Todos os produtos
Search
Central de documentação

DataWorks:Camadas de data warehouse

Última atualização: Jul 10, 2026

A estrutura em camadas de data warehouse organiza modelos de dados hierarquicamente com base em cenários de negócios, características dos dados e uso do sistema. Classificar os dados em camadas distintas facilita a organização, o gerenciamento e a manutenção das informações.

Categorias de camadas

O DataWorks oferece categorias como Data Import Layer, Common Layer e Application Layer. Atribua camadas com funções diferentes às categorias adequadas para apresentar seus dados em uma estrutura hierárquica. A arquitetura padrão utiliza cinco camadas, conforme ilustrado na figura a seguir. Após planejar as camadas de dados, armazene os dados das tabelas nas camadas correspondentes.

image
  • Data Import Layer: Importa dados de source, como bancos de dados, logs e mensagens. Após as operações de ETL, os dados de source são carregados nesta camada. Apenas tabelas de source podem ser associadas a ela.

  • Common Layer: Processa e integra dados comuns provenientes da Data Import Layer, estabelece métricas e dimensões unificadas e constrói dados de fatos detalhados e resumidos reutilizáveis para análise. Esta camada pode conter tabelas de detalhes, tabelas de dimensão e tabelas agregadas. O Data Domain/Business Process pertence a esta camada.

  • Application Layer: Produz estatísticas de dados personalizadas para cenários de aplicação ou products específicos, utilizando dados processados e integrados da Common Layer. Pode incluir tabelas de aplicação e tabelas de dimensão. O Data Mart/Subject Area também faz parte desta camada.

Definir camadas de data warehouse

Camadas integradas

O DataWorks fornece cinco camadas integradas: Operational Data Store (ODS) , Dimension (DIM) , Data Warehouse Detail (DWD) , Data Warehouse Summary (DWS) e Application Data Service (ADS) .

Cada camada desempenha uma função específica:

Operational Data Store (ODS)

A camada ODS recebe e prepara os dados brutos para o data warehouse. Sua estrutura de tabelas espelha o sistema de source e funciona como uma área de preparação. As principais operações sobre os dados brutos incluem:

  • Sincroniza dados estruturados brutos para o data warehouse, de forma incremental ou completa.

  • Estrutura dados não estruturados brutos, como informações de log, e os armazena no data warehouse.

  • Os nomes das tabelas na camada ODS devem começar com ods.

Data Warehouse Detail (DWD)

A camada DWD constrói modelos de dados baseados em eventos de negócio e utiliza o nível mais granular de dados para criar tabelas de fatos detalhadas. Desnormalize atributos importantes de dimensão em um formato de tabela ampla para melhorar o desempenho das consultas e reduzir junções entre tabelas de fatos e de dimensão.

Data Warehouse Summary (DWS)

A camada DWS elabora modelos de dados orientados por assuntos analíticos. Ela cria tabelas de fatos com granularidade comum para métricas agregadas, atendendo aos requisitos de aplicações e products upstream.

Por exemplo, comportamentos de usuários da camada ODS podem ser pré-agregados para derivar dimensões comuns como tempo, endereço IP e ID. Essas dimensões permitem calcular estatísticas como a quantidade de products que um usuário comprou a partir de diferentes endereços IP em diversos períodos. A camada DWS também executa agregações leves adicionais para aumentar a eficiência. Calcular métricas de comportamento de 7, 30 e 90 dias a partir desses resumos economiza tempo significativo de processamento.

Application Data Service (ADS)

A camada ADS armazena métricas estatísticas personalizadas para products de dados e geração de relatórios. Uma empresa de e-commerce, por exemplo, poderia gerar relatórios sobre volumes de vendas e classificações de vários artigos esportivos vendidos em uma região específica entre 9 e 19 de junho.

