电子商务用户肖像数据仓库的建立

L以空间为时间，通过大量的预处理来提高应用系统的用户体验（效率），因此数据仓库中会有大量的冗余数据；

如果不分层，如果源业务系统的业务规则发生变化，会影响整个数据清理过程，工作量会很大

L通过数据分层管理，可以简化数据清理的过程，因为原来一步的工作分为多个步骤来完成，相当于把一个复杂的工作分解成多个简单的工作，把一个大黑匣子变成一个白匣子，而且每一层的处理逻辑相对简单易懂，这样在数据出错的情况下就可以很容易保证每一步的正确性，通常只需要局部调整一些步骤。

数据仓库标准分为四层：ODS（临时存储层）、PDW（数据仓库层）、mid（数据集市层）、app（应用层）

ODS水平：

它是接口数据的临时存储层，为下一步的数据处理做好准备。一般来说，ODS层的数据与源系统的数据是同构的，其主要目的是简化后续的数据处理工作。从数据粒度上看，ODS层的数据粒度***。ODS层有两种表：一种用于存储当前要加载的数据，另一种用于存储处理后的历史数据。一般来说，历史数据需要在3-6个月后清理，以节省空间。但不同的项目应该区别对待。如果源系统中的数据量不大，则可以保存较长时间，甚至是全部保存；

PDW级别：

对于数据仓库层来说，PDW层的数据应该是一致的、准确的、干净的，即源系统数据清洗（去除杂质）后的数据。这一层的数据通常遵循第三种数据库模式，其数据粒度通常与ODS相同。在PDW层，保存BI系统中的所有历史数据，例如保存10年的数据

中等水平：

对于数据集市层，这一层数据是面向主题的，用于组织数据，通常是星形或雪花结构的数据。从数据粒度的角度来看，该层的数据是轻量级的摘要级数据，没有详细的数据。从数据的时间跨度来看，它通常是PDW层的一部分，其主要目的是满足用户分析的需要。从分析的角度来看，用户通常只需要分析近几年的数据（如近三年的数据）。从数据的广度来看，它仍然覆盖所有的业务数据。

应用程序级别：

对于应用层来说，这一层数据完全是为了满足特定的分析需求而构建的，也是星型或雪花型结构的数据。从数据粒度的角度来看，它是高度聚集的数据。就数据广度而言，它不一定涵盖所有业务数据，而是中间层数据的真正子集，从某种意义上说，它是中间层数据的重复。在极端情况下，可以在应用程序层为每个要支持的报表构建模型。为了达到空间与时间交换的目的，数据仓库的标准分层只是一个推荐标准。在实际实现中，需要根据实际情况确定数据仓库的分层方式，不同类型的数据可以采用不同的分层方式。