一、数据仓库是什么
数据仓库（Data Warehouse，DW）是专门为支持企业决策分析而设计、构建的大型数据存储系统。它会将分散在财务系统、CRM、生产系统、供应链系统等各个业务源头的数据，通过系统化的抽取、清洗、转换与整合流程，形成统一、一致、面向主题且能反映历史变迁的高质量数据集合。
数据仓库主要包含以下五大特性：
1. 面向主题
数据围绕核心业务实体进行组织，如客户、产品、订单等，抛弃按业务系统划分数据的方式，使数据分析更聚焦于业务本质。
2. 集成性
打破企业内部的数据孤岛，通过统一编码、格式转换等手段，消除不同源系统间的数据差异，确保数据的一致性和连贯性。
3. 历史性
能够存储长期历史数据，一般保存期限在 5 - 10 年，为企业进行趋势分析、预测未来业务走向提供数据支撑。
4. 时变性
数据写入数据仓库后极少进行修改，仅仅会定期追加新的数据快照，保证数据的稳定性和可追溯性。
5. 稳定性
借助ETL（抽取、转换、加载）流程，严格保障数据质量，为企业提供可信的“单一事实版本”，确保决策依据的准确性。
二、数据仓库与传统数据库的区别
1. 传统数据库 (OLTP - 联机事务处理)
（1）目标：主要用于支撑企业的日常业务操作，像订单录入、库存更新、支付处理等业务场景，保障业务流程的顺畅运行。
（2）设计：采用高度规范化设计，目的是消除数据冗余，保证事务的一致性；在性能上，重点优化快速读写小量数据的操作，对实时性要求极高。
（3）数据：以当前状态数据为主，为了维持系统性能，历史数据通常会被归档或删除。
（4）用户：主要是一线业务人员、客服、收银员等直接参与业务操作的人员。
2. 数据仓库 (OLAP - 联机分析处理)
（1）目标：侧重于支持复杂的数据分析和决策制定，帮助企业回答包括 “哪些产品组合利润最高？” 战略性问题。
（2）设计：具备面向主题、集成性、历史性、时变性和稳定性等特性。在设计上，更注重对海量数据的快速读取，以满足深度分析的需求。
（3）数据：存储大量历史数据，完整记录业务随时间的变化轨迹，为分析提供丰富的数据基础。
（4）用户：主要是数据分析师、业务分析师、管理层以及企业决策者等，用于支持其制定战略决策。
三、数据仓库的基本架构
1.数据源层
数据源层是数据仓库的数据源头，涵盖企业内各种异构系统，如 ERP、CRM、SCM、生产系统、日志文件，甚至还包括外部市场数据、社交媒体数据等。
2.ETL
流程 ETL 流程是数据仓库建设的核心环节，其质量直接决定了数据仓库的成败。
3. 数据存储层
数据存储层是数据仓库的核心本体，用于存储经过ETL处理后的集成、面向主题、历史性数据。
4. 数据访问层
数据访问层是用户与数据仓库的交互窗口，通过各类工具为用户提供查询、分析和呈现数据的功能。
包含工具及功能：
报表工具：用于生成固定格式的报告，满足企业常规的数据展示需求。
OLAP 工具：支持多维度的交互式钻取、切片、切块分析，帮助用户从不同角度深入探索数据。
可视化工具：可进行预测性建模，挖掘数据背后的潜在规律和价值。
数据挖掘工具：支持用户灵活自定义查询，满足个性化的数据分析需求。
即席查询：（功能同数据挖掘工具描述，为图中补充工具)
四、数据仓库的架构类型
1.单层架构
数据源直接连接到最终用户访问层，几乎没有中间处理环节。由于缺乏必要的数据处理和整合，仅适用于极简单的场景。
2.双层架构（源 -> 数据仓库）
这种架构清晰地分离了操作型系统与分析系统，在数据仓库发展早期较为流行。
3.三层架构（源 -> 数据仓库 -> 数据集市）
作为当前最主流、最成熟的架构，三层架构在数据仓库层之上增加了数据集市层。数据集市基于 EDW 构建，针对特定部门或主题进行结构优化，查询速度更快，用户也更容易理解和使用。
4.星型架构
星型架构是数据集市建模的主流方式，由一个事实表和多个维度表组成。维度表直接连接到事实表，整体结构形似星星。
5.雪花型架构
雪花型架构是星型架构的变体，区别在于维度表会进一步进行规范化，拆分成多层级的附属维度表。优点是减少了数据冗余，更符合规范化设计原则；缺点是查询时通常需要连接更多的表，导致查询复杂度增加。
