扫码加入数据分析学习群

数据仓库（Data Warehouse）

是一个面向主题的（Subject Oriented）、集成的（Integrate）、稳定 的（Non-Volatile）、反映历史变化的（Time Variant）数据集合，用于支持管理决策。

面向主题：数据仓库侧重于数据分析工作，所以数据仓库中的数据是按照一定的主题进行组织和存 储。

集成：对原有分散的数据库数据经过系统加工、整理，消除源数据中的不一致性。

稳定：数据进入数据仓库以后只需要定期的加载、刷新，不需要频繁修改。

反映历史变化：出于决策的需要，数据仓库中的数据都要标明时间属性。通过这些数据信息，对企 业的发展历程和未来趋势做出定量分析预测。

数据库与数据仓库的区别

数据库和数据仓库其实很相似，都是通过数据库管理系统，来组织、存储和管理数据。

它们的不同之处在于： 数据库是存放原始数据的集合，主要存储业务流程中的事务性数据，如银行交易、订单记录等。 数据仓库是数据库概念的升级，是存放加工处理后的数据集合，主要存储从数据库中整合、汇总后的数 据，用于针对某些主题的历史数据进行分析，侧重决策支持。 单从概念上讲有些晦涩，任何技术都是为应用服务的，结合应用可以很容易地理解。以银行业务为例， 数据库是银行事务系统的数据平台，客户在银行做的每笔交易都会写入数据库，被记录下来。数据仓库 是分析系统的数据平台，它从事务数据库获取数据，并做汇总、加工，为决策者提供决策的依据。比 如，某银行某分行一个月发生多少交易，该分行当前存款余额是多少。如果存款又多，消费交易又多， 那么该地区就有必要加设ATM了。 显然，银行的交易量是巨大的，通常以百万甚至千万次来计算。事务系统是要求时效性的，客户存取一 笔钱等待几十秒是无法忍受的，这就要求数据库实时响应。而分析系统是事后的，它要提供关注时间段 内所有的有效数据。这些数据是海量的，汇总计算起来也要慢一些，但是，只要能够提供有效的分析结 果就达到目的了。

数据库与数据仓库的区别，实际上就是OLTP与OLAP的区别。

操作型处理，叫联机事务处理OLTP（On-Line Transaction Processing），也可以称面向交易的 处理系统，它是针对具体业务在数据库联机的日常操作，通常对少数记录进行查询、修改。用户较 为关心操作的响应时间、数据的安全性、完整性和并发的支持用户数等问题。传统的数据库作为数 据管理的主要手段，主要用于操作型处理。

分析型处理，叫联机分析处理OLAP（On-Line Analytical Processing），支持复杂的分析操作， 侧重决策支持，并且提供直观易懂的查询结果。的需要，数据仓库中的数据都要标明时间属性。通过这些数据信息，对企 业的发展历程和未来趋势做出定量分析预测。

基本每个企业都会经历从数据库到数据仓库的阶段，以电商行业为例：

第一阶段、电商行业早期入行门槛低，找个外包团队，做一个网页前端 + 几台服务器 + 一个MySQL，就能开门迎客了。

第二阶段，流量来了，客户和订单都多起来了，这个时候就需要升级架构变成多台服务器和多个业 务数据库（分布式存储），这个阶段的业务数据和指标还可以勉强从业务数据库里查询。

第三个阶段，随着业务的发展数据量呈指数级增长，面临的业务问题越来越复杂。领导者关心的问 题，从最初非常粗放的：“昨天的收入是多少”、“上个月的 PV、UV 是多少”，逐渐演化到非常精细 化和具体的用户消费行为分析，如“20~30岁女性用户在过去五年的第一季度化妆品类商品的购买 行为在促销活动方案中的表现”。 这类非常具体且能够对公司决策起到关键性作用的数据，很难从业务数据库从调取出来。原因在 于： 1、业务数据库中的数据结构是为了完成交易而设计的，不是为了查询和分析的便利设计的。 2、业务数据库大多是读写优化的，即又要读（查看相关的商品信息），也要写（产生订单，完成 支付）。因此对于大批量的数据读取（复杂的查询指标）是支持不足的。 为了解决此类问题就需要建立数据仓库，它的作用在于： 1、数据结构为了分析和查询的便利而设计。 2、只读优化的数据库，即不需要它写入速度多么快，只要做大量数据的复杂查询的速度足够快就 行了。