数据仓库分层的主要原因是在管理数据的时候，能对数据有一个更加清晰的掌控，详细来讲，主要有下面几个原因：
数据血缘追踪： 当上层应用型数据出问题的时候，可以溯源到问题的根源，能快速定位问题所在。减少重复开发： 分层后，中间层的数据可以供应用层重复使用，不用每次有新的需求都要从底层数据开始开发。把复杂的问题简单化： 将一个复杂的任务分解成多个步骤来完成，每一层只处理单一的步骤，比较简单和容易理解。而且便于维护数据的准确性，当数据出现问题之后，可以不用修复所有的数据，只需要从有问题的步骤开始修复。屏蔽业务的影响： 不必改一次业务就需要重新接入数据最近看了很多关于数据仓库分层的文章，有的说要分三层、有的四层、五层…我觉得吧，分多少层主要是看业务还有自己数据仓库的规模，但是最低也要有三层，分别是源数据层（ODS）、数据层库层（DW）和数据应用层（APP）。如果数据仓库的规模比较大，或者数据仓库业务比较复杂的话可以细分成更多层。
为什么最低要分三层呢？在实际的生产环境中，数据仓库的数据一般会有多个来源，数据可能比较乱，有很多的脏数据，数据的单位可能会不一样等原因，我们要对数据进行分析或者对数据进行聚合等操作显然不那么方便，这时候我们在数据仓库设计一层专门存储原始数据，然后把数据进行ETL（数据抽取、数据转换和数据加载），然后再存储进数据仓库层，这样在数据仓库层的数据就比较干净、统一、比较好分析。如果没有原始数据层，数据采集回来直接进行ETL就进入数据仓库层，虽然是减少了数据的冗余度，但是当数据出现问题时，要溯源的话就很麻烦，所以原始数据层存在是很有必要的。 在数据仓库层的数据虽然比较干净、统一，但是这样的数据对于我们来说还是比较难看懂的，比如我们想要查看日活、月活等指标还是看不出来的，很难应用到实际问题中，所以我们要设计一层应用层，使得这层的数据我们拿来可以直接用的，所以我们可以在数据仓库层的基础上，再通过分析，得出更加详细的数据。
通过上述三层模型，基本就能满足数据仓库的日常使用了，但是如果业务比较复杂的话，这样的设计肯定满足不了的，所以还要在此基础上再细分出更多层。
