本文为您介绍在Hologres中数仓分层的最佳实践，方便快速构建业务，建设集高性能、敏捷化于一体的实时数仓。
背景信息
Hologres与Flink、MaxCompute、DataWorks深度兼容，能够提供实时离线一体化联合解决方案。在该方案下有着非常丰富的应用场景，例如实时大屏、实时风控、精细化运营等。不同的应用场景对处理的数据量、数据复杂度、数据来源、数据实时性等会有不一样的要求。传统数仓的开发按照经典的方法论，采用ODS（Operational Data Store） > DWD（Data Warehouse Detail） > DWS（Data WareHouse Summary） > ADS（Application Data Service）逐层开发的方法，层与层之间采用事件驱动，或者微批次的方式调度。分层带来更好的语义层抽象和数据复用，但也增加了调度的依赖、降低了数据的时效性、减少了数据灵活分析的敏捷性。
实时数仓驱动了业务决策的实时化，在决策时通常需要丰富的上下文信息，因此传统高度依据业务定制ADS的开发方法受到了较大挑战，成千上万的ADS表维护困难，利用率低，更多的业务方希望通过DWS甚至DWD进行多角度数据对比分析，这对查询引擎的计算效率、调度效率、IO效率都提出了更高的要求。
随着计算算子向量化重写、精细化索引、异步化执行、多级缓存等多种查询引擎优化技术的应用，Hologres的计算能力在每个版本都有较大改善。因此越来越多的用户采用了敏捷化的开发方式，在计算前置的阶段，只做数据质量清理、基本的大表关联拉宽，建模到DWD、DWS即可，减少建模层次。同时将灵活查询在交互式查询引擎中执行，通过秒级的交互式分析体验，支撑了数据分析民主化的重要趋势。
为了满足业务场景的不同需求，建议您通过如下图所示三种方式进行数据分层和处理，以实现更加敏捷的开发需求。
场景一（即席查询，写入即服务）：在Flink中进行DWD数据明细层预加工，加工完的数据直接写入Hologres，由Hologres提供OLAP查询和在线服务。
场景二（分钟级准实时，微批次加工）：在Flink中进行DWD数据明细层预加工，写入Hologres后，在Hologres中进行汇聚层加工，再对接上层应用。
场景三（增量数据实时统计，事件驱动加工）：DWD明细层预加工和DWS汇聚层预加工全部由Flink完成，写入Hologres提供上层应用。
场景选择原则
当数据写入Hologres之后，Hologres里定义了三种实现实时数仓的方式：
实时要求非常高，要求写入即可查，更新即反馈，有即席查询需求，且资源较为充足，查询复杂度较低，适合实时数仓场景一：即席查询。
有实时需求，以分析为主，实时性满足分析时数据在业务场景具备实时含义，不追求数据产生到分析的秒级绝对值，但开发效率优先，推荐分钟级准实时方案，这个方案适合80%以上的实时数仓场景，平衡了时效性与开发效率，适合实时数仓场景二：分钟级准实时。
实时需求简单、数据更新少、只需要增量数据即可统计结果，以大屏和风控等在线服务场景为主，需要数据产生到分析尽量实时，可以接受一定开发效率的降低和计算成本的上升，适合实时数仓场景三：增量数据实时统计。
实时数仓场景一：即席查询
即席查询通俗来说就是不确定应用的具体查询模式，先把数据存下来，后续支撑尽量多灵活性的场景，如下图所示。
因此建议您应用如下策略：
将操作层（ODS层）的数据经过简单的清理、关联，然后存储到明细数据，暂不做过多的二次加工汇总，明细数据直接写入Hologres。
Flink加工增量数据，实时更新明细数据至Hologres，MaxCompute加工后的离线表写入Hologres。
因为上层的分析SQL无法固化，在CDM/ADS层以视图（View）封装成SQL逻辑。
上层应用直接查询封装好的View，实现即席查询。
方案优势：
灵活性强，可随时根据业务逻辑调整View。
指标修正简单，上层都是View逻辑封装，只需要刷新一层数据，更新底表的数据即可，因为上层没有汇聚表，无需再次更新上层应用表。
方案缺点：当View的逻辑较为复杂，数据量较多时，查询性能较低。
适用场景：数据来源于数据库和埋点系统，适合对QPS要求不高，对灵活性要求比较高，且计算资源较为充足的场景。
实时数仓场景二：分钟级准实时
场景一的计算效率在某些场景上还存在不足，无法支撑更高的QPS，场景二是场景一的升级，把场景一中视图的部分物化成表，逻辑与场景一相同，但是最终落在表上的数据量变少，显著提升查询性能，可以获得更高的QPS，如下图所示。
建议您应用如下策略：
将操作层（ODS层）的数据经过简单的清理、关联，然后存储到明细数据，暂不做过多的二次加工汇总，明细数据直接写入Hologres。
Flink加工增量数据实时更新明细数据至Hologres。
CDM/ADS层为实际的物理表，通过DataWorks等调度工具调度周期性写入数据。
前端实时请求实际的物理表，数据的实时性依赖DataWorks调度周期配置，例如5分钟调度、10分钟调度等，实现分钟级准实时。
方案优势：
查询性能强，上层应用只查最后汇总的数据，相比View，查询的数据量更好，性能会更强。
数据重刷快，当某一个环节或者数据有错误时，重新运行DataWorks调度任务即可。因为所有的逻辑都是固化好的，无需复杂的订正链路操作。
业务逻辑调整快，当需要新增或者调整各层业务，可以基于SQL所见即所得开发对应的业务场景，业务上线周期缩短。
方案缺点：时效性低于方案一，因为引入了更多的加工和调度。
适用场景：数据来源于数据库和埋点系统，对QPS和实时性均有要求，适合80%实时数仓场景使用，能满足大部分业务场景需求。
实时数仓场景三：增量数据实时统计
增量计算的场景是因为一些场景对数据延迟非常敏感，数据产生的时候必须完成加工，此时通过增量计算的方式，提前用Flink将明细层、汇总层等层数据进行汇聚，汇聚之后把结果集存下来再对外提供服务，如下图所示。
在增量计算中，建议您应用如下策略：
增量计算的数据由Flink进行清洗加工转换和聚合汇总，ADS层应用数据存储在Hologres中。
Flink加工的结果集采取双写的方式，一方面继续投递给下一层消息流Topic，一方面Sink到同层的Hologres中，方便后续历史数据的状态检查与刷新。
在Flink内通过增量流、增量流连接静态维表、增量流连接增量流这三种场景统计出数据，写入Hologres。
Hologres通过表的形式直接对接上层应用，实现应用实时查询。
方案优势：
实时性强，能满足业务对实时性敏感的场景。
指标修正简单，与传统增量计算方式不一样的是，该方案将中间的状态也持久存储在Hologres中，提升了后续分析的灵活性，当中间数据质量有问题时，直接对表修正，重刷数据即可。
方案缺点：大部分实时增量计算都依赖Flink，对使用者Flink的技能和熟练度要求会更高一些；不适合数据频繁更新，无法累加计算的场景，不适合多流Join等计算复杂资源开销大场景。
适用场景：实时需求简单，数据量不大，以埋点数据统计为主的数据，只需要增量数据即可统计结果的场景，实时性最强。