数据仓库的分层

从数据源的采集到多层清洗加工的过程中，数据仓库的数据逻辑分层一般分为4层。
分层的核心思想就是解耦。
ODS Operation Data Store 原始数据层，也有叫贴源层，该层对采集的原始数据进行原样存储。
DWD Data Warehouse Detail 明细数据层，对ODS进行清洗，解决数据质量问题。
DWS Data Warehouse Service 服务数据层，对DWD进行轻度汇总，生成一系列的中间表，提升公共指标的复用性，减少重复加工，构建出一些宽表，供后续进行业务查询。
APP DWD、DWS数据统计结果存储在APP层，可以直接对外提供查询。

以上摘录自 大数据背景下的数据仓库架构设计及实践研究（贺晓松）

分层的分法在实践中不完全一样，但是大差不差。
比如，还有一种是这样的
最开始一样是ODS层，然后是
STD (Standardization) - 标准化层 清洗和转换层。数据被转换成统一的格式。确保数据的一致性和准确性，消除不同源系统中数据的差异。
OBJ (Object Layer) - 对象层 将数据组织成逻辑上相关的对象或实体。这一层通常包含经过聚合和汇总的数据。
DM (Data Mart) - 数据集市 为业务提供数据。通常包含高度汇总的数据。

有2个层，单独拿出来
DIM (Dimension) - 维度层 存储维度数据，用于数据立方体的构建。在数据立方体中，维度用于切片、切块和汇总数据。比如在维度层存储代码表，公共代码、业务代码等。
ERR (Error Handling) - 错误处理层 用于识别、记录和处理数据质量问题的部分。

数据流向是这样的，数据抽取到ODS层，然后进行清洗转换，然后进入STD层，清洗出来的脏数据进入ERR层。
然后基于STD层，建立主题库在OBJ层。建立专题库在DM层。