阿里云 OneData 数据建模实战：从 ODS 到 ADS 四层数仓完整构建指南

前言

绝大多数中小企业搭建数据仓库都会陷入通病：指标口径五花八门、同个指标多套计算逻辑、底层数据杂乱复用混乱、报表迭代效率极低、业务提数反复返工。而阿里内部沉淀十余年、阿里云对外输出的 OneData 统一数据建模与指标治理方法论，正是解决这类痛点的核心方案，现已成为互联网、政企、零售行业搭建企业数据中台的标准范式。

OneData 核心思想一句话概括：统一指标口径、统一数据模型、统一数据血缘、统一数据治理，以维度建模总线架构为底座，划分 ODS、CDM（DWD + DWS）、ADS 三层大架构，细化为四层实操分层：ODS 贴源层、DWD 明细层、DWS 汇总层、ADS 应用层，自上而下逐级加工指标，全程闭环管控指标定义、计算逻辑、数据流向。

本文结合阿里云 DataWorks、MaxCompute 生产环境实战，完整梳理指标从业务需求提出 → 规范定义 → 分层逐层加工 → 前端报表输出全流程，逐层级讲解每层输入来源、加工逻辑、输出内容、设计原则、适用指标类型，附带电商交易场景实操案例，看完可直接落地搭建自有标准化数仓指标体系。

一、先吃透核心：OneData 两大基石（指标体系 + 总线分层架构）

1.1 OneData 标准化指标构成体系（指标构建源头）

所有业务指标都遵循固定公式拆解，彻底消除口径歧义，也是四层数仓分层加工的依据：

派生指标 = 原子指标 + 修饰词 + 统计时间周期

• 原子指标：不可拆分的基础度量，绑定单一业务过程，例：支付金额、下单数量、退款订单数（存储于 DWD 明细层）
• 修饰词：限定统计范围，如：移动端、华北区域、新用户、自营商品
• 时间周期：日 / 周 / 月 / 累计至今等
• 统计粒度维度：用户、商品、店铺、地域等公共维度（统一存放 DIM 维度层，属于 CDM 公共层）

1.2 OneData 标准四层数仓整体流转链路

业务系统 MySQL / 日志 / 第三方接口 → ODS 贴源层 → DWD 明细事实层（绑定 DIM 维度） → DWS 公共汇总层 → ADS 个性化应用层 → 报表 / BI / 数据大屏 / 数据分析平台

分层遵循三大铁律：

1. 数据只能自上而下单向引用，禁止下层反向依赖上层、同层互相依赖；
2. 公共计算逻辑全部下沉至 DWD/DWS 公共层，ADS 层只做简单查询拼接，杜绝重复计算；
3. 所有指标统一录入指标字典，一处定义、多处复用，口径全局一致。

二、逐层拆解：四层数仓输入、构建逻辑、输出内容（OneData 规范）

第一层：ODS 操作数据贴源层（Operational Data Store）

1）核心定位

数仓最底层原始数据缓冲区，原样留存业务源头数据，不做业务逻辑计算，是整个数仓的数据入口，承担数据备份、审计溯源、源头问题排查作用。

2）数据输入来源

所有外部源头数据统一接入 ODS，阿里云常用接入方式：

• 结构化数据：业务 MySQL、Oracle 库，通过 DataWorks 数据同步（DataX）全量 / 增量同步；
• 半结构化日志：Nginx 访问日志、应用埋点日志，通过 Flink 实时采集写入 MaxCompute ODS；
• 第三方数据：支付接口、物流推送数据、外部爬虫数据；

输入特点：结构、字段类型、数据内容 1:1 复刻源业务库，无业务修改。

3）ODS 层构建加工逻辑（轻度处理，无指标计算）

仅做极简规范化清洗，不聚合、不统计指标：

• 增量 / 全量分区存储：按 dt = 日期分区留存每日快照，支持历史数据回溯；
• 脏数据过滤：剔除乱码、空主键、格式异常数据；
• 格式统一：时间戳、编码统一转换，适配 MaxCompute 存储；
• 数据生命周期管理：冷热数据分层归档，节省存储成本。

4）ODS 层输出内容

一张张贴源明细表，命名规范：ods_业务域_表名_每日增量/全量

示例：ods_trade_order_di（交易域订单每日增量表）、ods_user_info_df（用户域用户全量表）

✅ 输出价值：为上层 DWD 明细层提供纯净原始数据源，避免频繁直连业务库压垮在线系统。

❌ 禁止行为：不在 ODS 做聚合、指标统计、多表关联逻辑。

第二层：DWD 数据明细事实层（Data Warehouse Detail，归属 CDM 公共层）

1）核心定位

标准化明细事实层，原子指标唯一承载层，OneData 指标体系最核心基础层；基于维度建模构建事实宽表，完成数据清洗、整合、维度关联，保存最细粒度业务行为流水数据，所有统计指标均基于 DWD 明细衍生而来。