Dimension (DIM)

A camada DIM constrói modelos de dados utilizando dimensões. Com base nos requisitos de negócio, essa camada armazena tabelas de dimensão de modelos lógicos ou definições de dimensão de modelos conceituais. Ao definir dimensões, especificar chaves primárias, adicionar atributos de dimensão e associar diferentes dimensões, você constrói tabelas de dimensão analíticas consistentes em toda a empresa e reduz inconsistências na lógica de cálculo e nos algoritmos.

Camadas personalizadas

Acesse a página Data Layer para visualizar as camadas integradas do data warehouse. Alterne entre Tiled Display e Hierarchy Display para ajustar o layout da página.

Se as camadas integradas não atenderem às suas necessidades, crie camadas personalizadas:

  1. Clique em Create. No painel Create Data Layer, configure as informações básicas da camada. A tabela a seguir descreve os principais parâmetros.

    Parâmetro

    Descrição

    Category

    Funciona em conjunto com o Model Type para atribuir a camada a uma categoria e associá-la aos tipos de modelo correspondentes.

    Nota

    A Category não pode ser alterada após a definição. Planeje cuidadosamente as categorias das suas camadas.

    Model Type

    Trabalha junto à Category para vincular os tipos de modelo correspondentes às diferentes categorias de camada.

    1. Data Import Layer: Permite associar apenas ODS Table.

    2. Common Layer: Suporta Fact Table, Aggregate Table, Dimension Table e Conceptual Dimensions. É possível associar Dimension Table e Conceptual Dimensions separadamente ou em conjunto.

    3. Application Layer: Aceita Application Table, Dimension Table e Conceptual Dimensions. Associe Dimension Table e Conceptual Dimensions de forma isolada ou combinada.

    Nota

    O Model Type é imutável após a configuração. Planeje seus tipos de modelo com antecedência.

    Description

    Descrição funcional da camada para ajudar os usuários a compreender sua finalidade e armazenar dados na camada correta.

  2. Para excluir uma camada, exclua primeiro todas as tabelas de dados que ela contém.

Configurar verificadores de camada de data warehouse

Um verificador de camada de data warehouse impõe convenções de nomenclatura para modelos e métricas. Ao criar um objeto, o verificador gera automaticamente seu nome para garantir nomes de tabelas físicas consistentes e intuitivos.

  1. Clique em uma camada para acessar sua página de detalhes.

  2. Na seção Checker Management, clique em Create Rule e selecione Create Rule for Model ou Create Rule for Metric .

  3. As tabelas a seguir descrevem os parâmetros do verificador.

    Regra de modelo

    Parâmetro

    Descrição

    Rule Name

    Nome da regra do verificador.

    Rule Type

    • Regra de modelo: O padrão é Table Name (o nome da tabela em inglês). Ao criar um modelo no Dimensional Modeling , selecione o checker correspondente para gerar automaticamente um nome de tabela.

    Rule Definition

    Define a convenção de nomenclatura para o modelo de dados. Esta regra verifica os nomes dos modelos dentro da camada no Dimensional Modeling.

    • Regra de modelo:

      • Insira um prefixo para validação da tabela. Por exemplo, se a camada do data warehouse exigir que os nomes das tabelas comecem com dim, insira dim.

      • Clique no ícone 新建 para definir a regra usando elementos como abreviação de categoria de negócio, abreviação de domínio de dados, abreviação de data mart ou abreviação de área de assunto. Combine esses elementos livremente.

      • Recomenda-se seguir as convenções de nomenclatura abaixo:

        • Dimension (DIM): dim_{business_category}_{data_domain}_{custom_content}_{storage_policy}

        • Data Warehouse Detail (DWD): dwd_{business_category}_{data_domain}_{business_process}_{custom_content}_{storage_policy}

        • Data Warehouse Summary (DWS): dws_{business_category}_{data_domain}_{custom_content}_{time_period}

        • Application Data Service (ADS): ads_{business_category}_{data_mart}_{subject_area}_{custom_content}_{time_period}

    Description

    Descrição do verificador.

    Regra de métrica

    Parâmetro

    Descrição

    Rule Name

    Nome da regra do verificador.

