OneData体系分为：
1、数据规范定义体系
2、数据模型规范设计
3、ETL规范研发以及支撑整个体系从方法到实施的工具体系。
落地实现
数据规范定义
将此前个性化的数据指标进行规范定义，抽象成：原子指标、时间周期、其他修饰词等三个要素。
例如，以往业务方提出的需求是：最近7天的成交。而实际上，这个指标在规范定义中，应该结构化分解成为：
原子指标（支付订单金额 ）+修饰词-时间周期（最近7天）+修饰词-卖家类型（淘宝）
上文只有抽象指标的方法，应该还包括字段规范，表名规范
派生指标的定义也很重要，因为数据运营人员经常会查最近7，最近一月的指标，每次都从基础事实表中，查询的量会很大。
数据模型架构
理解为dw的分层设计
将数据分为ODS（操作数据）层、CDM（公共维度模型）层、ADS（应用数据）层。
其中：
ODS层主要功能
这里先介绍一下阿里云数加大数据计算服务MaxCompute，是一种快速、完全托管的TB/PB级dw解决方案，适用于多种数据处理场景，如日志分析，dw，机器学习，个性化推荐和生物信息等。
同步：结构化数据增量或全量同步到数加MaxCompute（原ODPS）；
结构化：非结构化(日志)结构化处理并存储到MaxCompute（原ODPS）；
累积历史、清洗：根据数据业务需求及稽核和审计要求保存历史数据、数据清洗；
CDM层主要功能
CDM层又细分为DWD层和DWS层，分别是明细宽表层和公共汇总数据层，采取维度模型方法基础，更多采用一些维度退化手法，减少事实表和维度表的关联，容易维度到事实表强化明细事实表的易用性；同时在汇总数据层，加强指标的维度退化，采取更多宽表化的手段构建公共指标数据层，提升公共指标的复用性，减少重复的加工。
ADS层主要功能
个性化指标加工：不公用性；复杂性（指数型、比值型、排名型指标）
基于应用的数据组装：大宽表集市、横表转纵表、趋势指标串
其模型架构图如上图，阿里通过构建全域的公共层数据，极大的控制了数据规模的增长趋势，同时在整体的数据研发效率，成本节约、性能改进方面都有不错的结果。
研发流程和工具落地实现
将OneData体系贯穿于整个研发流程的每个环节中，并通过研发工具来进行保障。
实施效果
1、数据标准统一：数据指标口径一致，各种场景下看到的数据一致性得到保障
2、支撑多个业务，极大扩展性：服务了集团内部45个BU的业务，满足不同业务的个性化需求
3、统一数据服务：建立了统一的数据服务层，其中离线数据日均调用次数超过22亿；实时数据调用日均超过11亿
4、计算、存储成本：指标口径复用性强，将原本30000多个指标精简到3000个；模型分层、粒度清晰，数据表从之前的25000张精简到不超过3000张。
5、研发成本：通过数据分域、模型分层，强调工程师之间的分工和协作，不再需要从头到尾每个细节都了解一遍，节省了工程师的时间和精力。
参考：
https://yq.aliyun.com/articles/67011
明细宽表层-面向业务建模过程：
事务型事实宽表，周期性快照事实宽表，累计快照事实宽表
公共汇总款表层-面向分析主题建模:
流量，订单，商品，用户
上面两层都是基于公共维度表的基础上
维度退化手法
指标维度退化
大宽表集市、横表转纵表、趋势指标串
个性化指标加工：不公用性；复杂性（指数型、比值型、排名型指标）