建设数据仓库的最初目的，一是解决大数据计算数据来源问题，二是提供即席查询，供产品、模型及其他相关人员做数据调研使用。
传统数据仓库方法论分为两派，分别是Inmon和Kimball，这两套理论分别由Bill Inmon和RalphKimbal提出。
Kimball面向业务，以最终业务为导向
，从流程上看是自底向上的，即从数据集市到数据仓库再到数据源(先有数据集市再有数据仓库)的一种敏捷开发方法。
Inmon 则是面向整体数据，侧重于数据的处理，从中抽取实体-关系，
从流程上看是自顶向下的，即从数据源到数据仓库再到数据集市的（先有数据仓库再有数据市场）一种瀑布流开发方法。
相比较而言，从软件开发形式上，Inmon更传统，Kimball更加贴合时代的发展，但并不意味着哪个好：Inmon开发周期长但后期较易维护，Kimball则因为面向业务，使用的数据都是业务主题数据，所以开发难度小，周期短，但是后期维护或者二次开发难度过大。所以建模理论也是需要根据具体业务场景来选择，在实际数据仓库建设中，往往会借鉴两种数据仓库理论。
BBD数仓建模更多偏向Inmon的方法论，采用星形模型进行数仓建模，中间是事实表，四周是维度表。
主要数据源是数据平台MySQL，汇总了BBD合规采集的所有数据。KUNLUN数据主要是离线关联方，是通过工商数据解析获得的全国所有企业的关联图谱数据，然后通过抽取得到4度关联方结构化数据。第三方数据是业务反哺数据。
起初，只采用Sqoop全量抽取的形式，由于涉及到MySQL删除逻辑的一些问题，无法实现增量抽取。ODS层是贴源层，也是操作数据层，从数据源抽取的数据都存储在这里，通过Spark-SQL做关联，合并获得相对较宽的表，存储到DW。然后通过Spark计算企业相关指标或者其他一些统计类信息。DM层的命名可能会引起歧义，这一层并不是集市层，而是为了方便调研和测试等相关工作，提供一个OLAP查询引擎。
后来由于个别表数据量剧增，每日增量过大，对MySQL性能影响较大。对于这些表，数据平台采取写入HBase的解决方案，同时实现数仓的增量更新需求。
其中，为了应对多种数据源增量更新，采用了阿里开源的Canal框架。同时还增加了调度监控等其他功能，其技术架构如下：
企业数据建设是大数据时代的一个核心工程，特别是对于像BBD这样的大数据企业。一般来说，企业数据建设大体分为数据化，智能化，业务化。
-
数据化
：是指所有的业务或企业相关做数据化，线上化，从而收获数据沉淀。
-
-
业务化
：数据驱动业务，通过挖掘数据价值提供新的业务增长点。
很多企业正在加大对数据仓库、数据湖、数据平台、数据中台等数据工程建设的投入，希望能最终实现数据驱动企业增长。BBD的数据建设也在不断持续发展，数模中台是未来数据建设的一个方向，在拥有数据平台和数据仓库后，必然要再往前迈一步，更聚焦业务，更多关注企业层面的数据治理以及数据资产化的问题，包括数据资产化管理（质量，成本，安全），数据服务的构建，数据体系化建设（统一模型和指标，或者说统一指标和模型规则，这样针对不同数据源也能快速响应）。其实，中台就是一个企业能力复用的平台，是为前台，为业务而生的平台。
参考文献：
《Building the Data Warehouse》，William H.Inmon
《The Data Warehouse Toolkit》，Ralph Kimball
《大数据之路--阿里巴巴大数据实践》，阿里巴巴数据技术及产品部
《说透中台》，王健
