工业大数据分析与治理（工业数据治理11）

数据仓库（Data Warehouse，DW）是由业务应用程序生成或收集的数据的存储库，存储用于预定的分析目的。大部分数据仓库都建立在关系型数据之上，它们确实对数据应用了预定义的架构。在加载数据之前，通常必须按照预期用途对数据进行清理、整合和组织。

数据仓库允许组织将来自不同系统的数据整合到通用数据模型中，以支持操作功能、合规性需求和商务智能（BI）活动。数据仓库技术出现于20世纪80年代，许多组织在20世纪90年代开始认真构建数据仓库。数据仓库能够通过减少数据冗余和提高数据一致性，使组织更有效地使用数据。

术语“数据仓库”意味着所有的数据都在一个地方，就像在物理仓库中一样，但数据仓库要复杂得多。数据仓库由多个部分组成，数据可在其中迁移。在迁移过程中，可以更改数据的结构和格式，以便将其汇集到通用表中，使数据消费者从通用表中进行访问。通用表可以直接用于报告或作为下游应用程序的输入。

构建数据仓库需要各种数据管理技能，包括从数据存储、操作和整合所需的高技术技能，到数据治理和数据策略的决策技能。这也意味着需要管理那些基础流程，从而使数据安全、可用（通过可靠的元数据）和高质量。

构建数据仓库有不同的方法。具体采用什么方法将取决于组织的目标、战略和架构。无论采用何种方法，数据仓库都有共同的特性：

（1）数据仓库存储来自其他系统的数据，使其易于访问并可用于分析。

（2）数据存储行为包括以增加数据价值的方式组织数据。在许多情况下，这意味着数据仓库有效地创建了其他地方无法获得的新数据。

（3）组织之所以构建数据仓库，是因为它们需要向授权的利益相关方提供可靠、集成的数据。

（4）数据仓库有很多用途，包括支持工作流程、运营管理和预测分析等。

最著名的数据仓库方法论是由两位有影响力的思想领袖——比尔·恩门（Bill Inmon）和拉尔夫·金博尔（Ralph Kimball）推动的。

Bill Inmon将数据仓库定义为“面向主题的、集成的、反映历史变化的、相对稳定的数据集合，以支持管理层的决策过程”。数据仓库是一个规范化的关系模型，用于存储和管理数据。图1展示了Bill Inmon的方法，该方法被称为“企业信息工厂”。

Ralph Kimball将数据仓库定义为“专门为查询和分析构建的交易数据的副本”。图2展示了Ralph Kimball的方法，该方法需要一个维度模型。

目前，许多组织都在构建第二代和第三代数据仓库，或采用数据湖来提供数据。

（5）提升透明度和自助服务。提供的数据相关信息（包括多种元数据）越多，数据消费者从数据中获得的价值就会越大。所以，要让利益相关方了解数据及其集成过程。

（6）为数据仓库构建元数据。数据仓库成功的关键是解释数据的能力。例如，能够回答“为什么总和为X”“如何计算”和“数据来自何处”等基本问题。元数据应作为开发周期的一部分被采集，并作为数据运营的一部分被管理。

（7）协作。数据仓库管理与其他数据职能协作，尤其是数据治理、数据质量和元数据。

（8）没有适用一切的模式。为每组数据消费者提供相应的数据工具和产品。

来源：合规一本通