在此大概用口水話簡單敘述一下他們幾個概念：

（1）DB/Database/數據庫——這里一般指的就是OLTP數據庫，在線事物數據庫，用來支持生產的，比如超市的買賣系統。DB保留的是數據信息的最新狀態，只有一個狀態！比如，每天早上起床洗臉照鏡子，看到的就是當時的狀態，至于之前的每天的狀態，不會出現的你的眼前，這個眼前就是db。

（2）DW/Data Warehouse/數據倉庫——這里保存的是DB中的不同時間點的狀態，比如，每天早上洗完照鏡子時，都拍一張照片，天天這樣，這些照片放入到一個相冊中，之后就可以查看每一天的狀態了，這個相冊就是數據倉庫，他保存的是數據在不同時間點的狀態，對同一個數據信息，保留不同時間點的狀態，就便于我們做統計分析了。

（3）ETL/Extraction-Transformation-Loading——用于完成DB到DW的數據轉存，它將DB中的某一個時間點的狀態，“抽取”出來，根據DW的存儲模型要求，“轉換”一下數據格式，然后再“加載”到DW的一個過程，這里需要強調的是，DB的模型是ER模型，遵從范式化設計原則，而DW的數據模型是雪花型結構或者星型結構，用的是面向主題，面向問題的設計思路，所以DB和DW的模型結構不同，需要進行轉換。?
（4）OLAP——在線分析系統，簡單說就是報表系統，銷售報表，統計報表，等等，這個大家都熟悉，當然，OLAP的統計要更復雜更豐富一些，比如切面，鉆取等等。?
（5）DM/Data Mining/數據挖掘——這個挖掘，不是簡單的統計了，他是根據概率論的或者其他的統計學原理，將DW中的大數據量進行分析，找出我們不能直觀發現的規律，比如，如果我們每天早上照相，量身材的時候，還記錄下頭一天吃的東西，黃瓜，豬腿，烤鴨，以及心情，如果記錄上10年，形成了3650天的相貌和飲食心情的數據，我們每個人都記錄，有20萬人記錄了，那么，我們也許通過這些記錄，可以分析出，身材相貌和飲食的客觀規律；再說一個典型的實例，就是英國的超市，在積累了大量數據之后，對數據分析挖掘之后，得到了一個規律：將小孩的尿布和啤酒放在一起，銷量會更好——業務專家在得到該結論之后，仔細分析，知道了原因，因為英國男人喜歡看足球的多，老婆把小孩介紹男人看管，小孩尿尿需要尿布，而男人看足球喜歡喝酒，所以兩樣商品有密切的關系，放在一起銷售會更好！

?

（6）BI/Business Intelligence/商業智能——領導，決策者，在獲取了OLAP的統計信息，和DM得到的科學規律之后，對生產進行適當的調整，比如，命令超市人員將啤酒喝尿布放在一起銷售，這就反作用于DB修改存貨數據了——這就是整個BI的作用！

整體結構

在具體分析數據倉庫之前先看下一下數據中心的整體架構以及數據流向

?

數據中心整體架構.png

• DB 是現有的數據來源，可以為mysql、SQLserver、文件日志等，為數據倉庫提供數據來源的一般存在于現有的業務系統之中。
• ETL的是 Extract-Transform-Load 的縮寫，用來描述將數據從來源遷移到目標的幾個過程：
  • Extract，數據抽取，也就是把數據從數據源讀出來。
  • Transform，數據轉換，把原始數據轉換成期望的格式和維度。如果用在數據倉庫的場景下，Transform也包含數據清洗，清洗掉噪音數據。
  • Load 數據加載，把處理后的數據加載到目標處，比如數據倉庫。
• ODS(Operational Data Store) 操作性數據，是作為數據庫到數據倉庫的一種過渡，ODS的數據結構一般與數據來源保持一致，便于減少ETL的工作復雜性，而且ODS的數據周期一般比較短。ODS的數據最終流入DW
  +DW (Data Warehouse)數據倉庫，是數據的歸宿，這里保持這所有的從ODS到來的數據，并長期報錯，而且這些數據不會被修改。
• DM(Data Mart) 數據集市,為了特定的應用目的或應用范圍，而從數據倉庫中獨立出來的一部分數據，也可稱為部門數據或主題數據。面向應用。

