Ett datalager lagrar integrerad data från flera källor för analys. Det är inte en produktionsdatabas. Produktionssystem driver verksamheten. Lagret stöder rapportering och beslutsfattande. Data flödar från källsystem till lagret via ETL- eller ELT-pipelines. Lagret rensar, omvandlar och organiserar data till ett schema som är optimerat för frågor. Analytiker och Business Intelligence-verktyg frågar lagret istället för produktionssystemen.

Arkitekturen separerar arbetsbelastningar. Att köra en tung analytisk fråga på en produktionsdatabas saktar ner de applikationer som kunderna använder. Lagret isolerar den belastningen. Det integrerar också data. En kunds beställningar, supportärenden och webbaktivitet finns i olika system. Lagret sammanför dem. Det är den enhetliga vyn som insikten kommer ifrån. Traditionella lager kördes på specialiserade apparater från Teradata, Oracle och IBM. Molnlager som Snowflake, BigQuery och Redshift förändrade ekonomin. De separerar lagring från beräkning, skalar elastiskt och debiterar efter användning. Inträdesbarriären sjönk. Mindre företag har nu råd med lagerfunktioner som en gång krävde en stor kapitalinvestering. Tekniken förändrades. Syftet gjorde det inte: att lagra integrerade data för analys.

Lageregenskaper

• Ämnesorienterad — organiserad kring affärsområden
• Integrerad — kombinerar data från flera källor
• Tidsvariant — sparar historisk data
• Icke-flyktig — data laddas och läses, uppdateras inte på plats
• Optimerad för frågor — index, partitioner, kolumnär lagring

Ett lager är ett bibliotek. Källsystem är författarna. Analytiker är läsarna. Lagret organiserar samlingen.