阿里巴巴集团很早便将大数据视为其战略目标，并在各业务中广泛依赖数据支持运营。那么，阿里巴巴究竟是如何构建自己的数据仓库模型的呢？阿里巴巴的数据仓库模型经历了多个发展阶段。

完全应用驱动时代

在第一阶段，阿里巴巴的第一代数据仓库系统基于Oracle构建，主要目的是满足报表需求。数据以与源结构相同的方式同步到Oracle（称为ODS层），数据工程师基于ODS数据进行统计分析。这个阶段的数据架构只有两层：ODS和DSS。尽管采用了部分维度建模中的缓慢变化维方式来处理历史数据，但整体上并没有形成系统的模型方法。

四层模型架构时代

随着阿里巴巴业务的迅速扩张，数据量也在快速增长，单一的Oracle系统难以应对。于是，公司引入了MPP架构的Greenplum，并开始优化数据架构，旨在通过模型技术解决烟囱式开发的问题，消除冗余，提高数据一致性。在此期间，数据团队尝试将工程领域流行的ER模型与维度模型结合，构建了一个四层的模型架构：操作数据层（ODL）、基础数据层（BDL）、接口数据层（IDL）和应用数据层（ADL）。ODL与源系统保持一致；BDL引入ER模型，增强数据整合；IDL基于维度模型构建集市层；ADL则负责应用的个性化和基于展示需求的数据组装。然而，构建ER模型过程中遇到了诸多挑战，尤其是在快速变化的互联网业务环境中，这表明在不成熟的业务背景下，构建ER模型存在较大风险。

公共层模型数据架构体系时代

进入第三阶段，随着阿里巴巴业务和数据的持续快速发展，分布式存储计算平台如Hadoop迅速崛起。与此同时，阿里巴巴自主研发的分布式计算平台MaxCompute也在不断推进。在此背景下，公司开始构建第三代模型架构，旨在寻找既能适应阿里巴巴集团业务发展，又能充分利用分布式计算平台能力的数据模型方式。最终，公司选择了以Kimball维度建模理论为核心的方法论，并对其进行升级和扩展，形成了阿里巴巴集团的公共层模型数据架构体系。这一架构的核心目标是解决数据存储和计算的共享问题。当前，阿里巴巴集团已发展为多个业务单元（BU），各业务产生大量数据，且每年以近2.5倍的速度增长。数据增长速度远超业务增长速度，这对成本控制提出了严峻挑战。为此，阿里巴巴建立了一套统一的数据整合和管理方法体系（内部称为“OneData”），涵盖一致性的目标定义、模型设计方法以及配套工具。