『壹』 數據倉庫的含義,數據倉庫和資料庫的區別.
什麼是數據倉庫
目前，數據倉庫一詞尚沒有一個統一的定義，著名的數據倉庫專家 W.H.Inmon 在其著作《 Building the Data Warehouse 》一書中給予如下描述：數據倉庫（ Data Warehouse ）是一個面向主題的（ Subject Oriented ）、集成的（ Integrate ）、相對穩定的（ Non-Volatile ）、反映歷史變化（ Time Variant ）的數據集合，用於支持管理決策。 對於數據倉庫的概念我們可以從兩個層次予以理解，首先，數據倉庫用於支持決策，面向分析型數據處理，它不同於企業現有的操作型資料庫；其次，數據倉庫是對多個異構的數據源有效集成，集成後按照主題進行了重組，並包含歷史數據，而且存放在數據倉庫中的數據一般不再修改。
資料庫是一個裝數據（信息的原材料）的地方。
數據倉庫是一種系統，這種系統也是用資料庫裝東西。
數據倉庫系統（用資料庫裝東西）與其他基礎業務系統（例如財務系統、銷售系統、人力資源系統等，也是用資料庫裝東西）的區別是：
基礎業務系統的特點是各管各的，例如財務系統生產了白菜，那麼用一個資料庫來裝，人力資源系統生產了豬肉，再用一個資料庫來裝。我要做一道菜，需要分別到各個資料庫去取，比較麻煩（現實的情況是大部分時候讓種菜的農民伯伯送過來，但送過來的東西不一定是我想要的，而且不同的時候我想要不同的東西，經常會被農民伯伯罵，弄得雙方都不開心）。另外一方面，各個資料庫中放的是一些比較原始的東西，我要拿過來做菜，還需要經過很麻煩的清洗過程，一不小心裏面可能就藏著一條大青蟲。
那麼，數據倉庫系統就是建立一個大的超市，將各地農民伯伯出產的東西收集過來，清洗干凈，分門別類地放好。這樣，你要哪種菜的時候，直接從超市裡面拿就可以了。
早期一直不理解數據倉庫是什麼困惑得很。
宏觀一點講，數據倉庫就是堆放公司所有數據的地方，之所以把數據都堆在一起，是為了從中間找到有價值的東西。
數據倉庫更多的是一個概念，不要把數據倉庫想成那些號稱是數據倉庫的軟體產品們。
數據倉庫的物理上就是資料庫。相對業務系統資料庫叫 OLTP 資料庫（用於業務處理），這種資料庫叫 OLAP 資料庫（用於業務分析）。
數據倉庫的概念是針對以下基本需求產生的：
公司的業務系統很多，業務系統的歷史數據不方便查詢。不同的業務系統往往管理部門不同，地域不同。能不能將所有這些數據集中起來，再淘淘有沒有有意義的業務規律。
數據倉庫資料庫往往很大，因為公司所有的數據集中得越多，越能淘到有價值的發現。例如隨便就 100G 以上。
數據倉庫的組成十分繁雜，既有業務系統的歷史數據，又有人事、財務數據，還要自己建一些基礎性的數據，例如，公共假期數據、地理信息、國家信息等等。
數據倉庫概念包含從業務生產系統採集數據的程序，這個程序還不能影響業務系統的運行。（屬於所謂 「ETL」 過程）
數據倉庫包括業務系統長期的歷史數據，例如 5 年，用來分析。（所謂 「ODS」 數據）
數據倉庫包括針對某相業務值（例如銷售量）重新打上標簽的業務流水數據。（所謂 「 事實表 」 、 「 維度表 」 ）。
數據倉庫概念興許還包含報表生成工具（所謂 「BI」 工具）。這些工具能夠達到幾年前所謂 DSS （決策分析）的效果。
數據倉庫的客戶歷史資量的分析，也許又與 CRM 系統粘點邊。
