有同学问语兴，目前最新设计的数仓是几层都在做什么？

目前语兴对数仓分层采用ods Dwd dwm Dws ads（大宽表 小宽表）可以说5层也可以说6层。

ODS（接入层）

接入层，可拆解为ori 板块和ods板块，都可以叫ods，也可以分开起名，ori主要做json等消息存储，ods则是存放解析json成各类字段后的数据，如从mysql等数据库抽取的数据则字段与数据源保持一致，数据类型整型使用bigint string double/decimal等。

命名：ods_库名_表名_df/ods_topic_df。

DWD（明细层）

明细层，主要做数据清洗（test、异常等数据），转换（将code值转化成name，建议做一张手动code和name映射的维度表方便维护管理），关联（按照相同数据域进行关联组合），同时采用模型5要素（数据域、维度（可不做到dwd 不一定需要维度退化）、度量、颗粒度（买家id 卖家id）、事实）。Di/df需要考量你的数据量级，分区（可按照业务进行二级分区划分），以及数据本身形态（例如日志数据每天不一样的数据情况）。数据域：按照业务流程拆解，如没有业务流程可按照产品分类 业务类型分，例如招聘这个大业务面试（一级域）拆解成 投递、面试评价 面试流程 面试结果、背调、offer 这里有同学会想到为啥这里不退化维度，1同数据域维度重复2刷新维度代价高。

命名：dwd_一级数据域_二级数据域_xx_detail_df/di。

DWM（明细宽表层）

明细宽表层，通过业务流程起始id进行关联其他表，例如应聘表的应聘id关联面试明细、面试结果表，直到关联到最后业务背调，这里我们进行维度退化（就是事实表left join 维度表 把右表维度字段带入到dwm），把维度带入明细宽表中更方便维护，同时也可以给业务方提供明细宽表方便查数，包括后续做Dws ads都可以使用dwm表，数据域保持一致。

命名:dwm_一级域_xx_detail_df/di。

DWS（轻度汇总层）

轻度汇总层，首先统一指标口径先确定指标，其次按照周期（最近30 60 90天），颗粒度完成指标聚合。

目前语兴新的建模办法：dws 按照周期加颗粒度汇总，举例dws 交易域最近30天用户指标，where datediff (t-1，create time)<=30 group by user id就行，去做派生指标。

命名:Dws_一级域_二级域（可去掉）_聚合的颗粒度_xx_target_30d

ADS（应用层）

应用层，可分为应用大宽表和应用小宽表模式支持业务使用

大宽表：根据业务划分主题域（例如员工管理），更多是围绕业务分析视角去分析，大宽表则建议做成标签表，可以是不同维度作为颗粒度的标签表，也可以是用户标签表，再或者主题域与数据域再一致去做标签，举例子员工招聘标签表，以员工维度为主表对dwm、dws进行关联去做标签（dim_emp表 left join 其他dws、dwm表）这里一定要确定颗粒度， 可关联dwm dws形成标签表，所以大家会发现这里我直接用员工id关联员工id因为我dws 只group by一个颗粒度字段保持唯一且好用，同时大宽表可以为很多专项提供服务（例如不同看板）。

最后全部做成标签宽表，下游分析使用时候只需要在取数平台 或者可视化平台拉拽维度和标签就行，也可以用于人群圈选，1举2得。

小宽表：小宽表的意义更多在于单独去做某个专题，例如员工离职动因分析，leader分析等，很多标签都要复用大宽表，基于大宽表再去定制开发，所以大宽表要做的更通用一些。

命名:ads_一级主题域_二级主题域（可去掉）_颗粒度_xx_d。