一、分层逻辑

数据仓库、数据湖的业务目的就在于集中数据、标准化、形成数据产品、面向业务场景开放数据。通俗地讲就是把各个分散的、不易读的、杂乱的、封闭的业务系统数据，归集收编、分门别类、整齐划一、规范管理，让业务便捷获取、使用，最大可能大挖掘和发挥数据价值。和餐厅点菜上菜类似，生活中类似场景也非常多。其中就涉及比较多的、相互关联的细分步骤。

二、分层目的

本质上是封装与解耦。封装下层，让上层感知不到变化和影响；解耦，降低上层对下层的依赖，有个中间商来做润滑剂。

• 复杂问题简化：将一个复杂的任务拆解为多个步骤，每个步骤只解决特定的问题
• 减少重复开发：规范数据分层，提炼抽象公共环节，增加数据复用性
• 构建数据资产：统一标准的数据结构，根据业务属性划分业务领域、子领域，无差别呈现给业务

三、分层适用

数据仓库的概念虽然历史久远，但它的作用或者理念与数据湖形成映射，甚至二者结合形成湖仓一体，都还在发挥着重要作用。数据湖在数据的来源范围、数据类型、数据数量、实时性、技术手段、数据质量、数据标准、使用人群、数据用途等方面有所扩展和增强，但在数据的全生命周期的各个阶段中，个人理解没有什么本质区别。非要说个先后、强弱或者渐进的关系，数据湖以及湖仓一体，是在大数据、物联网、人工智能时代对数据仓库的进一步迭代，外加数据治理领域的配套措施。

我不纠结它是单纯的数据仓库、数据湖还是湖仓一体还是什么，市面上的解决方案、服务、产品等要么肢解各个解耦层形成独立的产品，要么综合尽量多的功能，形成在业务看来大而全的一套方案。从实际操作上、产品呈现上，不同层面的功能时而独立销售/使用、时而集成汇聚。关键是看业务需要什么，通过怎么样的产品和产品组合来达成业务目的、方便管理和演进，细分下去就是功能区域的划分和协作，这就回到了核心的数据仓库分层模型上。

四、分层划分

这个分层目前没有找到国家标准、行业标准之类的权威参考，数据管理领域权威DMBOK、国家标准DCMM也没有把这些术语拿来讲解。这两者更多讲的是理论/业务完整性，而下面要讲的分层更多的在于具体技术实现。当前的分层，中英文初看比较杂论，不同厂家也有不同的叫法。

从上表看出，大体分层固定，不同厂家或者方案都有不同的叫法，但是表达的分层意思几乎一样，具体分层所承载的数据功能也大同小异。命名格式上，有xx数据层，也有数据xx层，还有xx层。只要保持分层清晰，逻辑表达连贯完整，我想就无所谓用哪个名字。

五、分层组合

DM数据仓库层，包含DWD、DWB和DWS。至于DIM严格来说不算是一个层次，而是DWD及其之上层次的一个共享部分。而上述的分层不一定非要全部构建，而是根据组织、业务的实际需求及其变化频率、大小，实现难度、投入产出比来综合选定。个人的实践总结是适量前瞻性设计、能有多简单就多简单，并且设计的分层还会根据业务和环节变化不停迭代。另外，从DWD开始往上的每一层都可以直接提供给上层业务使用，而从业务系统中ETL之后的数据一定是先存放在ODS之中，尽量杜绝其他分层重复地直接从业务系统抽取数据，减少数据同步对业务系统的影响，达到一次抽取，多次利用。

六、参考资料

• 数仓分层
• 基本概念_数据湖治理中心 DGC_产品介绍_华为云
• 数仓到底要分多少层？ - 未来数据官
• 大数据环境下该如何优雅地设计数据分层
• 详解数仓中的数据分层：ODS、DWD、DWM、DWS、ADS - 掘金
• 《大数据分析：数据仓库项目实战》