總之，一點，一個公司想針對已有的歷史業務數據，充分的利用它們，那麼就上數據倉庫項目。至於哪些嚇唬人的大寫字母的組合，只是達到這個目標的科學技術罷了。
牢記住數據倉庫的基本需求，不要被供應商嚇著。
數據倉庫可以說是決策支持系統，能幫助老闆了解企業的整體全貌，看到數據倉庫提供的經過整理統計歸納的數據後老闆憑自己的管理經驗可以發現企業的問題或困難或成功因素在哪一方面，然後可以不斷的追溯數據，直到確定到最具體的細節上，這樣能夠不斷提升老闆或管理層的管理水平，不斷改善企業的管理。我們知道的最好的一個例子就是美國某大型超市啤酒和尿布的故事。
沃爾瑪公司在美國的一位店面經理曾發現，每周，啤酒和尿布的銷量都會有一次同比攀升，一時卻搞不清是什麼原因。後來，沃爾瑪運用商業智能（ Business Intelligence ，簡稱ＢＩ）技術發現，購買這兩種產品的顧客幾乎都是 25 歲到 35 歲、家中有嬰兒的男性，每次購買的時間均在周末。沃爾瑪在對相關數據分析後得知，這些人習慣晚上邊看球賽、邊喝啤酒，邊照顧孩子，為了圖省事而使用一次性的尿布。得到這個結果後，沃爾瑪決定把這兩種商品擺放在一起，結果，這兩種商品的銷量都有了顯著增加。
資料庫是數據倉庫的基礎。數據倉庫實際上也是由資料庫的很多表組成的。需要把存放大量操作性業務數據的資料庫經過篩選、抽取、歸納、統計、轉換到一個新的資料庫中。然後再進行數據展現。老闆關注的是數據展現的結果。
數據倉庫 (DATA WAREHOUSE/DATA MART) 的另一重要概念是數據從不同的資料庫 (DATABASES) 里調出經過 ETL 工具 ( 如 POWERCENTRE ， DECISIONSTREAM, SQL SERVER 2000 DTS, SQL SERVER 2005 SSIS) 過程進行清理，確證，整合並設計成多維 (dimensional framework) 。 以保證數據的正確、准確、完整 , 這是非常重要的一點。
我們現在的項目穩定運行了 6 年多，一直自己開發，最近慢慢開始使用 datastage 。很多大型項目之所以用工具，是因為工具的本身的特點是開發快，效率相對還可以，讓你更好地有精力用在業務、資料庫的優化以及數據測試上，和數據質量本身並沒有關系。
而數據質量關系最密切的還是從設計（架構、模型等）、業務關系的理解、項目管理（含和客戶的交流，以及遵從開發流程和測試流程）等一系列項目工程的過程。這也是為什麼很多項目使用了 ETL 工具，但是數據質量還是提高不大的主要原因。
數據倉庫的作用重在數據的集中管理。集中管理的最終目的是為了分析，預測。
所謂的 ETL 。不過是數據倉庫的構建的一個必須過程。數據的抽取轉換與裝載，都是為了集中管理所做的基礎工作，這些數據與動作的描述，都會有有響應的元數據進行描述。
在數據倉庫建模的過程，我們一般都是採用多維模型，如星形，雪花型等等，這樣做最大的特點就是效率高，數據的冗餘度低。所以，把 OLAP 與數據倉庫混為一談我認為是片面的解釋。
我們也可以選擇業務邏輯模型建立數據倉庫，這是很早以前的做法了，特點就是效率不高，數據的冗餘度高，但他能實現非常難以表達的業務邏輯設計。
基於數據倉庫最重要的是分析與預測，我認為，歷史現在將來是數據倉庫的精華。。
基於數據倉庫的 DM ， OLAP 都是為了分析與預測。為了讓使用企業單位更好的把握現在，預測將來，因此他最實效的說法我認為是給決策者與管理者進行決策管理提供分析與預測的依據。
