資料倉儲

数据仓库（港台译資料倉儲）是一门新兴的资讯科技相关理论，以下用二种方式解释。

较简易的解释方式

資料倉儲是一种资讯系统的资料储存理论，此理论强调利用某些特殊资料储存方式，让所包含的资料，特别有利于分析处理，以产生有价值的资讯并依此作决策。

利用資料倉儲方式所存放的资料，具有一但存入，便不随时间而更动的特性，同时存入的资料必定包含时间属性，通常一个資料倉儲皆会含有大量的历史性资料，并利用特定分析方式，自其中发掘出特定资讯。

较学术的解释方式

資料倉儲 ，由資料倉儲之父W.H.Inmon于1990年提出，主要功能乃是将组织透过资讯系统之联机交易处理(OLTP)经年累月所累积的大量资料，透过資料倉儲理论所特有的资料储存架构，作一有系统的分析整理，以利各种分析方法如线上分析处理(OLAP)、資料挖掘(Data Mining)之进行，并进而支援如决策支援系统(DSS)、主管资讯系统(EIS)之建立，帮助决策者能快速有效的自大量资料中，分析出有价值的资讯，以利决策拟定及快速回应外在环境变动，帮助建构商业智慧(BI)。

資料模型

有別於一般联机交易处理(OLTP)系統，資料模型設計是一個資料倉儲設計的地基，目前兩大主流理論分別為採用正規方式(normalized approach)或多維方式(dimensional approach)進行資料模型設計。資料模型可以分為邏輯與實體資料模型。邏輯資料模型陳述業務相關資料的關聯，基本上是一種與資料庫無關的結構設計，通常均會採用正規方式設計，主要精神是從企業業務領域的角度及高度訂出subject area model，再逐步向下深入到entities、attributes，在設計時不會考慮未來採用的資料庫管理系統，也不需考慮分析效能問題。而實體資料模型則與資料庫管理系統有關，是建置在該系統上的資料架構，故設計時需考慮資料型態(data type)、空間及效能相關的議題。實體資料模型設計，則較多有採用正規方式或多維方式的討論，但從實務上來說，不執著於理論，能與業務需要有最好的搭配，才是企業在建置資料倉儲時的正確考量。

資料倉儲的建制不仅只是资讯工具技术面的运用，在规画和执行面更需对产业知识、行销管理、市场定位、策略规画等相关条件有深入的了解，才能真正发挥資料倉儲以及后续分析工具的价值，提升组织竞争力。

資料倉儲的特性

主题导向(Subject-Oriented)

有别于一般OLTP系统，資料倉儲的资料模型设计，着重将资料按其意义归类至相同的主题区(subject area)，因此称为主题导向。举例如Party、Arrangement、Event、Product等。

整合性(Integrated)

资料来自企业各OLTP系统，在資料倉儲中是整合过且一致的。

时间差异性(Time-Variant)

资料的变动，在資料倉儲中是能够被纪录以及追踪变化的，有助于能反映出能随着时间变化的资料轨迹。

不变动性(Nonvolatile)

资料一旦确认写入后是不会被取代或删除的，即使资料是错误的亦同。(i.e.错误的后续修正，便可因上述时间差异性的特性而被追踪)

ODS、資料倉儲和资料超市之异同

Operational data store(ODS)、資料倉儲和资料超市三者相同之处在于均不属于任一OLTP系统，并且都是以资料导向的设计而非流程(process)导向。

相异之处在于，ODS的特性较着重于战术性查询，变动性大。資料倉儲通常为企业层级，用来解答即兴式、临时性的问题。而资料超市则较偏向解决特定单位或部门的问题，部分采用维度模型(dimensional model)。

資料挖掘、OLAP和資料倉儲

資料倉儲可以作为資料挖掘和OLAP等分析工具的资料来源，由于存放于資料倉儲中的资料，必需经过筛选与转换，因此可以避免分析工具使用错误的资料，而得到不正确的分析结果。

資料挖掘和OLAP同为分析工具，其差别在于OLAP提供使用者一便利的多维度观点和方法，以有效率的对資料进行复杂的查询动作，其预设查询条件由使用者预先设定，而資料挖掘，则能由资讯系统主动发掘资料来源中，未曾被查觉的隐藏资讯，和透过使用者的认知以产生知识。

資料挖掘(Data Mining)技术是经由自动或半自动的方法探勘及分析大量的资料，以建立有效的模型及规则，而企业透过資料挖掘更瞭解他们的客户，进而改进他们的行销、业务及客服的运作。資料挖掘是資料倉儲的一种重要运用。基本上，它是用来将你的资料中隐藏的资讯挖掘出来，所以 Data Mining 其实是所谓的 Knowledge Discovery 的一部份，Data Mining 使用了许多统计分析与 Modeling 的方法，到资料中寻找有用的特征（Patterns）以及关连性（Relationships）。 Knowledge Discovery 的过程对 Data Mining 的应用成功与否有重要的影响，只有它才能确保 Data Mining 能获得有意义的结果。

参见