数据仓库，全称为Data Warehouse，简称为DW。

自诞生之日起，DW就是为了分析而生，为了决策而生。

如果要给一个比喻的话，DW有点像一名老师：老师会把广阔的知识体系嚼碎了喂给你，就像DW会把广阔的数据加工好再呈现给你。

大数据的时代，人人都是数据分析师。

这句话曾出现在各大数据分析培训班的广告词上。

事实上，对于新时代的我们来说，对数据的分析确实应该成为一个技能，但不是培训班里的速食盒饭，而应该是对数据的更深层次的理解。

一张图看懂数仓

数据仓库DW，就是在理解数据的道路上的第一道关卡。关于数据仓库，我汇总了很多问题：

1）有人问，都有了数据库，为什么还需要数仓？

这就像都有了小轿车，为什么还需要公共汽车一样的道理。因为使用的场景不一样。不是说小轿车不能运人，只是小轿车在运人的过程中效率有点低，一次只能装4个人。

数据库也不是不能用来做分析，只是用数据库来做分析的话，效率低了一点。

而把数据从数据库里抽取出来，通过ETL之后，转化成数仓里的数据，这样看过去就顺眼了很多。

2）又有人问了，经常听人说，数仓是面向主题的。什么叫面向主题？

所谓的面向主题，就是顾名思义，数仓的建立是有明确目标的。比如今天我要建立一个数仓，肯定是为了分析什么问题，要分析的问题就是这个数仓的主题。

我想分析一下一个人的消费和他的收入这个主题，那么就得围绕着这个主题来进行数仓的建设，其他无关的数据就不在这个主题之内。然后我得出了一个惊人的结论：一个人没有收入了之后，他就不会消费了。

3）数据仓库都有哪些数据建模方法？

范式建模、维度建模等常见的建模方法，大家都在用。

范式建模，学过计算机的应该都清楚，ER图总见过吧？实体与关系，就是对这个世界最直观的抽象。

最基本的ER图

维度建模，就是数据仓库里最常见的建模方法了。

其实，这里的维度建模，某种程度上，也体现了数据仓库是面向主题的。因为维度建模的第一件事，就是要选择一个业务，或者说选取一个事件。

选择事件之后，就是围绕着这个事件进行维度建模了。听起来挺抽象，但实际一操作，就很直观。

4）为啥要做数据分层设计？

对应现实世界，就是专业的人做专业的事。分工，懂不懂？数据分层也是一样，ODS、DWD、DWS，还有其他的分层设计方式，目的是一样的。

简单的分层体系