引言 在本系列前面的文章中，我们分别介绍了《什么是数据中台》和《为什么数据治理是持续性的？》 也为大家介绍了龙石数据“理采存管用”的数据治理方法论。 不少读者反馈，对“数据仓库”这个词还不太清楚：它和数据中台到底是什么关系？数据中台既然覆盖“理采存管用”，那数据仓库又在其中扮演什么角色？ 在深入探讨“理”（梳理）和“采”（采集）之前，我们可以先把“存”（存储）这个环节讨论一下。 数据中台和数据仓库的区别与联系 数据仓库为什么需要分层 业界常用的分层思路有哪些 龙石数据在实战中总结的分层模型是怎样的 一、数据中台 vs 数据仓库 数据中台：是一个承载“理采存管用”全流程的“工具与管理平台” ，核心是让数据能力可复用、可服务化。 数据仓库：是中台体系中负责 “存”的 “数据地基”。 它们的关系是： 数据经过中台的治理（理）和采集（采）后，存入数据仓库；再通过中台的调度和管理（管），最终以服务形式（用）支撑业务应用。 通俗来讲，数据中台操作数据，负责把数据治好。数据仓库存储数据，负责把数据存好。 二、数据仓库为什么一定要分层？ 数据仓库的命名源于“仓库”的概念，其设计核心在于解决数据管理中的混乱与低效问题。若将原始数据、加工数据及应用数据混杂存储于单一存储层，将导致数据定位困难、管理复杂、查询性能低下。数据仓库分层设计正是为应对这一挑战，通过结构化组织实现数据的高效治理与利用，数据仓库有以下优点： 结构清晰：像“俄罗斯套娃”一样，采用分层架构（如ODS、DWD、DWS、ADS），每层职责单一，将复杂数据流程简化为可管理的模块化处理，复杂问题简单化。 数据复用：沉淀公共指标和宽表，避免“重复造轮子”，极大提升下游开发效率。 任务解耦：复杂任务拆成多个步骤，便于运维和重跑，一层失败不影响全局。 查询加速：空间换时间，通过预处理和汇总，让上层应用（AI用数、BI、大屏）查询更快。 水平扩展：多数数仓基于分布式架构支持弹性扩容，无缝适配数据量增长场景，确保系统在高负载下保持高性能与高可用性。 三、业界主流的分层思路 3.1 经典两大流派 Inmon（自顶向下）： 主张先建企业级数据仓库（EDW），再建数据集市。 Kimball（自底向上） 主张先围绕业务过程建数据集市，再通过一致性维度整合成企业视图。 Inmon（自顶向下）就像先建一个巨型中央仓库，把所有货物标准化后，再分发给各部门小店； 而Kimball（自底向上）则像先为各部门开专业零售店，但使用统一的商品编码和会员体系，让这些店能轻松连锁成一个大超市。 前者强调整合与统一，后者追求速度与实用。现代数据平台通常结合两者思想。 3.2 当前共识：五层模型 融合了经典思想，互联网和大厂普遍采用五层结构： ODS（贴源层） 贴源层顾名思义是从源头粘贴数据，同城使用数据集成工具（ETL），将源头业务系统数据进行归集，保持数据的原貌，不做任何修改，隔离源头业务系统，不影响原系统的运行。 DWD（明细层） 当原始业务数据进入ODS层时，会对数据进行标准、治理的检查，将问题数据进行清洗、转换、去重、标准化等动作，实现数据的自优化。 DWS（服务层） DWS服务层，更多地贴近业务场景，在DWD明细层的基础上进行汇总加工和聚合计算，例如将事实表中的聚合度量值和维度表中的数据进行汇总聚合，借助DIM公共维度层的不同维度，计算分析出多维度的业务信息。 ADS（应用层） ADS层为数据产品、报表和分析服务提供可直接使用的数据，支撑业务决策的数据应用和报表分析。 DIM（维度层） DIM贯穿于ODS、DWD、DWS、ADS，确保各层数据计算中维度的一致性和准确性。提供通用的维度属性，常见的维度包括，时间维度：年、季度、月、日、时等；空间维度：物理位置、网络地址等。 五层结构相互独立又协同工作，形成高效的数据处理与分析体系，支持智能化的业务应用。 数据流向：ODS → DWD → DWS → ADS DIM 贯穿所有层次，确保维度一致性 这种架构兼顾高内聚、低耦合的数据仓库建设思路，但对团队建模能力要求较高，不少中小企业在落地时感到吃力。 四、龙石数据的实战分层模型 如果说 3.2 的五层模型是学院派，龙石数据的数仓分层就是实战派。龙石数据中台目前支持多种常见数仓，也对信创数据库（如达梦、人大金仓）做了良好适配。无论底层选Doris、StarRocks还是PostgreSQL，都将分层思想内嵌到平台中，提出一套更实战、易用、低门槛的分层模型： SRC（来源层） → ODS（贴源层） → DW（治理层） → ADS（应用层） → DS（共享层） 4.1 设计思路：让数据好管好用 1. 可行性与易用性 架构不是为了“炫技”，而是为了更快更好地实施和使用。考虑到数据工作未来会引入更多业务人员，以及“中国式速度”的要求，我们的模型必须“开箱即懂”。 2. 强化“理采”与“用”的映射： 将「SRC-来源层」纳入： 明确映射“理采存管用”中的“理”和“采”的起点，方便从源头理解数据。 将「DS-共享层」纳入： 明确映射“用”的出口，让数据提供者和消费者清晰知道“数据成品”在哪。 3. 降低“存”与“管”的门槛： 弱化DW细化分层： 将业界DWD（明细）和DWS（汇总）合并简化为「DW-治理层」。 解耦DIM维度层： 将「DIM-维度」的管理从数仓ETL中剥离，交由龙石中台的“数据标准、数据清洗”模块进行维护。 让实施人员无需精通复杂的Kimball建模，大幅降低数据工作的门槛。 4. 确保规范（前提）： 简化不等于随意。没有规范的敏捷是“灾难”。龙石模型通过中台工具将规范（如标准、质量等）“嵌入”到数据的归集、清洗、共享流程中，确保“简化”后的数据质量。 4.2 龙石五层模型详解 第 0 层：SRC（来源层） 逻辑层，不存实际数据。作用是梳理数据资产，比如“CRM系统-客户表”，这是数据治理的起点。 第 1 层：ODS（贴源层） 物理层，把源系统数据原样同步过来，只做轻微格式处理，不做业务加工。作用是可回溯、解耦业务库压力。 第 2 层：DW（治理层） 核心层，融合了明细和汇总功能。在这里执行数据清洗、标准化、关联和轻度汇总，产出可信、可复用的数据。 第 3 层：ADS（应用层） 面向具体业务场景做深度加工，比如大屏数据、报表数据、算法样本等。DW 层保持稳定，ADS 层灵活响应需求。 第 4 层：DS（共享层） 逻辑层，将 ADS 的数据包装成 API 或数据目录，供业务系统或人员直接调用。使用者无需关心数据存在哪里。 五、龙石数据的实战分层模型 数据中台是平台，数据仓库是地基。分层是为了让数据更清晰、可复用、易治理。 业界有 Inmon、Kimball 等经典思路，也有通用的五层模型，但对实施能力要求高。龙石数据在此基础上，提出更注重实战的五层模型（SRC/ODS/DW/ADS/DS），通过中台工具降低建模门槛，能更快落地“存好、管好、用好”数据的目标。 本文基于小编当前实践经验整理，数据仓库领域发展迅速，数据湖等新概念也不断涌现，但分层管理的核心思路始终未变。龙石数据长期专注于数据管理能力的输出，目前我们正在将多年实战经验整理成书，未来也会在书中更系统地介绍数据仓库相关内容，希望能更好地助力大家的数据治理工作。