另外，數據倉庫還會起到歷史數據分類歸檔的目的（就像圖書館一樣），屆時可以通過檢索條件方便的查詢歷史信息；而同類信息在 OLTP 中早已被更新了。
至於它的分析功能，就象氣象考古研究工作，在不同深度的冰川中保存著當時的氣象信息，否則拿什麼預測氣候變化趨勢呢！
不過，要有相當的管理及技術儲備以及管理層的強力支持才可以。先有需求，並具備了必要條件才可上馬，否則您的數據倉庫將不是超市而是個垃圾堆， 「garbage in ， then garbage out」 ！
所以，我認為是企業信息化建設及科學管理水平的提高催生了數據倉庫的必然產生，不要趕時髦，炒概念，關鍵還是冷靜分析自己企業的現實狀況是否到了必須部署數據倉庫的階段了！
至於如何說服管理者，則需要您的努力了，不要站在您技術人員的立場闡述問題， CEO 對技術問題不感興趣，站在他們的角度考慮問題，回答諸如 「 我們投入如此大的資金、人力，同時面對升級系統的巨大風險，目的何在？ 」 記住， CEO 和 CFO （甚至包括 CIO ）是更希望用數字說話的，您分析一下公司的管理決策流程，就可以向他們提出很有價值的決策支持報表，而部門經理（或類似人員）每季度也不必頭大的製作相關分析報表了，節省的精力可以做更多有價值的事情，這就是企業人力資源利用率的巨大提升，可以節省多少銀子，恐怕 CEO 不會用你提示了吧！
『貳』 淺談數據挖掘與數據倉庫
淺談數據挖掘與數據倉庫
1數據挖掘
1.1數據挖掘與傳統數據分析的區別
數據挖掘與傳統的數據分析，如查詢、報表、聯機應用分析的本質區別是數據挖掘是在沒有明確假設的前提下去挖掘信息、發現知識。數據挖掘所得到的信息應具有先前未知、有效和實用三個特徵。即數據挖掘是要發現那些不能靠直覺發現的信息或知識，甚至是違背直覺的信息或知識，挖掘出的信息越出乎意料就可能越有價值。而傳統的數據分析趨勢為從大型資料庫抓取所需數據並使用專屬計算機分析軟體。因此數據挖掘與傳統分析方法有很大的不同。
1.2數據挖掘的應用價值
（1）分類：首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分類模型，對於沒有分類的數據進行分類。（2）估計：與分類類似，不同之處在於，分類描述的是離散型變數的輸出，而估值處理連續值的輸出；分類是確定數目的，估計是不確定的。（3）聚類：是對記錄分組。聚類和分類的區別是聚集不依賴於預先定義好的類，不需要訓練集。中國移動採用先進的數據挖掘工具馬克威分析系統，對用戶wap上網的行為進行聚類分析，通過客戶分群，進行精確營銷。（4）關聯規則和序列模式的發現：關聯是某種事物發生時其他事物會發生的這樣一種聯系。例如：每天購買啤酒的人也有可能購買香煙，比重有多大，可以通過關聯的支持度和可信度來描述。與關聯不同，序列是一種縱向的聯系。例如：今天銀行調整利率，明天股市的變化。（5）預測：通過分類或估值得出模型，該模型用於對未知變數的預言。（6）偏差的檢測：對分析對象的少數的、極端的特例的描述，揭示內在的原因。除此之外，在客戶分析，運籌和企業資源的優化，異常檢測，企業分析模型的管理的方面都有廣泛使用價值。
2數據倉庫
2.1數據倉庫的特徵
