企业级数据仓库系统使组织能够以标准 数据库 无法实现的方式对大量数据（PB 级或更多）进行强大的分析。数据可以是 结构化 、半结构化的，也可以是非结构化的。数据可以从多个数据库输入仓库，包括 客户关系管理 (CRM) 、 库存 、 销售点 (POS) 和 供应链 管理系统。

三十多年来，数据仓储系统（有时也称为企业数据仓库 (EDW) 系统）一直在为商业智能工作提供支持。它们的功能主要在于从其他来源提取数据、清理和准备数据，以及在 关系数据库 中加载和维护数据。

传统上，数据仓库通常托管在本地大型机上。如今，许多数据仓库都托管在云中，并作为云服务提供。

数据仓库诞生于 20 世纪 80 年代，目的是通过以一致的格式提供综合交易数据来优化数据分析。随着商业应用程序功能的发展和新数据源（包括万维网、社交媒体和 物联网 (IoT) ）的激增，对更大的存储空间和更快分析的需求也日益增长。

随着数据仓库不断发展以支持更大的数据量和更细粒度的数据，组织内越来越多的团队要求直接访问数据以实现 自助分析 功能。

许多组织意识到，他们的旧版数据仓库无法管理这些新的庞大工作量。而且，由于许多数据仓库只存储结构化数据，分析的丰富性可能会受到限制。为此，出现了更灵活的替代方案，包括云原生数据仓库和湖仓一体。（有关更多信息，请参阅“湖仓一体与数据仓库”。）

此层传统上围绕分析引擎构建，最常见的是 在线分析处理 (OLAP) 系统，旨在提供快速的分析和查询速度。此层可使用三种类型的 OLAP 模型：

• 关系在线分析处理 (ROLAP)，可对关系型数据库进行多维数据分析。
  
• 多维在线分析处理 (MOLAP) 使用基于数组的多维存储空间引擎来创建数据的多维视图。
  
• 混合在线分析处理 (HOLAP)，融合了 ROLAP 和 MOLAP 功能。

所使用的 OLAP 模型类型取决于所使用的数据库系统类型。

大多数数据仓库都使用 OLAP 系统来支持分析。OLAP 软件可以从数据仓库等统一、集中的数据存储中对大量数据进行高速多维分析。

一项业务数据通常有多个维度。例如，销售数据可能包括与地点（地区、国家和商店）、时间（年、月、周和日）或产品（品牌、类型）相关的多个维度。

在传统的关系数据库中，数据以行列表的形式组织，这些表每次只能表示两个维度，即行一个维度，列一个维度。这可能会使分析变得繁琐。

然而，OLAP 系统允许用户同时沿多个维度分析数据，从而实现更快的处理速度和更有见地的分析。OLAP 的常见用途包括数据挖掘和其他商业智能应用程序、复杂的分析计算、预测场景、预算编制和预测规划。

OLAP 不同于 在线交易处理 或 OLTP。OLTP 系统实时跟踪大量用户进行的大量交易。OLTP 和 OLAP 之间的主要区别在于，OLTP 系统主要是为获取数据而设计的，而 OLAP 系统则分析已经获取的数据。

OLTP 系统通常使用关系数据库来记录交易，例如：

• 银行业务和 ATM 交易
• 电子商务和店内购物
• 酒店和机票预订

虽然数据仓库一般不涉及 OLTP 系统，但 OLTP 系统记录在数据库中的数据通常会被传送到仓库，由 OLAP 系统进行分析。

雪花模式是数据仓库中使用的另一种组织结构，虽然没有得到广泛采用。在这种情况下，事实数据表连接到多个标准化维度表，其中包含有关中央事实数据表中事实的描述性数据。这些维度表也有子表。

这种更复杂的分支图案就像雪花一样。雪花型架构的用户可享受到较低水平的数据冗余性，但这会以降低查询性能作为代价。

数据层或中央数据库是数据仓库的核心，并由所有其他组件支持。数据可以从业务应用程序、电子邮件列表、网站或任何其他关系数据库中输入。数据实际存储在一台或一组服务器上。

数据层可以分割数据段，使用户只能访问他们需要的数据。例如，销售团队通常无法访问人力资源团队的数据，反之亦然。

通常，数据仓库内置了 数据治理 和安全功能，因此组织不需要做太多的定制数据工程工作就能实现这些功能。随着来自不同来源的新数据被添加到仓库中，组织可能需要随时间更新数据治理原则和安全措施。

ETL 工具可帮助将数据从数据源移动到数据仓库。数据首先从其来源“提取”，移动到暂存区，在那里进行清理和准备（或“转换”），然后“加载” 进入仓库。