参考书目《数据中台：让数据用起来》
- ODS：各业务生成的基础数据存表，如log日志数据等
- DW：在ods基础上，分主题整合数据
- TDM：存储标签数据
- ADS：基于上面的数据源整合而成的供业务应用的指标报表等
贴源数据层ODS
贴源数据层ODS（Operational Data Store，又称操作数据层）：对各业务线生成的基础数据的采集汇聚
数据仓库ADS、DWD、DWS、ADS分层详解 - 百度文库
获取方式：ELT （抽取-加载-转换），原始数据存储在文本类型的大字段中（jason串），在通过解析任务将数据解析到结构化的数据表中。
命名规范：ODS_系统简称_业务系统表名，区分增量表和全量表，增量表会在后缀加_delta
生成过程：确定业务系统源记录-配置映射关系，增加日期，分区等标识信息-配置数据同步方式（增量汇总还是全量，是否对全部数据进行条件筛选同步）-整理需要同步的数据-导入数据验证并发布最终采集任务
贴源数据是按照业务流程（日志层面）组织数据，不便于业务理解和分析
统一数仓层DW
在DW层，数据会被按照主题进行建模，即按照不同的业务领域或业务流程进行分类和组织。
统一数仓层DW（Data Warehouse）：又细分为
明细数据层DWD（DataWarehouse Detail）：
汇总数据层DWS （Data Warehouse Summary）：对DWD层数据进行聚合和计算，生成各种汇总指标
建模方式：维度建模，用事实表和维度表组织数据
数据域举例：
假设：以某公司活跃数据为例，建设DW层数据
- 业务板块：如淘宝支付业务，美团外卖业务等等
- 数据域：活跃
- 业务过程：启动APP以及在APP内的一系列活跃行为
- 修饰类型: 行为时间、行为发生的端（APP、小程序、WAP）
- 原子指标：动作+度量如：小说阅读PV数，视频播放时长等
- 派生指标：某时间段内（修饰）使用时长（原子指标）均值（计算方法）
- 维度表：用户属性（男女、城市）......
- 事实表：明细事实记录原子数据（事务事实表：增量更新，不能回溯修改），汇总事实记录聚合数据（周期快照和累计快照表）。如每天的活跃行为记录表就是以天为周期的周期快照事实表
标签数据层TDM
标签数据层TDM（Tag Data Model）：面向对象建模，对跨业务板块、跨数据域的特定对象数据进行整合，通过ID-Mapping把各个业务板块、各个业务过程中的同一对象的数据打通，形成对象的全域标签体系
标签设计信息
- 业务方向：标签类目、标签名、标签加工类型、标签逻辑、值字典、取值类型、示例、更新周期、安全等级
- 技术方向：表名、字段名、负责人、完成时间等
纵表：Key-Value表
| 用户ID | key | value |
| a01 | 性别 | 女 |
| a01 | 年龄 | 18 |
横表：二维表（更常用）
| 用户ID | 性别 | 年龄 |
| a01 | 女 | 18 |
| a02 | 男 | 22 |
应用数据层ADS
应用数据层ADS（Application Data Store），避免在分析过程中频繁联表操作而创建的应用数据层，根据业务使用需要而个性化数据组装出来的表。不仅从各个表中迁移数据，也可能会进行一些数据加工的工作。
服务范围：常见的服务是用于BI分析，系统性能更强的应用数据可以用户个性化推荐，搜索优化等业务，应用数据层加工的结果数据集，要根据不同的使用场景，同步到不同的存储介质，以达到业务对不同吞吐量和响应时间的需要。
