三方使用。我们可以思考基于某个维度的聚集是否经常用于数据分析中，如果答案是肯定的，就有必要把明细数据经过汇总沉淀到聚集表中。​

简单的说就是：

• 主题

• 宽表

• 轻度汇总

图解 DWS 层设计流程

以电商零售的场景为例，我们已经基于 ODS 层的订单表、用户表、商品表、优惠券表等，经过 ETL 完成了 DWD 层的建模，一般是采用星型模型。​

这里严格按照：业务过程→声明粒度→确认维度→确认事实 完成建模，过程如下：​

接下来，便是到了 DWS 层设计的环节。按照我们上面的设计思路，通过从维度表去看事实表，便可得出每天的宽表。

这样即可统计各个主题对象的当天行为，服务于 ADS 层的主题宽表以及一些业务的明细数据，也可以以应对一些特殊的需求，例如：购买行为，统计商品复购率等。

通过外键获取相关的度量值，我们整合多个 DWD 的明细事实表度量值来构成新表。

在这里，我们还是要遵循上文提到的设计原则，在设计上尽量体现出公共性、使用简单并且用户很容易理解。

思考：如何设计出完美的 DWS 层？

在我们数据中台实际实施落地的过程中，团队不但要建设公共数据层，形成数据中台，还要承担着新需求的压力。

往往我们要先满足需求（活下去），再研发公共数据层（构建美好未来），在满足业务需求的过程中，再根据需求不断对模型进行迭代和优化，随着时间的推移，越来越多的业务需求可以通过 DWS 层的数据完成。​

这一过程中，完善度是很好的考核标准，主要看 DWS 层汇总的数据能满足多少的查询需求，如果汇总数据无法满足需求，使用数据的人就必须使用明细的数据，甚至是 ODS 层的原始数据。​

DWS/ADS 层的完善度越高，说明数据的上层建设越完善，而从使用者的角度来说，查询快、易取数、用的爽，那才是硬道理。