基本概念之间的关系和举例如下图所示。

数据调研

确定需求

在构建与管理数据中台之前，首先需要确定数仓构建的目标与需求，进行全面的业务调研。
您需要了解真实的业务需求是什么，以及确定整个业务系统能解决什么问题。

业务调研

充分的业务调研和需求分析是数据仓库建设的基石，直接决定数据仓库能否建设成功。
目标：

• 用户的组织架构和分工界面
• 用户的整体业务架构，模块之间的联系与信息流动的流程
• 业务系统的主要功能及获取的数据

成果：

任务清单：
行动计划：

需求分析

进一步收集数据使用者的需求，进而对需求进行深度思考和分析
目标：

• 业务数据是根据什么（维度、统计粒度，简称“粒度”，是维度或维度组合）汇总的，衡量标准是什么？例如，“省份”或者“类目”是维度，订单数是原子指标。
• 基于上个问题，进一步思考明细数据层的事实模型和公共可引用的维度模型、汇总数据层的汇总模型应该如何设计？是否有公共使用，命名及逻辑相似的统计指标，目前已经重复建设使用，需要通过上述设计规范化？

成果：

任务清单：
行动计划：

文档

• 需求调研的分析产出通常是记录业务需求的规范定义文档（派生指标、原子指标、业务限定、统计周期、统计粒度（即维度））。
• 结合业务调研情况，您可以进一步产出设计明细逻辑模型设计文档（维度模型、事实模型）与概念模型设计文档（维度、业务过程及其关系）。

  分析业务过程

  https://help.aliyun.com/document_detail/125831.html
  分析业务过程的流程如下：

1. 选择粒度。在业务过程事件分析中，您需要预判所有分析需要细分的程度和范围，从而决定选择的粒度。
2. 设计维表。选择好粒度之后，您需要基于此粒度设计维表，包括维度属性等，用于分析时进行分组和筛选。
3. 确定衡量指标。

架构设计与规范定义

划分数据域

数据仓库是面向主题的应用，主要功能是将数据综合、归类并进行分析利用。
目标：
划分数据域时，需满足以下两点：

• 能涵盖当前所有的业务需求。
• 能在新业务进入时，无影响地被包含进已有的数据域中和扩展新的数据域。

成果：

定义维度与构建总线矩阵

根据阿里巴巴OneData方法论，明确每个数据域中有哪些业务过程后，您需要开始定义维度，并基于维度构建总线矩阵。

定义维度

目标：
维度在每个业务板块内必须具有唯一性，即每个维度在所属业务板块内有且只有一种定义。
成果：
维度创建、维表（维度逻辑表）
维表与维度一一对应，是通过丰富维度中的属性信息构建而成的。

构建总线矩阵

目标：
构建总线矩阵，该总线矩阵将用于指导后续事实模型中关联维度的定义，构建数据仓库的雪花模型。
成果：

明确统计指标

统计指标包括派生指标、原子指标、业务限定、业务过程和统计粒度（即维度）。
原子指标是明确统计口径和计算逻辑，事实模型或维度模型定义完成，即可创建原子指标。派生指标即常见的统计指标，派生指标=统计周期+业务限定+原子指标+统计粒度。

模型设计

技术架构选型

根据阿里巴巴OneData方法论最佳实践，在设计数据模型前，您需要完成技术架构的选型。本教程中使用阿里云大数据产品Dataphin配合MaxCompute，完成整体的数据建模和研发流程。
完整的技术架构如下图所示。其中，Dataphin的数据集成及同步负责完成源业务系统数据引入。MaxCompute作为整个大数据开发过程中的离线计算引擎。Dataphin则基于OneData方法论——OneModel、OneID、OneService，囊括了数据建模研发、运维中心、监控报警、数据资产等在内的一系列功能。

数仓分层

三层：

• 数据引入层（ODS，Operational Data Store）
• 数据公共层（CDM，Common Dimenions Model）。采用维度模型方法作为理论基础
  • 维度层（DIM，Dimension）。在Dataphin中，也被称为维度逻辑表。
  • 明细数据层（DWD，Data Warehouse Detail）。宽表化处理。在Dataphin中，也被称为事实逻辑表。
  • 汇总数据层（DWS，Data Warehouse Summary）。在Dataphin中，汇总数据层的表通常也被称为汇总逻辑表，用于存放派生指标数据。
• 数据应用层（ADS，Application Data Store）

数据引入层（ODS）

目标：
ODS层存放您从业务系统获取的最原始的数据，是其他上层数据的源数据。
OSD层设计规范
成果：

维度层（DIM）

建立一致数据分析维表，可以降低数据计算口径和算法不统一风险。
以维度作为建模驱动，基于每个维度的业务含义，通过定义维度及维度主键，添加维度属性、关联维度等定义计算逻辑和雪花模型，完成属性定义的过程并建立一致的数据分析维表。
同时您可以定义维度主子关系，子维度的属性将合并至主维度使用，进一步保证维度的一致性和便捷使用性。
成果：
维度逻辑表

明细数据层（DWD）

事实表（事实模型，又称事实逻辑表）作为数据仓库维度建模的核心，紧紧围绕着业务过程进行设计。
事务型事实表的一般设计过程：

1. 选择业务过程。
2. 确定粒度。
   1. 事实表中一条记录所表达的业务细节程度被称为粒度。通常粒度可以通过两种方式来表述：一种是维度属性组合所表示的细节程度；一种是所表示的具体业务含义（例如商品）。
3. 确定维度。
4. 确定事实。
5. 关联维度
   1. 维度建模理论建议在事实表中只保存这些维表的外键，

      汇总数据层（DWS）

      以分析的主题对象作为建模驱动，基于上层的应用和产品的指标需求构建公共粒度的汇总表。
      成果：
      汇总数据层的一个表通常会对应一个统计粒度（维度或维度组合）及该粒度下若干派生指标。

      主题式查询

      主题式查询是基于Dataphin加工出的逻辑表，运用逻辑SQL对数据进行的AdHoc查询。