原始借鉴方案
1. 复制层（SSA,system-of-records-staging-area）
SSA 直接复制源系统(比如从mysql中读取所有数据导入到hive中的同结构表中，不做处理)的数据，尽量保持业务数据的原貌；与源系统数据唯一不同的是，SSA 中的数据在源系统数据的基础上加入了时间戳的信息，形成了多个版本的历史数据信息。也叫登台区。
2. 原子层（SOR,system-of-record）
SOR 是基于模型开发的一套符合 3NF 范式规则的表结构，它存储了数据仓库内最细层次的数据，并按照不同的主题域对数据分类存储；比如高校数据统计服务平台根据目前部分需求将全校数据在 SOR 层中按人事、学生、教学、科研四大主题存储；SOR 是整个数据仓库的核心和基础，在设计过程中应具有足够的灵活性，以能应对添加更多的数据源、支持更多的分析需求，同时能够支持进一步的升级和更新。
3 .汇总层（SMA,summary-area）
SMA 是 SOR和DM（集市层） 的中间过渡，由于 SOR 是高度规范化数据，此要完成一个查询需要大量的关联工作，同时DM 中的数据粒度往往要比 SOR 高很多，对要生DM 中的汇总数据需要进行大量的汇总工作，此SMA 根据需求把 SOR 数据进行适度的反范(例如，设计宽表结构将人员信息、干部信息等多表的数据合并起来）和汇总（例如，一些常用的头汇总、机构汇总等）；从而提高数据仓库查询性能。
4 .集市层/展现层（DM, data mart）
DM 保存的数据供用户直接访问的，可以将 DM 理解成最终用户接最终想要看的数据；DM 主要是各类粒度的事数据，通过提供不同粒度的数据，适应不同的数访问需求；高校数据统计服务平台 DM 中的数据。
苏宁售后改良方案
1，2，4都相同，就是3由汇总层（SMA,summary-area）改为DPA(数据管道区,Data Pipeline Area),定义也有区别。
DPA数据存储的还是明细级别的宽表数据，而非按细粒度（天）的汇总；而SMA是根据需求把 SOR 数据进行适度的反范(例如，设计宽表结构将人员信息、干部信息等多表的数据合并起来）和汇总（例如，一些常用的头汇总、机构汇总等）。
DPA(数据管道区,Data Pipeline Area)或叫维度标签明细层，主要包含如下一些部分，最细粒度的主键、下游报表需要展现的维度、数量金额型的度量、报表指标等的一些汇总性指标（打标签）、报表筛选时用到的过滤字段及下钻到明细要展示的属性字段等等。
考虑到数据的性能，标签值应该用（0，1）表示，而不能将不符便条件的置空。
未来类似项目方案
个人的想法，数仓以后的类似项目可以由如下几层构成，ssa-->sor-->dpa-->dds。
其中，DDS（维度数据存储 Dimensional Data Storage）与原始方案及苏宁售后的集市展现层(DM, data mart)应无本质区别，可能主要是分层的名称都由三个字母组成，方便好记。
