想问一下有没有大佬知道，因为ods层数据变更导致计算出的每日统计不对，这个问题有没有解决方案？正常情

1、增量计算

如果每日统计数据量不大，可以采用增量计算的方式来处理数据变动，而不是每次都重新计算。具体操作可以通过在每次计算时根据变动表进行增量统计。

2、定时全量计算

如果每日统计数据量比较大，增量计算的效率较低，则可以采用定时全量计算的方法。在业务相对比较闲时，设置一个定时任务，对全量数据进行统计。

3、数据重跑

如果变动较大，增量计算的效果还不如全量计算，可以通过“数据重跑”功能重新计算每日统计。具体操作是删除现有的每日统计数据，重新运行任务进行计算。但需要注意，重跑任务对系统资源和业务容灾性等要求较高，需要谨慎操作。

数据量不太大就全量计算。 ADS使用A+B的统计模式，小表实时计算，A表是原任务跑定结果，B表是修正任务跑定结果，在出现退款，异步数据的时候触发。 如果统计口径需要退到支付日期。 那这个数据是一个长期变化的值 特别是订单没有生命周期的情况下，A+B的方式非常复杂， 一种方式就是拉链 做统计的是时候过滤最新状态 一种方式是 直接在dws做全量日汇总的计算 牺牲点计算资源。在不是非常大的数据的情况下这种方式可以试试 ，如果仅仅是按自然日做支付和退款统计 可以直接分开计算 做A-B的方式。此回答整理自钉群“DataWorks交流群(答疑@机器人)”

这个问题是非常常见的，通常可以通过以下几种方式来解决：

1、将每日统计的数据备份：当每日统计的数据变更时，可以通过备份数据的方式来保留历史数据。这样就可以在计算出现问题时，回溯到历史数据进行重算或比对分析。

2、实时处理变更数据：对于实时变更的数据，需要实时对每日统计进行更新，以确保每日统计的准确性。可以使用触发器或者定时任务的方式来实现数据的实时更新。

3、使用时间维度和快照表：引入时间维度和快照表，以记录每个数据的时间变化情况。在进行每日统计时，使用最新的数据和时间维度进行计算，以确保准确性。这种方法需要对数据模型进行相应的调整。

4、使用事实表和维度表：引入事实表和维度表，将每日统计的数据和维度信息进行分离。每次数据变更时，只需要更新相应的事实表数据，而不需要更新维度表，以提高计算效率和准确性。

需要根据具体业务情况和数据特点选择合适的方法，并对数据模型和计算逻辑进行相应的调整。同时，需要对数据变更进行严格的控制和日志记录，以便快速定位和解决问题。