数据分层
一、数据分层的意义
1、清晰明确分层职能边界：每层都有对应的职能和边界，数据应用时方便理解和定位。
2、减少重复开发：合理的数据分层，能够避免数据应用（表）重复开发、运算、存储等。
3、统一数据出口：通过分层明确数据统一服务（输出），避免数据出现二议问题。
4、复杂问题简单化：将复杂的任务分解成多个步骤来完成，每一层解决特定的问题。
5、屏蔽业务变动的影响，不必改一次业务就需要大量变更数据结构；
6、数据质量提升：数据治理屏蔽原始数据的异常，提升数据服务质量。
二、业界分层参考
1、阿里
数据接入层：用于存储每天的增量数据和变更数据，和ODS层表一致。
操作数据层（Operational Data Store），存储所有的基础数据，做简单的数据清洗。
维度层（DIM），存储门店，商品等维度信息。
数据明细层（Data Warehouse Detail），采用维度退化的方式，将维度退化到事实表中。
数据汇总层（Data Warehouse Summary）,采用更多宽表化手段，构建公共指标数据层。
数据应用层（Application Data Store），存放数据产品个性化的统计指标数据，面向前段展示，如帆软。
2、华为云
3、其他参考
三、最佳实践
1、分层示例
2、根据自己公司的实际情况，定出了 Inmon与Kimball 结合的分层架构设计方案。
最初设计：
最终设计：
3、后续迭代
（1）目前存在通过BCP导出数据到OBS中进行数据初始化的场景。
（2）将元数据，代码数据及代码数据映射表放到公共层。
（3）报告层在MRS中schema为dwr，保存全量数据；在DWS中schema为dwrr，保存近6个月数据。
（4）数据集成虚拟层全部纳入到贴源层。
（5）集市层重新设计，将汇总层纳入到集市层中，作为汇总表；同时拆分出指标区和应用区，分别存放指标体系和应用数据；后续专题分析，可在集市层中单独增加数据集市;
（6）汇总表schema为dms；指标区schema为dmi；应用区schema为dma_【具体业务场景】
（7）增加对xxx应用进行接口服务的场景。
4、分层使用场景
5、案例分析
