數據倉庫的分層和各層級用途如下圖所示。

• 數據引入層ODS（Operation Data Store）：存放未經過處理的原始數據至數據倉庫系統，結構上與源系統保持一致，是數據倉庫的數據準備區。主要完成基礎數據引入到MaxCompute的職責，同時記錄基礎數據的歷史變化。
• 數據公共層CDM（Common Data Model，又稱通用數據模型層），包括DIM維度表、DWD和DWS，由ODS層數據加工而成。主要完成數據加工與整合，建立一致性的維度，構建可復用的面向分析和統計的明細事實表，以及匯總公共粒度的指標。
  • 公共維度層（DIM）：基于維度建模理念思想，建立整個企業的一致性維度。降低數據計算口徑和算法不統一風險。

    公共維度層的表通常也被稱為邏輯維度表，維度和維度邏輯表通常一一對應。

  • 公共匯總粒度事實層（DWS）：以分析的主題對象作為建模驅動，基于上層的應用和產品的指標需求，構建公共粒度的匯總指標事實表，以寬表化手段物理化模型。構建命名規范、口徑一致的統計指標，為上層提供公共指標，建立匯總寬表、明細事實表。

    公共匯總粒度事實層的表通常也被稱為匯總邏輯表，用于存放派生指標數據。

  • 明細粒度事實層（DWD）：以業務過程作為建模驅動，基于每個具體的業務過程特點，構建最細粒度的明細層事實表。可以結合企業的數據使用特點，將明細事實表的某些重要維度屬性字段做適當冗余，即寬表化處理。

    明細粒度事實層的表通常也被稱為邏輯事實表。

• 數據應用層ADS（Application Data Service）：存放數據產品個性化的統計指標數據。根據CDM與ODS層加工生成。

該數據分類架構在ODS層分為三部分：數據準備區、離線數據和準實時數據區。整體數據分類架構如下圖所示。在本教程中，從交易數據系統的數據經過DataWorks數據集成，同步到數據倉庫的ODS層。經過數據開發形成事實寬表后，再以商品、地域等為維度進行公共匯總。

整體的數據流向如下圖所示。其中，ODS層到DIM層的ETL（萃取（Extract）、轉置（Transform）及加載（Load））處理是在MaxCompute中進行的，處理完成后會同步到所有存儲系統。ODS層和DWD層會放在數據中間件中，供下游訂閱使用。而DWS層和ADS層的數據通常會落地到在線存儲系統中，下游通過接口調用的形式使用。