目前主流的数据仓库分层大多为四层,也有五层的架构，这里介绍基本的四层架构。 分别为数据贴源层(ods)、数据仓库明细层(dw)、多维明细层(dws)和数据集市层(dm)。
下面是架构图：
数据仓库分层设计数据分层的目的是：减少重复计算，避免烟囱式开发，节省计算资源，靠上层次，越对应用友好，也对用户友好，希望大部分（80%以上）的需求，都用DWS，DW的表来支持就行，所以ODS层数据不能被DM层任务引用，需要抽取数据到DW,或者DWS。
DWS汇总层应优先调用DW明细层。在调用可累加类指标计算时，DWS汇总层尽量优先调用已经产出的粗粒度汇总层，以避免大量汇总都直接从海量的明细数据层计算。
DM层优先调用DWS，视情况小部分可以调用DW，禁止直接调用ODS数据，避免出现过度的ODS层引用、不合理的数据复制以及子集合冗余
DM层任务的深度不宜过大（建议不超过10层）。
总的来说,数据分层的目的如下：
- 清晰数据结构：让每个数据层都有自己的作用和职责，在使用和维护的时候能够更方便和理解
- 复杂问题简化：将一个复杂的任务拆解成多个步骤来分步骤完成，每个层只解决特定的问题
- 统一数据口径：通过数据分层，提供统一的数据出口，统一输出口径
- 减少重复开发：规范数据分层，开发通用的中间层，可以极大地减少重复计算的工作
数据贴源层(ods)：用来储存原始数据，同步的脚本和数据的表，要和原始的表有一定的联系，用于方便数据治理，数据溯源等。一般，同步的脚本，和ods的表要体现源数据库表的特征，一般表名和字段名，字段格式，都和原始表保持一致，同步的形式包括增量同步和全量同步。
数据仓库明细层(dw)：这一层存放的是一致的、准确的、干净的数据，即对源系统数据进行了清洗（去除了杂质）后的数据。一层一般来说是按照维度建模抽取的明细数据。通常是星形或雪花结构的数据。
多维明细层(dws)：这一层存放的是DW层的，一些通用的汇总数据。一般是某个主题的某个维度的汇总数据，用于提供后续的业务查询，OLAP分析，数据分发等。一般来说，该层的数据表会相对较少，一张表会涵盖比较多的业务内容，由于其字段较多，因此一般也会称该层的表为宽表。
数据集市层(dm)：该层主要是提供给数据产品和数据分析使用的数据，这层就是根据需求来抽取数据了。
一般来说，数据分层之后，还需要对开发数据的任务，进行规范，比如字段格式，字段名称拼写，主题划分等，不然单纯分层，是不足以建立好一个对开发友好，方便运维，方便取数的数仓的，这个分层就是一个货物仓库里面各个房间的划分，但是里面货物需要怎么放，放在哪个房间那个位置，我想要某个数据应该怎么找，这个就需要一整套数据开发规范，以及对应的数据地图，数据血缘关系系统的支持了。
总的来说，数据层是数仓的骨头支架，但是肌肉，心脏等这些器官，对建立一个好的数仓，也很关键。
需要数据仓库资料可以点击这个领取数据仓库(13)大数据数仓经典最值得阅读书籍推荐
参考资料：
- 数据仓库(01)什么是数据仓库，数仓有什么特点
- 数据仓库(02)数仓、大数据与传统数据库的区别
- 数据仓库(03)数仓建模之星型模型与维度建模
- 数据仓库(04)基于维度建模的数仓KimBall架构
- 数据仓库(05)数仓Kimball与Inmon架构的对比
- 数据仓库(06)数仓分层设计
- 数据仓库(07)数仓规范设计
- 数据仓库(08)数仓事实表和维度表技术
- 数据仓库(09)数仓缓慢变化维度数据的处理
- 数据仓库(10)数仓拉链表开发实例
- 数据仓库(11)什么是大数据治理，数据治理的范围是哪些
- 数据仓库(12)数据治理之数仓数据管理实践心得
- 数据仓库(13)大数据数仓经典最值得阅读书籍推荐
