数据层次的划分
ODS：Operational Data Store，操作数据层，在结构上其与源系统的增量或者全量数据基本保持一致。
它相当于一个数据准备区，同时又承担着基础数据的记录以及历史变化。
其主要作用是把基础数据引入到MaxCompute。

CDM：Common Data Model，公共维度模型层，又细分为DWD和DWS。
它的主要作用是完成数据加工与整合、建立一致性的维度、构建可复用的面向分析和统计的明细事实表以及汇总公共粒度的指标。

DWD：Data Warehouse Detail，明细数据层。

DWS：Data Warehouse Summary，汇总数据层。

ADS：Application Data Service，应用数据层。
具体仓库的分层情况需要结合业务场景、数据场景、系统场景进行综合考虑。

数据分类架构


该数据分类架构在ODS层分为三部分：数据准备区、离线数据和准实时数据区。在进入到CDM层后，由以下几部分组成：

公共维度层：

基于维度建模理念思想，建立整个企业的一致性维度。

明细粒度事实层：

以业务过程为建模驱动，基于每个具体业务过程的特点，构建最细粒度的明细层事实表。

您可以结合企业的数据使用特点，将明细事实表的某些重要维度属性字段做适当的冗余，即宽表化处理。

公共汇总粒度事实层：

以分析的主题对象为建模驱动，基于上层的应用和产品的指标需求，构建公共粒度的汇总指标事实表，以宽表化手段来物理化模型。

数据处理流程架构



数据划分及命名空间约定
请根据业务划分数据并约定命名，建议针对业务名称结合数据层次约定相关命名的英文缩写，这样可以给后续数据开发过程中，对项目空间、表、字段等命名做为重要参照。

按业务划分：

命名时按主要的业务划分，以指导物理模型的划分原则、命名原则及使用的ODS project。

例如，按业务定义英文缩写，阿里的“淘宝”英文缩写可以定义为“tb”。

按数据域划分：

命名时按照CDM层的数据进行数据域划分，以便有效地对数据进行管理，以及指导数据表的命名。

例如，“交易”数据的英文缩写可定义为“trd”。

按业务过程划分：

当一个数据域由多个业务过程组成时，命名时可以按业务流程划分。

业务过程是从数据分析角度看客观存在的或者抽象的业务行为动作。

例如，交易数据域中的“退款”这个业务过程的英文缩写可约定命名为“rfd_ent”。

数据模型
模型是对现实事物的反映和抽象，能帮助我们更好地了解客观世界。数据模型定义了数据之间关系和结构，使得我们可以有规律地获取想要的数据。例如，在一个超市里，商品的布局都有特定的规范，商品摆放的位置是按照消费者的购买习惯以及人流走向进行摆放的。

数据模型的作用

数据模型是在业务需求分析之后，数据仓库工作开始时的第一步。良好的数据模型可以帮助我们更好地存储数据，更有效率地获取数据，保证数据间的一致性。

模型设计的基本原则

☆ 高内聚和低耦合：一个逻辑和物理模型由哪些记录和字段组成，应该遵循最基本的软件设计方法论中的高内聚和低耦合原则。主要从数据业务特性和访问特性两个角度来考虑：将业务相近或者相关的数据、粒度相同数据设计为一个逻辑或者物理模型；将高概率同时访问的数据放一起，将低概率同时访问的数据分开存储。

☆ 核心模型与扩展模型分离：建立核心模型与扩展模型体系，核心模型包括的字段支持常用核心的业务，扩展模型包括的字段支持个性化或是少量应用的需要。在必须让核心模型与扩展模型做关联时，不能让扩展字段过度侵入核心模型，以免破坏了核心模型的架构简洁性与可维护性。

☆ 公共处理逻辑下沉及单一：底层公用的处理逻辑应该在数据调度依赖的底层进行封装与实现，不要让公用的处理逻辑暴露给应用层实现，不要让公共逻辑在多处同时存在。

☆ 成本与性能平衡：适当的数据冗余可换取查询和刷新性能，不宜过度冗余与数据复制。

☆ 数据可回滚：处理逻辑不变，在不同时间多次运行数据的结果需确定不变。

☆ 一致性：相同的字段在不同表中的字段名必须相同。

☆ 命名清晰可理解：表命名规范需清晰、一致，表命名需易于下游的理解和使用。

补充说明：

一个模型无法满足所有的需求。

需合理选择数据模型的建模方式。

通常，设计顺序依次为：概念模型->逻辑模型->物理模型。

内容来源于网络，如侵删。

扫码下载《数据治理行业实践白皮书》，下载地址：https://fs80.cn/4w2atu

想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=bbs

同时，欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」，交流最新开源技术信息，群号码：30537511，项目地址：https://github.com/DTStack