数据仓库介绍
数据中台以其较大的价值带宽，可以快速精准的让数据直接赋能企业众多的业务，并为数据提供一个统一化的管理，打破数据孤岛，追溯数据血缘，实现自助化及数据高复用度的效果。数据仓库作为数据中台的重要组成，为了让其更好的服务于数据中台，高效的实现数据价值，特提出数据仓库结构设计模型及开发规范。
数仓建设的核心思想：从设计、开发、部署和使用层面，避免重复建设和指标冗余建设，从而保障数据口径的规范和统一，最终实现数据资产全链路关联、提供标准数据输出以及建立统一的数据公共层。因此数仓建设应主要关注数仓结构模型的设计和开发过程的规范。
第2章 数仓结构设计模型
分层结构模型
2.1.1 ODS（Operation Data Store）数据存储层
整体建设思路：
数据存储层主要是对接数据源，接入数据，做多数据源的整合，落地到hive表，保持数据原貌不做任何修改，起到备份数据和屏蔽底层影响的作用。其次在数据量大的情况下考虑采用压缩，减少磁盘存储空间；以及创建分区表，防止后续的全表扫描；将数据表映射到HBase中，提升查询效率等。
2.1.2 DWD（Data Warehouse Detail）数据明细层
整体建设思路：
数据明细层首先需要通过SQL进行数据清洗、敏感字段脱敏等，其次需根据业务构建维度模型，一般采用星型模型，呈现的状态一般为星座模型。维度建模一般按照以下四个步骤：
(1) 不同项目根据需求选择择业务过程，通常一条业务对应一张事实表
(2) 确定粒度，尽可能采用最小粒度。
(3) 根据确立好的指标体系确定维度，维度表的设计可根据维度建模中的星型模型原则进行维度退化。
(4) 根据业务过程确定事实，事实表的设计可适当进行维度退化，进行宽表化处理。
2.1.3 DWS（Data Warehouse Service）数据服务层
整体建设思路：
数据服务层主要是建设多维明细的轻度汇总宽表，以业务需求为驱动，划分主题，以维度为基准关联事实表。轻度汇总宽表服务于日报类的需求指标及DWT层的分析。
2.1.4 DWT（Data Warehouse Topic）数据主题层
整体建设思路：
数据主题层和数据服务层类似，也是从维度出发，站在维度的角度对事实的度量进行聚合，形成的宽表可用于不同主题的周报，旬报，月报类需求指标。
2.1.5 ADS（Data Warehouse Store）数据结果层
整体建设思路：
数据应用层，用于存放数仓分析结果，对各应用场景进行需求分析、支撑多维分析应用。