（1）面向主題（Subject Oriented）的數據集合。數據倉庫圍繞一些主題如顧客、供應商、產品和銷售來組織。數據倉庫關注決策者的數據建模與分析，而不是組織機構的日常操作和事務處理。（2）集成（Integrated）的數據集合。數據倉庫中的數據是在對原有分散的資料庫數據抽取、清理的基礎上經過系統加工、匯總和整理得到的，必須消除源數據中的不一致性，以保證數據倉庫內的信息是關於整個企業的一致的全局信息。（3）時變（Time Variant）的數據集合。數據存儲從歷史的角度提供信息。數據倉庫中的數據通常包含歷史信息，通過這些信息，可以對企業的發展歷程和未來趨勢做出定量分析和預測。（4）非易失（Nonvolatile）的數據集合。數據倉庫的數據主要供企業決策分析之用，所涉及的數據操作主要是數據查詢，修改和刪除操作很少，通常只需要定期的載入、刷新。數據倉庫里的數據通常只需要兩種操作：初始化載入和數據訪問，因此其數據相對穩定，極少或根本不更新。[page] 2.2數據倉庫的類型
數據倉庫的類型根據數據倉庫所管理的數據類型和它們所解決的企業問題范圍，一般可將數據倉庫分為下列3種類型：企業數據倉庫（EDW）、操作型資料庫（ODS）和數據集市（Data Marts）。①企業數據倉庫為通用數據倉庫，它既含有大量詳細的數據，也含有大量累贅的或聚集的數據，這些數據具有不易改變性和面向歷史性。此種數據倉庫被用來進行涵蓋多種企業領域上的戰略或戰術上的決策。②操作型資料庫既可以被用來針對工作數據做決策支持，又可用做將數據載入到數據倉庫時的過渡區域。與EDW相比，ODS是面向主題和面向綜合的，易變的，僅含有目前的、詳細的數據，不含有累計的、歷史性的數據。③數據集市是為了特定的應用目的或應用范圍，而從數據倉庫中獨立出來的一部分數據，也可稱為部門數據或主題數據。幾組數據集市可以組成一個EDW。
2.3數據倉庫與傳統資料庫的比較
二者的聯系既有聯系又有區別。數據倉庫的出現，並不是要取代資料庫。目前，大部分數據倉庫還是用關系資料庫管理系統來管理的。可以說，資料庫、數據倉庫相輔相成、各有千秋。二者的區別可以從以下幾個方面進行比較：
（1）出發點不同：資料庫是面向事務的設計；數據倉庫是面向主題設計的。（2）存儲的數據不同：資料庫一般存儲在線交易數據；數據倉庫存儲的一般是歷史數據。（3）設計規則不同：資料庫設計是盡量避免冗餘，一般採用符合範式的規則來設計；數據倉庫在設計是有意引入冗餘，採用反範式的方式來設計。（4）提供的功能不同：資料庫是為捕獲數據而設計，數據倉庫是為分析數據而設計。（5）基本元素不同：資料庫的基本元素是事實表，數據倉庫的基本元素是維度表。（6）容量不同：資料庫在基本容量上要比數據倉庫小的多。（7）服務對象不同：資料庫是為了高效的事務處理而設計的，服務對象為企業業務處理方面的工作人員；數據倉庫是為了分析數據進行決策而設計的，服務對象為企業高層決策人員。
3數據倉庫與數據挖掘的關系
當然為了數據挖掘你也不必非得建立一個數據倉庫，數據倉庫不是必需的。建立一個巨大的數據倉庫，把各個不同源的數據統一在一起，解決所有的數據沖突問題，然後把所有的數據導到一個數據倉庫內，是一項巨大的工程，可能要用幾年的時間花上百萬的錢才能完成。只是為了數據挖掘，你可以把一個或幾個事務資料庫導到一個只讀的資料庫中，就把它當作數據集市，然後在他上面進行數據挖掘。
『叄』 為什麼在分析決策中需要建立數據倉庫而不直接在傳統資料庫上進行
事務（傳統）資料庫不是不行啊，只不過你不要在事務資料庫上直接進行統計、分析，因為會影響到前端業務處理的人的速度，