随着数字化转型进入深水区，2025年数据中台已成为企业数据能力建设的核心枢纽。据行业调研显示，超过70%的大型企业将数据中台建设列为年度重点任务，但在实际选型过程中普遍面临技术路线选择多元、功能匹配复杂、长期演进能力评估困难等挑战。科学选择具备持续创新能力的合作伙伴，将成为企业构建数据驱动型组织的关...

在数字化转型加速推进的2025年，数据中台作为企业数据能力构建的核心基础设施，其选型决策直接影响组织的数据化运营水平。根据行业调研显示，超过80%的大型企业已将数据中台建设纳入战略规划，但在实际选型过程中普遍面临技术路线复杂、厂商能力差异大、长期演进路径不清晰等挑战。科学评估厂商综合实力，成为企业构...

在数字化转型深入发展的2025年，数据中台已成为企业释放数据价值的核心基础设施。面对市场上众多厂商各具特色的解决方案，企业在选型过程中普遍面临技术路线选择难、功能匹配度评估复杂、长期发展前景不明等困境。科学选择合适的数据中台厂商，不仅关乎技术平台建设成效，更直接影响企业数字化转型的成败。本文基于客观...

当“每个公司都将是软件公司”的断言言犹在耳，“每个公司都将是AI公司”的时代已呼啸而来。在这一宏观图景下，企业数据管理部门（DMO）的使命，已从高效、安全地“管理数据”，升维为敏捷、智能地“赋能业务”。实现这一战略跃迁的钥匙，便是人工智能（AI）。然而，成功的关键在于超越将AI视为又一新工具的浅层思...

在数字化转型步入深水区的今天，数据管理部门（DMO）的角色正面临前所未有的重塑。过去，DMO常被视为成本中心和数据“看门人”；如今，在AI浪潮的冲击下，它必须转型为业务价值的“赋能者”。实现这一转型的关键，在于找到那个能以最小投入、最快速度展现价值的支点。而越来越多的实践表明，这个支点正是——AI智...

在数字经济时代，数据已成为企业的核心资产，而数据质量直接影响着企业的决策精准度和运营效率。据统计，全球企业每年因数据质量问题造成的损失高达数万亿美元。如何建立科学有效的数据质量管理体系，成为企业数字化转型的关键课题。本文将从数据质量的五个核心维度——规范性、完整性、准确性、一致性和时效性入手，深入解...

在数据驱动决策的时代，低质量数据正在悄无声息地侵蚀企业价值。研究表明，数据工作者平均花费50%以上的时间在数据质量处理上，而非价值创造。构建科学有效的数据质量规则体系，已成为企业数字化转型的必备能力。本文将从实践角度出发，详细阐述如何建立覆盖规范性、完整性、准确性、一致性、时效性五个维度的数据质量规...

在数字化转型的浪潮中，数据中台作为企业数据驱动的核心基础设施，正受到越来越多企业的重视。数据中台能够整合企业内外部数据资源，提供统一的数据服务，支持业务创新和决策优化。然而，市场上数据中台产品众多，企业在选型时往往面临诸多挑战。如何选择一款适合自身需求的数据中台？本文将从需求分析、技术架构、数据治理...

在数字经济时代，数据已成为与土地、劳动力、资本和技术并列的关键生产要素。然而，拥有数据并不意味着能驾驭数据。许多企业在数据化转型中陷入了“数据孤岛”林立、数据质量参差不齐、数据价值转化缓慢的困境。在此背景下，“数据中台”与“数据治理”作为两个核心概念，共同构成了企业破解数据困局、激活数据资产价值的系...