《构建企业级好数据（Dataphin智能数据建设与治理白皮书）》——二、Dataphin 演进之路：产品大图及核心功能详解——（二）研发：集成、建模、发布、运维（1） https://developer.aliyun.com/article/1229668?groupCode=dataphin
2. 设计即研发，保障数据模型与代码的一致性
1) 规范建模
原本数据模型需要用限定详细的文档记录设计，再依此进行代码研发。经过多轮变更后设计文档与实际代码可能已南辕北辙。Dataphin 通过规范化、模块化的低代码配置，在设计的同时生成代码，有效的保证了模型与代码的一致性，提升数据质量。
在《Dataphin 核心功能：规划》一文中，讲到过数据建设分为四层，分别为主题域模型，概念模型，逻辑模型和分析模型。前两个模型已在规划一文中介绍过，本篇将继续展开逻辑模型和分析模型的讲解。
这两层都是属于 Dataphin 的智能研发模块，也称规范建模或逻辑化研发。除此之外，Dataphin 也支持传统通用的 SQL，MapReduce，Shell，Python 等研发方式，本文将重点解释智能研发模块。
2) 依据使用场景为数据分层
在介绍智能研发的逻辑模型和分析模型之前，先简单说下另一种维度的数据分层。当前，在数据中台领域，通用的做法是根据数据的使用场景和生产方式，将数据分为：
• ODS（Operational Data Source），按照字面理解是操作数据来源，通常的
叫法是贴源数据层。ODS 是从业务应用系统中同步过来的数据，一般不对数据做任何清洗加工、镜像复制，但是会保留多个版本，因为业务应用的数据一直在更新变化，ODS 会保留部分中间过程版本数据。
• CDM（Common Data Model），公共数据模型层，数据的清洗加工，建模都在这一层进行，智能研发也主要在这一层。
• ADS/ADM（Application Data Summary），应用数据层，面向具体业务场
景的数据研发。
Dataphin 中，规划到研发的流程一般是，规划（板块划分->主题域建模->概念建模）->项目创建->ODS（数据上云/数据同步）->CDM（逻辑建模->分析建模）->ADS。
3) 逻辑模型
根据上一节的介绍，现在假设规划->项目创建->ODS 均已完成，接下来就进入了逻辑建模。
《构建企业级好数据（Dataphin智能数据建设与治理白皮书）》——二、Dataphin 演进之路：产品大图及核心功能详解——（二）研发：集成、建模、发布、运维（3） https://developer.aliyun.com/article/1229662?groupCode=dataphin