2）数据输入来源

唯一上游输入：ODS 层贴源明细表 + DIM 公共维度层

• 主数据：ODS 业务流水表（订单、支付、退款、浏览日志）；
• 关联数据：DIM 维度表（用户维度、商品维度、店铺维度、地域维度），保证全局维度口径统一。

3）DWD 层构建核心加工流程

• 业务域拆分：按照 OneData 总线矩阵，划分为交易域、用户域、商品域、物流域等独立板块；
• 事实拆分：区分事务事实表（下单、支付、退款瞬时行为）、周期快照事实表（用户每日留存）、累积快照事实表（订单完整生命周期）；
• 数据深度清洗：剔除无效订单、测试数据、重复埋点，统一业务编码；
• 维度退化关联：将常用维度属性冗余进事实表，减少上层反复关联维度表开销；
• 存储粒度：保留最细粒度逐条流水，不做任何聚合汇总。

4）DWD 层输出内容

明细事实宽表，存储所有原子指标原始度量值

示例：dwd_trade_order_detail_di 交易订单明细宽表

字段包含：订单 ID、用户 ID、商品 ID、下单金额（原子指标：下单总额）、下单数量（原子指标：下单件数）、支付时间、设备类型、城市等维度属性。

适用场景：明细查询、数据溯源、复杂个性化指标计算、数据倾斜排查。

第三层：DWS 数据汇总服务层（Data Warehouse Summary，归属 CDM 公共层）

1）核心定位

公共派生指标汇总层，面向通用分析场景做预聚合，大幅降低查询计算压力；将 DWD 明细数据按照常用维度组合提前聚合，沉淀全业务通用指标，是报表、大屏最常调用的层级，完美平衡查询性能与数据灵活性。

2）数据输入来源

唯一上游输入：DWD 明细事实表 + DIM 公共维度表

禁止直接读取 ODS 层原始数据，保证所有汇总数据基于标准化明细生成。

3）DWS 层构建加工原则（OneData 规范硬性要求）

• 多粒度预聚合：按照日、周、月、累计等时间粒度，搭配用户、地域、渠道、商品类目等常用维度组合汇总；
• 公共逻辑下沉：全部门通用指标统一在这里计算一遍，运营、产品、财务共用一套口径；
• 分层聚合：先轻度汇总（日维度汇总），再向上叠加周期汇总，复用下层结果；
• 宽表设计：一张汇总表承载多个关联原子指标，减少多表 Join。

4）DWS 层输出内容

按维度聚合的汇总宽表，存放大量通用派生指标

示例：dws_trade_user_day_sum_di 用户每日交易汇总表

包含指标：每日下单用户数、每日支付总额、新用户成交金额、各城市 GMV、移动端成交占比等通用经营指标。

优势：前端 BI 拉取日报、周报、大盘数据无需扫描亿万条明细，秒级返回结果。

第四层：ADS 应用数据层（Application Data Store）

1）核心定位

数仓最上层个性化应用层，面向特定业务场景、特定需求定制化指标结果；不沉淀公共逻辑，只做个性化裁剪、二次拼接、格式转换，直接对接前端应用入口。

2）数据输入来源

• 优先读取：DWS 公共汇总层；
• 复杂个性化场景按需读取 DWD 明细层

严禁读取 ODS 原始数据，最大限度复用公共计算结果，减少重复开发。

3）ADS 层构建规则

• 按需裁剪维度：根据运营报表需求，筛选指定维度、时间范围数据；
• 个性化指标二次计算：基于公共指标做自定义换算（如毛利率、转化率、爆款商品占比）；
• 格式适配：适配大屏、Excel 导出、业务后台接口返回格式；
• 按需分区：部分实时报表可按小时分区，离线报表按日分区。

4）ADS 层输出内容

场景化结果表，每一张表对应一套独立业务需求

示例：ads_operation_daily_big_screen_di 运营大盘实时指标表；ads_finance_month_settlement_di 财务月度结算报表数据表；ads_marketing_activity_result_di 营销活动效果统计表。

三、实战案例：电商 GMV 指标基于 OneData 四层完整构建流程

以核心指标每日移动端新用户支付 GMV 为例，完整走一遍四层加工链路：

1. ODS 层：同步 MySQL 订单主表、用户信息表、支付流水日志，原样落地贴源数据；
2. DWD 层：关联订单 + 支付 + 用户维度表，清洗有效支付订单，产出订单明细宽表，留存原子指标：支付金额；
3. DWS 层：按天、设备端、用户类型（新 / 老用户）维度聚合，预算出移动端新用户每日支付总额（通用派生指标）；
4. ADS 层：运营需要电商大盘看板，从 DWS 抽取该指标，拼接访客数、下单转化率，适配大屏展示格式，最终对外输出。

整个流程全程口径统一，修改计算逻辑仅需调整 DWD/DWS 公共层，所有应用同步生效，完美解决指标不一致痛点。

四、OneData 数仓分层核心价值总结

• 指标口径统一：依托原子指标 + 派生指标规范，全局一套计算逻辑，彻底消灭数据吵架；
• 计算复用降本：公共逻辑下沉 DWD/DWS，ADS 轻量化开发，开发效率提升 60% 以上；
• 架构易于维护：单向数据流，血缘清晰，故障快速定位；
• 扩展性极强：新增业务场景只需复用公共层数据，无需从头梳理源头；
• 适配阿里云生态：完美对接 Dataphin 指标治理、DataWorks 调度、Quick BI 可视化，一站式落地数据中台。