可以單另導出來進行分析統計；
數據倉庫的載體也是傳統資料庫的載體啊，一樣的，例如ORACLE\SQLSERVER等，都可以的，
如果你會數據倉庫建模，那也不錯啊，你可以發現你會發現多維查詢語句會比SQL語句更方便，更快速，
數據倉庫之所以查詢比較快，是因為電腦趁人睡覺的時候，已經提前把人可能查詢的方式計算了一遍，將大部分可能的方式都計算出結果，直接存到某地址，然後人睡醒後查詢直接查那地址就可以了
『肆』 數據倉庫是做什麼的
目前，數據倉庫一詞尚沒有一個統一的定義，著名的數據倉庫專家W.H.Inmon在其著作《Building the Data Warehouse》一書中給予如下描述：數據倉庫（Data Warehouse）是一個面向主題的（Subject Oriented）、集成的（Integrate）、相對穩定的（Non-Volatile）、反映歷史變化（Time Variant）的數據集合，用於支持管理決策。對於數據倉庫的概念我們可以從兩個層次予以理解，首先，數據倉庫用於支持決策，面向分析型數據處理，它不同於企業現有的操作型資料庫；其次，數據倉庫是對多個異構的數據源有效集成，集成後按照主題進行了重組，並包含歷史數據，而且存放在數據倉庫中的數據一般不再修改。
根據數據倉庫概念的含義，數據倉庫擁有以下四個特點：
1、面向主題。操作型資料庫的數據組織面向事務處理任務，各個業務系統之間各自分離，而數據倉庫中的數據是按照一定的主題域進行組織。主題是一個抽象的概念，是指用戶使用數據倉庫進行決策時所關心的重點方面，一個主題通常與多個操作型信息系統相關。
2、集成的。面向事務處理的操作型資料庫通常與某些特定的應用相關，資料庫之間相互獨立，並且往往是異構的。而數據倉庫中的數據是在對原有分散的資料庫數據抽取、清理的基礎上經過系統加工、匯總和整理得到的，必須消除源數據中的不一致性，以保證數據倉庫內的信息是關於整個企業的一致的全局信息。
3、相對穩定的。操作型資料庫中的數據通常實時更新，數據根據需要及時發生變化。數據倉庫的數據主要供企業決策分析之用，所涉及的數據操作主要是數據查詢，一旦某個數據進入數據倉庫以後，一般情況下將被長期保留，也就是數據倉庫中一般有大量的查詢操作，但修改和刪除操作很少，通常只需要定期的載入、刷新。
4、反映歷史變化。操作型資料庫主要關心當前某一個時間段內的數據，而數據倉庫中的數據通常包含歷史信息，系統記錄了企業從過去某一時點(如開始應用數據倉庫的時點)到目前的各個階段的信息，通過這些信息，可以對企業的發展歷程和未來趨勢做出定量分析和預測。
企業數據倉庫的建設，是以現有企業業務系統和大量業務數據的積累為基礎。數據倉庫不是靜態的概念，只有把信息及時交給需要這些信息的使用者，供他們做出改善其業務經營的決策，信息才能發揮作用，信息才有意義。而把信息加以整理歸納和重組，並及時提供給相應的管理決策人員，是數據倉庫的根本任務。因此，從產業界的角度看，數據倉庫建設是一個工程，是一個過程。
整個數據倉庫系統是一個包含四個層次的體系結構，具體由下圖表示。
數據倉庫系統體系結構
·數據源：是數據倉庫系統的基礎，是整個系統的數據源泉。通常包括企業內部信息和外部信息。內部信息包括存放於RDBMS中的各種業務處理數據和各類文檔數據。外部信息包括各類法律法規、市場信息和競爭對手的信息等等；
