1. 数据仓库结构设计
- DB：现有的数据来源（也称各个系统的元数据），可以为MySQL、SQLserver、文件日志等，为数据仓库提供数据来源的一般存在于现有的业务系统之中。
- ETL是 Extract-Transform-Load 的缩写，描述将数据从来源迁移到目标的过程
【Extract】:数据抽取，把数据从数据源读出来；
【Transform】：数据转换，把原始数据转换为期望的格式和维度。如果在数据仓库的场景下，Transform也包含数据清理、清除噪音数据等；
【Load】：数据加载，把处理后的数据加载到目标处，如数据仓库等 - ODS：操作性数据。作为数据库到数据仓库的一种过渡，ODS的数据格式一般和数据源保持一致，便于减少ETL的工作复杂性，且ODS的数据周期较短，ODS的数据最终流入DW。
- DW： (Data Warehouse)数据仓库，是数据的归宿。这里保存着所有从ODS来的数据，长期保存，数据不会被修改。
- DM(Data Mart) 数据集市，为了特定的应用目的或应用范围，而从数据仓库中独立出来的一部分数据，也可称为部门数据或主题数据。面向应用。
2. 数据仓库
数据仓库(Data Warehouse) 简称DW，顾名思义，数据仓库是一个很大的数据存储集合，出于企业的分析性报告和决策支持目的而创建，对多样的业务数据进行筛选与整合。它为企业提供一定的BI（商业智能）能力，指导业务流程改进、监视时间、成本、质量以及控制。
数据仓库存储是一个面向主题（移动的用户分析也可做为一个主题）的，反映历史变化数据，用于支撑管理决策
特征：
- 效率足够高，要对进入的数据快速处理。
- 数据质量高，数据仓库是提供很多决策需要的数据支撑，DW的数据应该是唯一的具有权威性的数据，企业的所有系统只能从DW取数据，所以需要定期对DW里面的数据进行质量审，保证DW里边数据的唯一、权威、准确性。
- 扩展性，企业业务扩展和降低企业建设数据仓库的成本考虑
- 面向主题，数据仓库中的数据是按照一定的主题域进行组织的，每一个主题对应一个宏观的分析领域，数据仓库排除对决策无用的数据，提供特定主题的简明视图。
- 数据仓库主要提供查询服务，并且需要查询能够及时响应
- DW的数据也是只允许增加不允许删除和修改，数据仓库主要是提供查询服务，删除和修改在分布式系统.
3. 操作性数据
操作性数据(Operational Data Store) 简称ODS，作为数据库到数据仓库的一种过渡形式，与数据仓库在物理结构上不同。ODS存储的是当前的数据情况，给使用者提供当前的状态，提供即时性的、操作性的、集成的全体信息的需求。ODS作为数据库到数据仓库的一种过渡形式，能提供高性能的响应时间，ODS设计采用混合设计方式。ODS中的数据是"实时值"，而数据仓库的数据却是"历史值"，一般ODS中储存的数据不超过一个月，而数据仓库为10年或更多。
特征：
- ODS直接存放从业务抽取过来的数据，这些数据从结构和数据上与业务系统保持一致，降低了数据抽取的复杂性。
- 转移一部分业务系统的细节查询功能，因为ODS存放的数据与业务系统相同，原来有业务系统产生的报表，现在可以从ODS中产生。
- 完成数据仓库中不能完成的功能，ODS存放的是明细数据，数据仓库DW或数据集市DM都存放的是汇聚数据，ODS提供查询明细的功能。
- ODS数据只能增加不能修改，而且数据都是业务系统原样拷贝，所以可能存在数据冲突的可能，解决办法是为每一条数据增加一个时间版本来区分相同的数据。
4. 数据集市
数据集市(Data Mart)简称DM，是为了特定的应用目的或应用范围，而从数据仓库中独立出来的一部分数据，也可称为部门数据或主题数据（subjectarea）。在数据仓库的实施过程中往往可以从一个部门的数据集市着手，以后再用几个数据集市组成一个完整的数据仓库。需要注意的就是在实施不同的数据集市时，同一含义的字段定义一定要相容，这样再以后实施数据仓库时才不会造成大麻烦。
数据集市，以某个业务应用为出发点而建设的局部DW,DW只关心自己需要的数据，不会全盘考虑企业整体的数据架构和应用，每个应用有自己的DM。
特征：
- DM结构清晰，针对性强，扩展性好，因为DM仅仅是单对一个领域而建立，容易维护修改
- DM建设任务繁重，公司有众多业务，每个业务单独建立表。
- DM的建立更多的消耗存储空间，单独一个DM可能数据量不大，但是企业所-有领域都建立DM这个数据量就会增加多倍。
