数据怎么分层？从ODS、DW、ADS三大层一一拆解！
目录
一、数据分层是什么
二、为什么要设计数据分层
三、数据分层的好处
1.提高数据质量
2.优化性能
3.易于维护
4.灵活性高
5.支持多维数据分析
6.降低数据冗余
7.历史数据管理
8.提高可扩展性
三、通用的数据分层方法
第一层：数据运营层（ODS）
第二层：数据仓库层（DW）
第三层：数据应用层（ADS）
四、数据分层的原则
1.按照对应用的支持
2.按照能力范围
3.按照数据聚合程度
五、总结
数据又多又乱，用的时候：
- 找不到？
- 算得慢？
- 还容易出错？
别头疼了！数据分层就是解决这些问题的“法宝”。
简单说，它就是：
给数据建个清晰有序的“家”，让每一类数据都有固定的位置和职责。
今天，我就带大家拆解数据分层最核心的三大层：
- 数据运营层(ODS)
- 数据仓库层(DW)
- 数据应用层(ADS)
看看它们是如何分工协作，让你的数据变得又好找又好用！
一、数据分层是什么
简单来说，就是把从现实世界里收集到的有用信息，用更合理的方式整理清楚。这样遇到问题的时候，就能更快地找到解决办法。
你想啊:
要是一堆数据乱糟糟堆着，找的时候就得翻来翻去，用的时候也不顺畅。
不管是处理什么数据，有条理都是最基本的要求。
因为：
数据一旦有了条理，查找的时候不用浪费时间，使用的时候效率也能提高。
这就是数据分层最根本的作用：减少不必要的成本，提升处理效率。
二、为什么要设计数据分层
刚开始接触数据分层的时候，很多人都会有这个疑问。
就像有人会问：
“为什么要做数据仓库”“为什么要做元数据管理” 一样，这些问题本质上都是在问 “做这件事的意义是什么”，接下来咱们就专门说说数据分层。
理想状态下：
咱们肯定希望数据能规规矩矩地流转，从产生到不用的整个过程都清清楚楚，哪部分数据依赖哪部分，层次怎么分，一眼就能看明白。
可现实却是：
数据体系往往不是这样。
很多时候：
数据之间的依赖关系乱得很，层次也分不清楚，甚至还会出现 A 依赖 B、B 又依赖 A 的循环情况，到时候不管是查数据还是改数据，都特别麻烦。
所以：
数据分层其实就是给咱们一套能实际操作的方法，让数据体系能更有条理。
三、数据分层的好处
当然了，数据分层不能解决所有数据问题，但能帮咱们解决不少关键问题，好处还是很明显的。具体来说，有这些好处：
1.提高数据质量
分层处理的时候，每一层都能对数据做清洗和检查。
具体操作是：
通过分层设置多道检查环节，及时拦截错误，避免问题累积，从流程上保障数据质量。
比如：
这一层发现数据有错，马上就能改，不用等问题传到后面的层。
这样就能：
保证数据是准的、前后一致的。
2.优化性能
汇总好的数据，单独放在一层，要查总数的时候，直接去那一层拿就行，不用再从最原始的数据里一点点算，速度自然就快了。
具体操作是：
减少查询时需要处理的数据量和计算步骤，缩短数据查找和计算的路径，从而提升性能。
比如：
在使用 XML 解析算子时，可以通过数据集成平台FineDataLink分层解析数据，并通过其他算子进行拼接。对于 API、WebService、OData 接口中响应数据返回的 XML 格式数据、来自 XML 文件的数据，通过FineDataLink直接解析为行列格式数据，方便后续加工存储。
FineDataLink体验地址→免费FDL激活（复制到浏览器打开）
3.易于维护
每一层数据都有自己要负责的事，处理逻辑也很明确。
具体操作是：
明确各层职责，把复杂的维护工作拆分成针对每一层的简单工作，降低维护难度。
比如：
- DWD 层就是处理明细数据的
- DWS 层就是做综合汇总的
哪一层出了问题，就针对性地去处理这一层，不用把整个数据体系都翻一遍，维护起来就省事多了。
4.灵活性高
如果想改某一层的数据，只要把这一层和上下层的衔接处理好，基本不会影响到其他层。
具体操作是：
各层相对独立，层与层之间通过固定的方式衔接，局部修改不会引发连锁反应，提升了数据体系的适应性。
比如：
要调整 ODS 层的数据格式，只要保证传给 DWD 层的数据是对的，DWD 层及以上的部分就不用跟着改，这样改起来就灵活多了。
5.支持多维数据分析
分层之后，数据的结构更清晰，想从不同角度分析数据就很方便。
比如：
分析一笔销售数据，既可以看不同地区的情况，也可以看不同时间段的情况，还能看不同产品的情况，这些都能在分层的基础上实现。
6.降低数据冗余
合理分层之后，同一批数据不用重复存在好几层里。
具体操作是：
通过规划数据的存储位置，避免重复存储，提高存储空间的使用效率。
比如：
客户的基本信息，在需要的层里直接引用就行，不用每层都存一份，这样就能节省存储空间。
7.历史数据管理
数据分层的时候，会规划好历史数据怎么存、存多久、怎么调出来用。
这样一来：
想分析过去几个月或者几年的数据变化，就能很方便地找到对应的历史数据，不用到处找。
具体操作是：
为历史数据设定明确的管理规则和存储位置，让历史数据的调用和分析有章可循。
8.提高可扩展性
数据量总会越来越大，分层的体系就能跟着慢慢扩展。
具体操作是：
分层形成的模块化结构，让体系可以按需逐步扩展，适应数据量增长的需求。