·數據的存儲與管理：是整個數據倉庫系統的核心。數據倉庫的真正關鍵是數據的存儲和管理。數據倉庫的組織管理方式決定了它有別於傳統資料庫，同時也決定了其對外部數據的表現形式。要決定採用什麼產品和技術來建立數據倉庫的核心，則需要從數據倉庫的技術特點著手分析。針對現有各業務系統的數據，進行抽取、清理，並有效集成，按照主題進行組織。數據倉庫按照數據的覆蓋范圍可以分為企業級數據倉庫和部門級數據倉庫（通常稱為數據集市）。
·OLAP伺服器：對分析需要的數據進行有效集成，按多維模型予以組織，以便進行多角度、多層次的分析，並發現趨勢。其具體實現可以分為：ROLAP、MOLAP和HOLAP。ROLAP基本數據和聚合數據均存放在RDBMS之中；MOLAP基本數據和聚合數據均存放於多維資料庫中；HOLAP基本數據存放於RDBMS之中，聚合數據存放於多維資料庫中。
·前端工具：主要包括各種報表工具、查詢工具、數據分析工具、數據挖掘工具以及各種基於數據倉庫或數據集市的應用開發工具。其中數據分析工具主要針對OLAP伺服器，報表工具、數據挖掘工具主要針對數據倉庫。
『伍』 什麼是數據倉庫為什麼要建立數據倉庫數據倉庫有什麼特點
數據倉庫概念:
英文名稱為Data Warehouse，可簡寫為DW或DWH。數據倉庫的目的是構建面向分析的集成化數據環境，為企業提供決策支持（Decision Support）。它出於分析性報告和決策支持目的而創建。
這就要從數倉能解決的問題或者痛點來說，大型公司的業務相對復雜，隨著公司業務的擴大，跨BU，跨BG的業務往來越來越多，而數據一般分散在各個部門，這樣需要統一的平台來存儲這樣的跨系統的數據。此外，近年來分庫分表等應用越來越多，僅通過傳統關系型資料庫做數據分析和挖掘已經不能滿足要求。當然隨著手機APP的大量使用，埋點等數據一般都以log日誌方式存在，需要一個新的介質後者方案來解析這些數據，為了解決這個問題，數倉技術應運而生。
反過來講，如果公司系統較為單純，數據量比較小，傳統關系型資料庫以及完全可以滿足數據檢索和分析的需求，就不需要花成本來構建數倉。
其實構建數倉的原因還有很多，但無非是用一個更可靠的平台把分散的低價值的數據通過清洗，整合，分析挖掘使得數據的價值最大化。
『陸』 為什麼要建立數據倉庫
數據倉庫是為了滿足分析需要，對源數據進行了Transform過程，具體是怎樣一個處理過程，可以從Bill Inmon的倉庫定義四個特性進行理解。）數據倉庫系統（用資料庫裝東西）與其他基礎業務系統（例如財務系統、銷售系統、人力資源系統等，也是用資料庫裝東西）的區別是： 基礎業務系統的特點是各管各的，例如財務系統生產了白菜，那麼用一個資料庫來裝，人力資源系統生產了豬肉，再用一個資料庫來裝。我要做一道菜，需要分別到各個資料庫去取，比較麻煩（現實的情況是大部分時候讓種菜的農民伯伯送過來，但送過來的東西不一定是我想要的，而且不同的時候我想要不同的東西，經常會被農民伯伯罵，弄得雙方都不開心）。另外一方面，各個資料庫中放的是一些比較原始的東西，我要拿過來做菜，還需要經過很麻煩的清洗過程，一不小心裏面可能就藏著一條大青蟲。那麼，數據倉庫系統就是建立一個大的超市，將各地農民伯伯出產的東西收集過來，清洗干凈，分門別類地放好。這樣，你要哪種菜的時候，直接從超市裡面拿就可以了。
數據倉庫的特點是：
(1)數據倉庫是面向主題的.
(2)數據倉庫是集成的
(3)數據倉庫具有時間相關性.
(4)數據倉庫的數據是相對穩定的.
