一、数据仓库
数据仓库（Data Warehouse）是一个面向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策。
（1） 面向主题：指数据仓库中的数据是按照一定的主题域进行组织。
（2）集成：指对原有分散的数据库数据经过系统加工, 整理得到的消除源数据中的不一致性。
（3）相对稳定：指一旦某个数据进入数据仓库以后只需要定期的加载、刷新。
（4）反映历史变化：指通过这些信息，对企业的发展历程和未来趋势做出定量分析预测。
二、数据库与数据仓库的区别：
1.简而言之，数据库是面向事务的设计，数据仓库是面向主题设计的。
2.数据库一般存储在线交易数据，数据仓库存储的一般是历史数据。
3.数据库设计是尽量避免冗余，一般采用符合范式的规则来设计，数据仓库在设计是有意引入冗余，采用反范式的方式来设计。
4.数据库是为捕获数据而设计，数据仓库是为分析数据而设计，它的两个基本的元素是维表和事实表。维是看问题的角度，比如时间，部门，
维表放的就是这些东西的定义，事实表里放着要查询的数据，同时有维的ID。
三、数据仓库组成
数据仓库系统的组成部分有：针对 数据源的分析、数据的迁移、（数据的存储结构）、元数据管理等。
四、数据仓库之元数据
元数据主要包括技术元数据与业务元数据。
（1）技术元数据
技术元数据是存储关于商业智能系统技术细节的数据，是用于开发和管理商业智能系统使用的数据。它主要包括以下信息：商业智能系统结构的描述，包括对数据源、数据转换、抽取过程、数据加载策略以及对目标数据库的定义等内容；还包括数据仓库使用的模式、视图、维度、层次结构、类别和属性的定义，以及立方体的存储模式等信息。 总之，技术元数据提供给系统管理人员和数据仓库开发人员使用。
（2）业务元数据
业务元数据从业务角度描述了商业智能系统中的数据，是介于使用者和真实系统之间的语义层，使得不懂计算机技术的业务人员也能够“理解”商业智能系统中的数据。业务元数据使用业务名称、定义、描述等信息表示数据仓库中的各种属性和概念。业务元数据主要包括以下信息：用户的业务术语和它们表达的数据模型信息、对象名称及其属性，数据的来源信息和数据访问的规则信息，商业智能系统提供的各种分析方法以及报表展示的信息。业务元数据使数据仓库管理人员和用户更好地理解和使用数据仓库，用户通过查看业务元数据可以清晰地理解各指标的含义，指标的计算方法等信息。
元数据的作用包括：便于商业智能系统的集成和可重用，保证数据仓库的数据质量和可维护性，帮助业务人员和技术人员更好地理解当前业务和系统数据，提高商业智能系统的管理效率。
五、数据集市与数据仓库
数据仓库是企业级的，能为整个企业各个部门的运行提供决策支持手段；而数据集市则是一种微型的数据仓库,它通常有更少的数据,更少的主题区域,以及更少的历史数据,因此是部门级的，一般只能为某个局部范围内的管理人员服务，因此也称之为部门级数据仓库。数据仓库和数据集市之间的区别如下图：
数据仓库和数据集市的区别可从如下三个方面进行理解：
（1） 数据仓库向各个数据集市提供数据
（2） 几个部门的数据集市组成一个数据仓库
（3） 下面从其数据内容特征进行分析，数据仓库中数据结构采用规范化模式，数据集市中的数据结构采用星型模式，通常仓库中数据粒度比集市的粒度要细，下图反映了数据结构和数据内容特征的区别
六、星型模型pk雪花模型
星形模型(Star Schema)和雪花模型(Snowflake Schema)是数据仓库中常用到的两种方式，而它们之间的对比要从四个角度来进行讨论。
1.数据优化
雪花模型使用的是规范化数据，也就是说数据在数据库内部是组织好的，以便消除冗余，因此它能够有效地减少数据量。通过引用完整性，其业务层级和维度都将存储在数据模型之中。
▲图1 雪花模型
相比较而言，星形模型实用的是反规范化数据。在星形模型中，维度直接指的是事实表，业务层级不会通过维度之间的参照完整性来部署。
▲图2 星形模型