數據倉庫

數據倉庫(Data Warehouse) 簡稱DW，顧名思義，數據倉庫是一個很大的數據存儲集合，出于企業的分析性報告和決策支持目的而創建，對多樣的業務數據進行篩選與整合。它為企業提供一定的BI（商業智能）能力，指導業務流程改進、監視時間、成本、質量以及控制。
數據倉庫存儲是一個面向主題（移動的用戶分析也可做為一個主題）的，反映歷史變化數據，用于支撐管理決策。

特征：

• 效率足夠高，要對進入的數據快速處理。
• 數據質量高，數據倉庫是提供很多決策需要的數據支撐，DW的數據應該是唯一的具有權威性的數據，企業的所有系統只能從DW取數據，所以需要定期對DW里面的數據進行質量審，保證DW里邊數據的唯一、權威、準確性。
• 擴展性，企業業務擴展和降低企業建設數據倉庫的成本考慮
• 面向主題，數據倉庫中的數據是按照一定的主題域進行組織的，每一個主題對應一個宏觀的分析領域，數據倉庫排除對決策無用的數據，提供特定主題的簡明視圖。
• 數據倉庫主要提供查詢服務，并且需要查詢能夠及時響應
• DW的數據也是只允許增加不允許刪除和修改，數據倉庫主要是提供查詢服務，刪除和修改在分布式系統.

操作性數據

操作性數據(Operational Data Store) 簡稱ODS，作為數據庫到數據倉庫的一種過渡形式，與數據倉庫在物理結構上不同。ODS存儲的是當前的數據情況，給使用者提供當前的狀態，提供即時性的、操作性的、集成的全體信息的需求。ODS作為數據庫到數據倉庫的一種過渡形式，能提供高性能的響應時間，ODS設計采用混合設計方式。ODS中的數據是"實時值"，而數據倉庫的數據卻是"歷史值"，一般ODS中儲存的數據不超過一個月，而數據倉庫為10年或更多。

特征：

• ODS直接存放從業務抽取過來的數據，這些數據從結構和數據上與業務系統保持一致，降低了數據抽取的復雜性。
• 轉移一部分業務系統的細節查詢功能，因為ODS存放的數據與業務系統相同，原來有業務系統產生的報表，現在可以從ODS中產生。
• 完成數據倉庫中不能完成的功能，ODS存放的是明細數據，數據倉庫DW或數據集市DM都存放的是匯聚數據，ODS提供查詢明細的功能。
• ODS數據只能增加不能修改，而且數據都是業務系統原樣拷貝，所以可能存在數據沖突的可能，解決辦法是為每一條數據增加一個時間版本來區分相同的數據。

數據集市

數據集市(Data Mart)簡稱DM，是為了特定的應用目的或應用范圍，而從數據倉庫中獨立出來的一部分數據，也可稱為部門數據或主題數據（subjectarea）。在數據倉庫的實施過程中往往可以從一個部門的數據集市著手，以后再用幾個數據集市組成一個完整的數據倉庫。需要注意的就是在實施不同的數據集市時，同一含義的字段定義一定要相容，這樣再以后實施數據倉庫時才不會造成大麻煩。
數據集市，以某個業務應用為出發點而建設的局部DW,DW只關心自己需要的數據，不會全盤考慮企業整體的數據架構和應用，每個應用有自己的DM

特征：

• DM結構清洗，針對性強，擴展性好，因為DM僅僅是單對一個領域而建立，容易維護修改
• DM建設任務繁重，公司有眾多業務，每個業務單獨建立表。
• DM的建立更多的消耗存儲空間，單獨一個DM可能數據量不大，但是企業所有領域都建立DM這個數據量就會增加多倍。

?

?

?

?

?

?

?

Power BI是微軟最新的商業智能（BI）概念，它包含了一系列的組件和工具。話不多說，先上圖：

總結

以上是生活随笔為你收集整理的DB、ETL、DW、OLAP、DM、BI关系结构图的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。