『柒』 第二章數據倉庫和數據挖掘的olap技術 2.1什麼是數據倉庫
何謂數據倉庫？為什麼要建立數據倉庫？答：數據倉庫是一種新的數據處理體系結構，是面向主題的、集成的、不可更新的(穩定性)、隨時間不斷變化(不同時間)的數據集合，為企業決策支持系統提供所需的集成信息。建立數據倉庫的目的有3個：一是為了解決企業決策分析中的系統響應問題，數據倉庫能提供比傳統事務資料庫更快的大規模決策分析的響應速度。二是解決決策分析對數據的特殊需求問題。決策分析需要全面的、正確的集成數據，這是傳統事務資料庫不能直接提供的。三是解決決策分析對數據的特殊操作要求。決策分析是面向專業用戶而非一般業務員，需要使用專業的分析工具，對分析結果還要以商業智能的方式進行表現，這是事務資料庫不能提供的。何謂數據挖掘？它有哪些方面的功能？答：從大量的、不完全的、有雜訊的、模糊的、隨機的數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程稱為數據挖掘。相關的名稱有知識發現、數據分析、數據融合、決策支持等。數據挖掘的功能包括：概念描述、關聯分析、分類與預測、聚類分析、趨勢分析、孤立點分析以及偏差分析等。
『捌』 為什麼建立數據倉庫 就是目的 要一句簡要的概括
為了分析數據，了解經營、運營、管理現狀，並發現規律用來指導經營、運營、管理。
『玖』 數據倉庫的定義
目前，大家公認的數據倉庫創始人W H.Inmon在他所著的《建立數據倉庫》一書中對數據倉庫所下的定義;數據倉庫就是面向主題的、集成的、穩定的、不同時間的數據集合，用以支持經營管理中的決策制定過程。數據倉庫中的數據面向主題與傳統的資料庫面向應用相對應。主題是一個在較高層次將數據歸類的標准，每一個主題對應一個宏觀的分析領域。數據倉庫的集成特性是指在數據進入數據倉庫之前，必須進行數據加丁一和集成，這是建立數據倉庫的關鍵步驟，首先要統一原始數據中的矛盾之處，還要將原始數據結構做一個從面向應用向面向主題的轉變，數據倉庫的穩定性是指數據倉庫反映的是歷史數據的內容，而不是日常事務處理產生的數據，數據經加工和集成進入數據倉庫後是很少修改或根本不修改的;數據倉庫是不同時間的數據集合，它要求數據倉庫中的數據保存時限能滿足進行決策分析的需要，而且數據倉庫中的數據都要標明該數據的歷史時期。
數據倉庫最根本的特點是物理地存放數據，而且這些數據並不是最新的、專有的，而是來源於其他資料庫，它要建立在一個較全面和完善的信息應用的基礎上，用於支持高層決策分析，而事務處理資料庫在企業的信息環境!!，承擔的是日常操作性的任務，數據倉庫是資料庫技術的一種新的應用，到目前為止，數據倉庫還是用資料庫管理系統來管理其中的數據。
『拾』 數據倉庫是什麼意思啊通俗的講
數據倉庫：數據倉庫之父比爾·恩門（Bill Inmon）在1991年出版的「Building the Data Warehouse」（《建立數據倉庫》）一書中所提出數據倉庫是一個面向主題的（Subject Oriented）、集成的（Integrate）、相對穩定的（Non-Volatile）、反映歷史變化（Time Variant）的數據集合，從字面意義上看數據倉庫就是數據的倉庫，它的實質就是一個可以容納更多數據的數據集。其目的是通過將操作型數據集成帶統一的環境中，為企業所有級別的決策制定過程，提供所有類型數據支撐的戰略集合，主要是用於數據挖掘和數據分析，以建立數據沙盤為基礎，為消滅消息孤島和支持決策。數據倉庫關注的是解決數據一致性，可信性，集合性……通過統一數據口徑，整理清洗數據將雜亂無序的業務數據轉化為對於業務運營、業務分析來說簡單易用的數據形式。
就零售行業來講，其每天進行的交易行為是以萬或者千萬來講的，每一次數據錄入必須要在極短的時間內完成。所以資料庫只能儲存短時間的一段數據，數據倉庫則是根據這些時效數據，對數據進行清洗處理，然後進行分析，挖掘利用數據倉庫中的數據價值，為企業進行決策提供數據支撐。