一、数据仓库概念
数据仓库(Data Warehouse)，可简写为DW或DWH。数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它是单个数据存储，出于分析性报告和决策支持目的而创建。 为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制。
二、数仓分层的意义
1、问题简单化，将一个复杂的问题分割成多步简单问题的集合，按步骤解决问题；
2、数据结构清晰化，将数据分层后，每一层数据都会有作用域，方便我们对数据进行定位，当数据出现问题时，不用从头对数据进行修复，我可以根据数据表的特性找到具体的数据层，然后对数据进行修复；
3、数据复用化，每一次进行数据计算，大可不用从原始数据重新跑一遍，可以找所需数据的数据层，然后从那一层进行计算，提高数据的复用性；
4、考虑到数据异常和数据的敏感性，我们都应该将原始数据和统计数据分开。
三、数仓分层架构图
1、ods层：原始数据层，存放原始数据，直接加载原始日志、数据，数据保持原貌不做处理。一般情况下，以增量的方式从业务系统导入到ods层，数据模型和粒度都与业务系统保持一致。ods层是数仓的数据准备层，为dwd层提供数据，可以减少对业务系统的影响；
2、dwd层：数据明细层，结构和粒度与ods层保持一致，对ods层数据进行清洗(去除空值，脏数据，超过极限范围的数据)，也有公司叫dwi。一般情况下，会根据ods增量数据和前一天DWD相关表进行merge生成全量数据，为DW层提供来源明细数据；
3、dw层：数据事实层，会采用维度建模，星型架构,这一层可细分为dwb与dws。会从dwd层进行轻度清洗，转化，汇总生成dw层数据，如字符合并，email,证件号，日期，手机号转换合并；按各个维度进行聚合汇总；
4、dm层：数据服务层，以dw或dwd为基础，进行轻度汇总。一般聚集到以用户当日，设备当日，商家当日，商品当日等等的粒度。在这层通常会有以某一个维度为线索，组成跨主题的宽表，比如 一个用户的当日的签到数、收藏数、评论数、抽奖数、订阅数、点赞数、浏览商品数、添加购物车数、下单数、支付数、退款数、点击广告数组成的多列表。
5、st层：数据来自dw层，采用维度建模，星型架构，主要用于前端报表展示，主题分析，kpi报表。一般从dw层进行粗粒度聚合汇总，如按年、月、季、天对一些维度进行聚合生成业务需求的事实数据。
因为是新手，如果有错的或者模糊的地方，还请谅解！谢谢！！
