数据仓库存储来自多个数据源的集成数据以供分析。它并非生产数据库。生产系统负责业务运行。数据仓库支持报表生成和决策制定。数据通过 ETL 或 ELT 管道从源系统流入数据仓库。数据仓库对数据进行清洗、转换和组织，使其符合针对查询优化的模式。分析师和商业智能工具直接查询数据仓库，而不是生产系统。

这种架构将工作负载分离。在生产数据库上运行繁重的分析查询会降低客户使用的应用程序的速度。数据仓库隔离了这种负载，并整合了数据。客户的订单、支持工单和网络活动数据分别存储在不同的系统中，而数据仓库将它们整合在一起。这种统一的视图正是洞察的来源。传统的数据仓库运行在 Teradata、Oracle 和 IBM 等公司的专用设备上。而 Snowflake、BigQuery 和 Redshift 等云数据仓库改变了这种经济模式。它们将存储与计算分离，实现弹性扩展，并按使用量收费。准入门槛降低，小型公司现在也能负担得起过去需要大量资本投入才能实现的数据仓库功能。技术发生了变化，但目的始终未变：存储用于分析的集成数据。

仓库特点

• 主题导向型——围绕业务领域组织
• 集成式——整合来自多个数据源的数据
• 时变型——保留历史数据
• 非易失性——数据被加载和读取，而不是就地更新。
• 针对查询进行了优化——索引、分区、列式存储

仓库就像一座图书馆。源系统是作者，分析人员是读者，仓库负责整理这些资料。