    Rule Type

    • Regra de métrica: Configurável para Display Name ou Abbreviation. Ao criar uma métrica, o sistema gera automaticamente um nome para a métrica derivada com base na regra padrão especificada.

    Rule Definition

    Define a convenção de nomenclatura para métricas. Esta regra verifica os nomes das métricas dentro da camada em Data Metrics.

    • Regra de métrica: Defina a regra selecionando modificadores, uma métrica atômica e um período estatístico. Combine esses elementos em qualquer ordem.

    Description

    Descrição do verificador.

  4. Defina um verificador padrão.

    Na seção Default Rule, acima da lista de verificadores, defina um verificador padrão para modelos ou métricas. Caso nenhuma regra seja especificada durante a criação de um modelo ou métrica, o sistema utilizará o verificador padrão para gerar o nome automaticamente.

  5. Compreenda a diferença entre regras fortes e fracas.

    1. Weak Rule: Quando configurada como Weak Rule, a convenção de nomenclatura atua como uma recomendação. Ignore a regra e crie o modelo ou métrica com sucesso usando um nome personalizado.

    2. Strong Rule: Se definida como Strong Rule, a convenção de nomenclatura é obrigatória para criar um modelo ou métrica. Caso contrário, não será possível salvar o modelo ou a métrica.

Utilizar camadas de data warehouse

Acesse o Dimensional Modeling ou Data Metrics, selecione a camada apropriada do data warehouse e crie modelos lógicos ou métricas.

No Dimensional Modeling, ao selecionar a aba Common Layer e criar uma tabela de fatos, o campo Data Warehouse Layering exibe automaticamente Common Layer - Data Warehouse Detail.

Usar verificadores

  1. Utilize verificadores no Dimensional Modeling ou em Data Metrics.

    1. Dimensional Modeling:

      1. Geração automática de nome de tabela: Ao criar um modelo lógico, selecione um verificador no campo Naming Rule. O sistema sugere automaticamente um Table Name para a tabela com base na regra do verificador.

      2. Validação de nome de tabela: Ao criar ou editar um nome de tabela sem selecionar um verificador, o sistema valida o nome inserido em relação às regras do verificador quando você salva o modelo lógico.

      3. Se existirem múltiplos verificadores, a validação será aprovada desde que o nome esteja em conformidade com qualquer um deles.

    2. Data Metric:

      1. Geração automática de nome de métrica: Ao criar uma Derived Metric, selecione um Period, um Modifier e uma Atomic Metric, e então clique em Intelligent Recommendation. O sistema gera automaticamente tanto um nome de exibição quanto uma abreviação com base na Default Rule.

      2. Validação de nome de métrica: Ao criar ou editar a Abbreviation e o Display Name de uma métrica, o sistema verifica automaticamente se os nomes estão em conformidade com as regras do verificador ao salvar a métrica.

      3. Caso haja vários verificadores, a validação passa se o nome estiver alinhado a pelo menos um deles.

  2. Inicie manualmente a verificação com Start Check e visualize os resultados em View Results .

    Após configurar um verificador, clique em Start Check para confirmar se os nomes dos modelos de dados na camada atual seguem as convenções de nomenclatura e corrija quaisquer modelos não conformes.

    Nota
    • A função Start Check não é suportada para regras de métrica.

    • A operação de verificação executa apenas para verificadores habilitados.

    • Novos verificadores vêm habilitados por padrão. Desative o verificador caso não precise utilizá-lo, evitando assim a execução de verificações desnecessárias.

    Ao concluir a verificação, clique em View Results para revisar os resultados.

Próximos passos

Após concluir estas etapas, acesse Data Standard para definir padrões, ou vá para Dimensional Modeling e Data Metrics para desenvolver modelos e métricas.

Se o seu data warehouse for extenso e envolver colaboração entre equipes, compartilhe a estrutura do data warehouse com outros workspaces. Para mais detalhes, consulte Workspace de modelagem.