數據倉庫（Data Warehouse）

是一個面向主題的（Subject Oriented）、集成的（Integrate）、穩(wěn)定 的（Non-Volatile）、反映歷史變化的（Time Variant）數據集合，用于支持管理決策。

面向主題：數據倉庫側重于數據分析工作，所以數據倉庫中的數據是按照一定的主題進行組織和存 儲。

集成：對原有分散的數據庫數據經過系統(tǒng)加工、整理，消除源數據中的不一致性。

穩(wěn)定：數據進入數據倉庫以后只需要定期的加載、刷新，不需要頻繁修改。

反映歷史變化：出于決策的需要，數據倉庫中的數據都要標明時間屬性。通過這些數據信息，對企 業(yè)的發(fā)展歷程和未來趨勢做出定量分析預測。

數據庫與數據倉庫的區(qū)別

數據庫和數據倉庫其實很相似，都是通過數據庫管理系統(tǒng)，來組織、存儲和管理數據。

它們的不同之處在于： 數據庫是存放原始數據的集合，主要存儲業(yè)務流程中的事務性數據，如銀行交易、訂單記錄等。 數據倉庫是數據庫概念的升級，是存放加工處理后的數據集合，主要存儲從數據庫中整合、匯總后的數 據，用于針對某些主題的歷史數據進行分析，側重決策支持。 單從概念上講有些晦澀，任何技術都是為應用服務的，結合應用可以很容易地理解。以銀行業(yè)務為例， 數據庫是銀行事務系統(tǒng)的數據平臺，客戶在銀行做的每筆交易都會寫入數據庫，被記錄下來。數據倉庫 是分析系統(tǒng)的數據平臺，它從事務數據庫獲取數據，并做匯總、加工，為決策者提供決策的依據。比 如，某銀行某分行一個月發(fā)生多少交易，該分行當前存款余額是多少。如果存款又多，消費交易又多， 那么該地區(qū)就有必要加設ATM了。 顯然，銀行的交易量是巨大的，通常以百萬甚至千萬次來計算。事務系統(tǒng)是要求時效性的，客戶存取一 筆錢等待幾十秒是無法忍受的，這就要求數據庫實時響應。而分析系統(tǒng)是事后的，它要提供關注時間段 內所有的有效數據。這些數據是海量的，匯總計算起來也要慢一些，但是，只要能夠提供有效的分析結 果就達到目的了。

數據庫與數據倉庫的區(qū)別，實際上就是OLTP與OLAP的區(qū)別。

操作型處理，叫聯(lián)機事務處理OLTP（On-Line Transaction Processing），也可以稱面向交易的 處理系統(tǒng)，它是針對具體業(yè)務在數據庫聯(lián)機的日常操作，通常對少數記錄進行查詢、修改。用戶較 為關心操作的響應時間、數據的安全性、完整性和并發(fā)的支持用戶數等問題。傳統(tǒng)的數據庫作為數 據管理的主要手段，主要用于操作型處理。

分析型處理，叫聯(lián)機分析處理OLAP（On-Line Analytical Processing），支持復雜的分析操作， 側重決策支持，并且提供直觀易懂的查詢結果。的需要，數據倉庫中的數據都要標明時間屬性。通過這些數據信息，對企 業(yè)的發(fā)展歷程和未來趨勢做出定量分析預測。

基本每個企業(yè)都會經歷從數據庫到數據倉庫的階段，以電商行業(yè)為例：

第一階段、電商行業(yè)早期入行門檻低，找個外包團隊，做一個網頁前端 + 幾臺服務器 + 一個MySQL，就能開門迎客了。

第二階段，流量來了，客戶和訂單都多起來了，這個時候就需要升級架構變成多臺服務器和多個業(yè) 務數據庫（分布式存儲），這個階段的業(yè)務數據和指標還可以勉強從業(yè)務數據庫里查詢。

第三個階段，隨著業(yè)務的發(fā)展數據量呈指數級增長，面臨的業(yè)務問題越來越復雜。領導者關心的問 題，從最初非常粗放的：“昨天的收入是多少”、“上個月的 PV、UV 是多少”，逐漸演化到非常精細 化和具體的用戶消費行為分析，如“20~30歲女性用戶在過去五年的第一季度化妝品類商品的購買 行為在促銷活動方案中的表現(xiàn)”。 這類非常具體且能夠對公司決策起到關鍵性作用的數據，很難從業(yè)務數據庫從調取出來。原因在 于： 1、業(yè)務數據庫中的數據結構是為了完成交易而設計的，不是為了查詢和分析的便利設計的。 2、業(yè)務數據庫大多是讀寫優(yōu)化的，即又要讀（查看相關的商品信息），也要寫（產生訂單，完成 支付）。因此對于大批量的數據讀取（復雜的查詢指標）是支持不足的。 為了解決此類問題就需要建立數據倉庫，它的作用在于： 1、數據結構為了分析和查詢的便利而設計。 2、只讀優(yōu)化的數據庫，即不需要它寫入速度多么快，只要做大量數據的復雜查詢的速度足夠快就 行了。