企業發展初期，數據研發是緊貼業務發展而演變的，數據體系基於業務單元垂直建立，形成多個垂直化業務數據體系。
隨着企業發展，業務需要的數據不再是垂直化的，向數據研發提出了多數據類型的數據使用需求。
跨垂直單元的數據問題繁多：
1）數據標準不統一
在建立OneData之前，阿里數據有30000多個指標，其中，即使是同樣的命名，但定義口徑卻不一致。例如，僅uv這樣一個指標，就有十幾種定義。帶來的問題是：都是uv，我要用哪個？都是uv，爲什麼數據卻不一樣？
2）服務業務能力
由於數據模式是跟着垂直業務，導致一開始只支持了淘寶、天貓、1688等少數業務團隊。而更多有個性化需求的業務團隊卻無法提供更多支持。
3）計算存儲成本
由於沒有統一的規範標準管理，造成了重複計算等資源浪費。而數據表的層次、粒度不清晰，也使得重複存儲嚴重，僅淘系的數據表就超過了25000張，集團總數據的存儲量每年以2.5倍的速度在增長，可以預見的未來的將會帶來巨大的數據成本負擔，我們不得不去做一些改變。
4）研發成本
每個工程師都需要從頭到尾瞭解研發流程的每個細節，對同樣的“坑”每個人都會重新踩一遍，對研發人員的時間和精力成本造成浪費
阿里數據中臺戰略中的OneData統一數據標準和實時數據分析就解決了打通垂直化業務數據的需求。
OneData是阿里數據中臺的核心，OneData體系建立在集團數據公共層，從設計、開發、部署和使用上保障了數據口徑的規範和統一，實現數據資產全鏈路管理，提供標準數據輸出。
OneData數據公共層對原30000多個數據指標進行了口徑規範和統一，梳理縮減爲3000餘個。
OneData體系
OneData體系即建立企業統一的數據公共層，從設計、開發、部署和使用上保障了數據口徑的規範和統一，實現數據資產全鏈路管理，提供標準數據輸出。
以Kimball的維度建模爲核心理念基礎的模型方法論，同時對其進行了一定的升級和擴展，構建了阿里集團的數據架構體系——OneData
該體系包含：數據規範定義體系、數據模型規範設計、ETL規範研發以及支撐整個體系從方法到實施的工具體系。
1數據規範定義
OneData體系中將此前個性化的數據指標進行規範定義，抽象成：原子指標、時間週期、其他修飾詞等三個要素。
如：業務方提出的需求：最近7天的成交
分解爲：原子指標（支付訂單金額）+修飾詞-時間週期（最近7天）+修飾詞-賣家類型（自營）
2數據模型架構
將數據分爲ODS（操作數據）層、CDM（公共維度模型）層、ADS（應用數據）層。
ODS層主要功能
同步：結構化數據增量或全量同步到ODPS；
結構化：非結構化(日誌)結構化處理並存儲到ODPS；
累積歷史、清洗：根據數據業務需求及稽覈和審計要求保存歷史數據、數據清洗；
CDM層主要功能
CDM層又細分爲DWD層和DWS層，分別是明細寬表層和公共彙總數據層，採取維度模型方法基礎，更多采用維度退化手法，減少事實表和維度表的關聯，加強維度到事實表強化明細事實表的易用性；
同時在彙總數據層，加強指標的維度退化，採取更多寬表化的手段構建公共指標數據層，提升公共指標的複用性，減少重複的加工。
ADS層主要功能
個性化指標加工：不公用性；複雜性（指數型、比值型、排名型指標）
基於應用的數據組裝：大寬表集市、橫錶轉縱表、趨勢指標串
其模型架構圖如下，阿里通過構建全域的公共層數據，極大的控制了數據規模的增長趨勢，同時在整體的數據研發效率，成本節約、性能改進方面都有不錯的結果。
3研發流程和工具落地實現
將OneData體系貫穿於整個研發流程的每個環節中，並通過研發工具來進行保障。
