資料倉儲

資料倉儲（中国大陆译数据仓库）是一門新興的資訊科技相關理論，以下用二種方式解釋。

較簡易的解釋方式

資料倉儲是一種資訊系統的資料儲存理論，此理論強調利用某些特殊資料儲存方式，讓所包含的資料，特別有利於分析處理，以產生有價值的資訊並依此作決策。

利用資料倉儲方式所存放的資料，具有一但存入，便不隨時間而更動的特性，同時存入的資料必定包含時間屬性，通常一個資料倉儲皆會含有大量的歷史性資料，並利用特定分析方式，自其中發掘出特定資訊。

較學術的解釋方式

資料倉儲 ，由資料倉儲之父W.H.Inmon於1990年提出，主要功能乃是將組織透過資訊系統之線上異動處理(OLTP)經年累月所累積的大量資料，透過資料倉儲理論所特有的資料儲存架構，作一有系統的分析整理，以利各種分析方法如線上分析處理(OLAP)、資料挖掘(Data Mining)之進行，並進而支援如決策支援系統(DSS)、主管資訊系統(EIS)之建立，幫助決策者能快速有效的自大量資料中，分析出有價值的資訊，以利決策擬定及快速回應外在環境變動，幫助建構商業智慧型(BI)。

資料模型

有別於一般線上異動處理(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。

資料倉儲的建制不僅只是資訊工具技術面的運用，在規畫和執行面更需對產業知識、行銷管理、市場定位、策略規畫等相關條件有深入的了解，才能真正發揮資料倉儲以及後續分析工具的價值，提升組織競爭力。

資料倉儲的特性

主題導向(Subject-Oriented)

有別於一般OLTP系統，資料倉儲的資料模型設計，著重將資料按其意義歸類至相同的主題區(subject area)，因此稱為主題導向。舉例如Party、Arrangement、Event、Product等。

整合性(Integrated)

資料來自企業各OLTP系統，在資料倉儲中是整合過且一致的。

時間差異性(Time-Variant)

資料的變動，在資料倉儲中是能夠被紀錄以及追蹤變化的，有助於能反映出能隨著時間變化的資料軌跡。

不變動性(Nonvolatile)

資料一旦確認寫入後是不會被取代或刪除的，即使資料是錯誤的亦同。(i.e.錯誤的後續修正，便可因上述時間差異性的特性而被追蹤)

ODS、資料倉儲和資料超市之異同

Operational data store(ODS)、資料倉儲和資料超市三者相同之處在於均不屬於任一OLTP系統，並且都是以資料導向的設計而非流程(process)導向。

相異之處在於，ODS的特性較著重於戰術性查詢，變動性大。資料倉儲通常為企業層級，用來解答即興式、臨時性的問題。而資料超市則較偏向解決特定單位或部門的問題，部分採用維度模型(dimensional model)。

資料挖掘、OLAP和資料倉儲

資料倉儲可以作為資料挖掘和OLAP等分析工具的資料來源，由於存放於資料倉儲中的資料，必需經過篩選與轉換，因此可以避免分析工具使用錯誤的資料，而得到不正確的分析結果。

資料挖掘和OLAP同為分析工具，其差別在於OLAP提供使用者一便利的多維度觀點和方法，以有效率的對資料進行複雜的查詢動作，其預設查詢條件由使用者預先設定，而資料挖掘，則能由資訊系統主動發掘資料來源中，未曾被查覺的隱藏資訊，和透過使用者的認知以產生知識。

資料挖掘(Data Mining)技術是經由自動或半自動的方法探勘及分析大量的資料，以建立有效的模型及規則，而企業透過資料挖掘更瞭解他們的客戶，進而改進他們的行銷、業務及客服的運作。資料挖掘是資料倉儲的一種重要運用。基本上，它是用來將你的資料中隱藏的資訊挖掘出來，所以 Data Mining 其實是所謂的 Knowledge Discovery 的一部份，Data Mining 使用了許多統計分析與 Modeling 的方法，到資料中尋找有用的特徵（Patterns）以及關連性（Relationships）。 Knowledge Discovery 的過程對 Data Mining 的應用成功與否有重要的影響，只有它才能確保 Data Mining 能獲得有意義的結果。

參見