感谢关注天善智能，走好数据之路↑↑↑
欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！
首先申明我不是技术大牛，只是一个奋斗在一线的BI实施人员。做过几个DW相关的相关的项目，前不久有个项目客户要求对DW的各层给出准确的解释，借着这个机会总结下我所认识的DW，总结不对的地方欢迎拍砖指教。
DW是是1990年w.h.inmon提出的，定义是：面向主题的，集成的，稳定的，随时间变化的数据集合，用于支持管理决策过程。 DW是属于BI的一个子集，BI（Business Intelligence）是将与企业有关的数据包括内部数据，外部数据等转化成有用信息，形成竞争力的过程。结构如下：
数据仓库主要包括：源端数据，ETL，ODS，DW，数据集市
源端数据：
对企业有价值的数据都可以称作源端数据，主要是企业OLTP系统产生的数据。但在大数据时代数据往往不限于这些，见BI简介。比如对于某出国留学机构，新浪微博中关于出国留学话题的微博是有用数据，他们可以通过爬虫爬取微博，经过Python或者R语言处理（因为微博一般是非结构的文本）形成用户需求，情感倾向等有用信息。
ETL： 数据清洗转化加载。主要通过工具（比如DataStage，SSIS，Kettle等）结合sql实现。ETL可以说是DW的基石，数据的质量，更新的效率都由ETL决定。
ODS：操作数据存储（Operational Data Store）它是贴源的，全局的，近期的数据存储。主要作用是：
●近期数据的OLAP：基于ODS制作近期近实时的报表。近期是指客户查看报表频率最高的时间段，比如物料供应报表99%的查询都是最近一个月的数据，此时如果你的
报表是基于DW（DW存放了全部7年的历史数据）开发的，首先查询查询效率上肯定没有基于ODS快，其次当涉及频繁更新和异常数据修改时DW处理起来就比较麻烦。
●支持企业级跨系统OLTP：比如新增一个代理商涉及CRM系统，财务系统，物理供应系统的记录改变，如果没有ODS层就需要一个个去修改子系统，这样既麻烦又对数据的准确性带来了风险。
DW：顾名思义就是对集团数据的全面存储，也有两大作用：
1、准统一的，高质量的集团信息统一视图，更好的保护企业数据资产
2、为数据分析和挖掘提供基础。
数据流从源端经过ETL可以直接进入DW也可以经过
不得不吐槽下：一个20多年提出的概念，现在没有必要亦步亦趋去实现，应该根据实际情况灵活的选择工具或者方法区去实现。 就像20多年前有人告诉你从A地到B地要先走路去C，再从C做汽车去D，再从D坐火车去B。在当时可能是个标准的解决方案。但后的今天你没有必要去实践那个路线，因为时代变化太快，特别是IT行业。
天善学院svip包含Excel BI、Python爬虫案例、Python机器学习、Python数据科学家、大数据、数据分析报告、数据分析师体系、深度学习、R语言案例10套课程火爆报名中，欢迎大家关注。
本文作者：天善智能社区攻城的狮子
