银行信贷风控数仓分层

### 银行信贷风险控制数据仓库分层架构设计

#### 三层架构概述
银行信贷风控数据仓库采用典型的分层架构，旨在提高数据处理效率并增强系统的可维护性和扩展性。该架构通常被划分为三个主要层次：原始数据管理层(ODS)，数据仓库层(DW)，以及应用数据管理层(ADM)[^2]。

#### 原始数据管理层 (ODS)
作为最底层的数据入口，ODS负责接收来自不同渠道的源系统数据，并对其进行初步清洗和转换操作。此阶段不会对数据进行复杂的加工或聚合计算，而是保持其接近于原始状态以便后续深入分析。对于银行信贷业务而言，这包括但不限于客户的交易记录、信用报告以及其他外部征信信息等[^3]。

#### 数据仓库层 (DW)
##### DWD - 数据明细层
在这一层级上，基于ODS中的基础数据构建详细的事实表与维度表，形成标准化的事实-维度模型。针对信贷风险管理需求特别关注借款人基本信息、贷款申请详情、还款历史等方面的数据细节描述[DWD（Data Warehouse Detail）]。

##### DWM - 中间汇总层
进一步提炼自DWD层的信息，在这里实现了更高程度上的抽象概括——即通过对特定时间段内同类事件的发生频率统计或是跨多个实体之间的关联关系挖掘等方式得到更为综合性的指标数值。例如，月度逾期率趋势变化图谱可以帮助管理者更好地把握整体资产质量状况和发展态势[^4]。

##### DWS - 应用服务层
最终面向各类前端应用程序提供经过高度精炼后的成品型数据集。此类资源可以直接用于支持实时查询请求、生成定期报表亦或是训练预测算法模型等活动之中。特别是在信贷审批流程里发挥着至关重要的作用，因为它能够迅速响应前台提出的各种复杂多变的要求，从而保障决策制定过程既高效又精准[^5]。

#### 应用数据管理层 (ADM)
处于顶层位置的应用数据管理层专注于满足具体的业务应用场景下的特殊要求。它不仅包含了前面提到过的营销集市所依赖的客户画像体系，还有专门为应对潜在违约风险而设立的风险评分机制及其配套预警功能模块。这些高级别的数据分析工具和服务共同构成了完整的信贷风控解决方案框架，确保金融机构能够在激烈的市场竞争环境中始终保持稳健的发展步伐[^1]。

-- SQL 示例：创建一个简单的视图来展示最近三个月内的新发放个人住房按揭贷款情况
CREATE VIEW Recent_Mortgage_Loans AS
SELECT 
    loan_id,
    customer_name,
    amount,
    start_date,
    end_date,
    interest_rate
FROM loans
WHERE product_type = 'Personal Mortgage'
AND start_date >= DATE_SUB(CURRENT_DATE, INTERVAL 3 MONTH);