數據倉庫分層類型	架構發明者	建模方式[5]	著作	數據倉庫特點	架構圖
Kimball	Ralph Kimbal	維度建模	The Data Warehouse Toolkit	自底向上
Inmon	Bill Inmon	3NF范式建模	Building the Data Warehouse	自頂向下

這里Kimball中的星形結構可以舉例如下[10]：

所以星型結構中的每一個角都是不同的維度表，

他們的連接常常是通過join操作進行起來的。

層次	細分層次	實際舉例
ODS	-	web采集到的電商平臺消費數據存入kafka
DW	DWD（Data Warehouse Detail）	在DWD層會根據維度模型，設計事實表和維度表[2]
	DWM（Data WareHouse Middle）	在實際計算中，如果直接從DWD或者ODS計算出寬表的統計指標，會存在計算量太大并且維度太少的問題，因此一般的做法是，在DWM層先計算出多個小的中間表，然后再拼接成一張DWS的寬表。由于寬和窄的界限不易界定，也可以去掉DWM這一層，只留DWS層，將所有的數據在放在DWS亦可。（這個意思是說避免報表太卡頓，所以來個中間層先計算一部分）
	DWS（Data WareHouse Servce）	DWS層為公共匯總層，會進行輕度匯總，粒度比明細數據稍粗，基于DWD層上的基礎數據，整合匯總成分析某一個主題域的服務數據，一般是寬表。DWS層應覆蓋80%的應用場景。[2] 存放數據集市數據[3],即高度匯總的數據
DM	-
App	-	BI報表（展示給領導或者監控室等）、推薦系統等

要不要嚴格遵守上面的每一層分別落實？
沒有這個必要，根據自己業務需求來，

例如采集的數據本身很干凈，那就沒必要清洗。

80%需求由20%的表來支持。

直接點講，就是大部分（80%以上）的需求，都用DWS的表來支持就行，

DWS支持不了的，就用DWM和DWD的表來支持，這些都支持不了的極少一部分數據需要從原始日志中撈取。

結合第一點來講的話就是：

80%的需求，我們都希望以對應用很友好的方式來支持（DWD），而不是直接暴露給應用方原始日志。[3]

來自[9]的一個舉例：

當然[4][5][6]中也含有具體舉例

Reference：

[1]數據倉庫數據分層 - 李秋 - 博客園 (cnblogs.com)

[2](16條消息) 數據倉庫設計方案(轉載)_微電子學與固體電子學-CSDN博客

[3]數據倉庫--通用的數據倉庫分層方法 - 大蔥拌豆腐 - 博客園 (cnblogs.com)

[4]深入對比數據倉庫模式：Kimball vs Inmon - SegmentFault 思否

[5]通俗易懂數倉建模—Inmon范式建模與Kimball維度建模_wx5f5b2077bc1fb的技術博客_51CTO博客

[6]數據倉庫ODS、DW和DM概念區分 - 簡書 (jianshu.com)

[7](16條消息) 數據倉庫dw層_數據倉庫分層之辯_云女友的博客-CSDN博客

[8](16條消息) 數據倉庫中的Inmon與Kimball架構之爭_Xlucas的博客-CSDN博客_inmon 數據倉庫

[9]數據倉庫搭建——Inmon與Kimball - 李秋 - 博客園 (cnblogs.com)

[10](24條消息) 數據倉庫學習（四）——星型模型與雪花模型_livan1234的博客-CSDN博客_星型模型

總結

以上是生活随笔為你收集整理的数据仓库分层类型-具体实例的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。