比如：
数据多了，可以在现有层次基础上加一层专门处理新增数据的，或者调整某一层的结构，不用把整个体系推翻重来，这样扩展起来就容易多了。
三、通用的数据分层方法
为了达到上面说的这些效果，一般我们会把数据分成三层：
- 数据运营层（ODS）
- 数据仓库层（DW）
- 数据应用层（ADS）
这三层各司其职，一步步把数据处理好。
接下来，我就把各层的功能给大家详细拆解一下：
第一层：数据运营层（ODS）
作为数据的入口，直接从各种业务系统里拿过来的。
比如：
- 销售系统里的销售记录
- 客户关系管理系统里的客户信息
都是从这些地方直接获取的。
这一层的数据：
基本能保持业务系统里的数据原样，不过拿过来之前得先做些清洗和检查，确保能用。
里面的表一般分两种：
- 一种存现在正要处理的数据，
- 另一种存已经处理完的历史数据。
而且：
这是整个分层里最细的一层数据，从业务系统拿过来后，简单处理一下就放在这儿。
第二层：数据仓库层（DW）
这一层是核心，又能分成三个小层：
- DWD
- DWM
- DWS
1.数据明细层（DWD）
这一层的数据和 ODS 层差不多细，不过会更注重数据质量，有问题的会在这里处理掉。
而且：
为了用起来方便，会把一些相关的维度信息直接放进事实表里，同一类主题的数据也会汇总到一张表里。
比如：
订单表会把客户的一些基本信息加进去，这样查订单的时候就不用再去关联客户表了。
这样做的好处：
在保留明细数据的基础上，优化数据结构，提升数据可用性，为中间层处理提供清晰的数据源。
2.数据中间层（DWM）
这一层是在 DWD 层数据的基础上做些简单的汇总。
比如说：
用户每天登录多少次，不用每次用的时候都从 DWD 层的明细数据里算，在这里提前算好存起来，后面再用直接拿就行。
这样做的好处：
减少重复计算，提高那些常用指标的复用性。
具体操作是：
对高频使用的指标提前计算并存储，减少重复劳动，提升后续处理的效率。
3.数据服务层（DWS）
这一层也叫宽表或者数据集市，是按业务来分的，比如专门处理流量数据的表、专门处理订单数据的表。
一般来说：
这些表字段多，但数量不多，业务查询的时候、做 OLAP 分析的时候都能用。
所以：
这一层的数据是把 DWM 层的多个中间表拼起来的。
否则：
直接从 DWD 层或者 ODS 层算，计算量太大，而且能分析的角度也少。
具体操作是：
整合中间层数据，形成面向业务的综合数据集，简化业务查询和分析的流程。
注意点：
如果不好区分中间层和服务层，也可以把 DWM 层去掉，数据都放在 DWS 层。
第三层：数据应用层（ADS）
是给数据产品和做数据分析的人用的。
存储位置：
- 一般会存在 ES、PostgreSql、Redis 这些系统里，供线上系统调用；
- 也可能存在 Hive、Druid 这些地方，方便做数据分析和挖掘。
咱们平时看的各种报表数据，基本都在这一层。
最后补充一个：维表层（Dimension）
这一层专门存维度数据，分两种：
- 高基数维度数据：像用户资料表、商品资料表，这些表里的数据量大，可能有几千万甚至上亿条。
- 低基数维度数据：比如配置表，里面存着状态码对应的中文意思，还有日期表，这些表的数据量少，可能就几条、几千条或者几万条。
具体操作是：
单独存储维度数据，与业务数据分离，方便维度信息的统一管理和复用。
四、数据分层的原则
说到这里，可能有小伙伴好奇：
- 数据分层的原则到底是什么？
- 为什么要这么分层？
- 每层之间的界限又该怎么划？
这些问题，估计不少刚开始接触数据分层的同学都会琢磨，对吧？
所以下面，我就从这几个角度，好好聊聊数据分层到底是怎么划分的。
1.按照对应用的支持
越往上的层，数据越好用。
比如：
- ADS 层是完全照着业务应用设计的，一看就懂；
- DWS 层稍微要理解一下；
- DWM 和 DWD 层维度多，很多时候一个需求得用好几张表，经过复杂的计算才能完成。
2.按照能力范围
大部分人都希望 80% 的需求能靠 20% 的表来支持。
说白了：
- 大部分需求，用 DWS 层的表就行；
- DWS 层满足不了的，再用 DWM 和 DWD 层的表；
- 极少数情况，才需要从最原始的日志里找数据。
结合上一点来说，就是 80% 的需求，都要用对业务友好的方式来支持，不能直接把原始数据扔给用的人。
3.按照数据聚合程度
越往上的层，数据汇总得越厉害。
比如：
- ODS 层和 DWD 层的数据都是很细的，基本没做什么汇总；
- DWM 层做了点简单汇总，只留下那些常用的维度；
- DWS 层汇总得更厉害，可能只留下一两个能说明主体情况的维度。
所以从这一点来看，数据分层也是按数据汇总的程度来分的。
五、总结
说到底，数据分层就是要做到：
- 怎么让数据更好用
- 怎么能满足大部分需求
- 怎么合理汇总数据
最后，让整个数据体系更有序、更高效地运转。
通过ODS（原始数据入口）、DW（核心加工区）、ADS（直接应用层），这三大核心层的合理划分与紧密配合，不仅能让你告别数据混乱，更能大大提升数据质量、处理速度和维护效率。
现在就动手实践分层设计，解锁数据的强大潜能吧！