數據倉庫更多代表的是一種對數據的管理和使用的方式，它是一整套包括了數據建模、ETL（數據抽取、轉換、加載）以及作用調度等在內的完整的理論體系流程。
數據倉庫在構建過程中通常都需要進行分層處理。業務不同，分層的技術處理手段也不同。分層的主要原因是在管理數據的時候，能對數據有一個更加清晰的掌控。詳細來講，主要有如下幾個原因。
-
-
將復雜的問題簡單化 將一個復雜的任務分解成多個步驟來完成，每一層只處理單一的問題，比較簡單和容易理解。而且便於維護數據的准確性，當數據出現問題之后，可以不用修復所有的數據，只需要從有問題的地方開始修復。
-
減少重復開發 規范數據分層，開發一些通用的中間層數據，能夠減少極大的重復計算。
-
屏蔽原始數據的異常 屏蔽業務的影響，不必改一次業務就需要重新接入數據。
-
數據血緣的追蹤 最終給業務呈現的是一個能直接使用業務表，但是它的來源很多，如果有一張來源表出問題了，借助血緣最終能夠快速准確地定位到問題，並清楚它的危害范圍。
數倉的常見分層一般為三層，即數據操作層、數據倉庫層和應用數據層（數據集市層）。當然根據研發人員經驗或者業務，可以分為更多不同的層，只要能達到流程清晰、方便查數即可。
下面，通過一張圖來展示數據倉庫的分層情況，如圖所示。
ODS（Operation Data Store 數據准備區）
數據倉庫源頭系統的數據表通常會原封不動的存儲一份，這稱為ODS層，也稱為准備區。它們是后續數據倉庫層加工數據的來源。ODS層數據的主要來源是業務數據庫、埋點日志、其他數據源。
-
業務數據庫：可使用DataX、Sqoop等工具來抽取，每天定時抽取一次；在實時應用中，可用Canal監聽MySQL的 Binlog，實時接入變更的數據。
-
埋點日志：線上系統會打入各種日志，這些日志一般以文件的形式保存，可以用 Flume 定時抽取。
-
其他數據源：從第三方購買的數據、或是網絡爬蟲抓取的數據。
DW（Data Warehouse 數據倉庫層）
該層包含DWD、DWS、DIM層，由ODS層數據加工而成，主要是完成數據加工與整合，建立一致性的維度，構建可復用的面向分析和統計的明細事實表，以及匯總公共粒度的指標。
-
DWD（Data Warehouse Detail 細節數據層），是業務層與數據倉庫的隔離層。以業務過程作為建模驅動，基於每個具體的業務過程特點，構建細粒度的明細層事實表。可以結合企業的數據使用特點，將明細事實表的某些重要維度屬性字段做適當冗余，也即寬表化處理。
-
DWS（Data Warehouse Service 服務數據層），基於DWD的基礎數據，整合匯總成分析某一個主題域的服務數據。以分析的主題為建模驅動，基於上層的應用和產品的指標需求，構建公共粒度的匯總指標事實表。
-
DIM（公共維度層 ），基於維度建模理念思想，建立一致性維度。
-
TMP層 ：臨時層，存放計算過程中臨時產生的數據。
ADS（Application Data Store 應用數據層）
該層是基於DW層的數據，整合匯總成主題域的服務數據，用於提供后續的業務查詢等。
數據倉庫層次的划分不是固定不變的，可以根據實際需求進行適當裁剪或者是添加。如果業務相對簡單和獨立，可以將DWD、DWS進行合並。 下面，以第三方支付企業支付寶數據倉庫體系結構為例進行展示，如下圖所示。
