数据仓库是体系结构环境的核心，是决策支持系统处理的基础。数据仓库的建设中核心步骤是首先要对数据仓库的结构进行了解、建立主题域、管控数据的粒度并对数据进行分区处理。下面我们就具体了解每一个过程。
一、数据仓库的结构
数据仓库环境中存在着不同的细节级：早期细节级（通常存储在海量存储上）、当前细节级、轻度综合数据级（数据集市级）以及高度综合数据级。数据仓库的结构图如下：
数据仓库的数据流转顺序：
“1”数据由操作型环境导入到当前细节数据。
“2”由当前细节数据到轻度汇总数据。
“3”由轻度汇总到高度汇总数据。
如果数据已过它的生命周期，此时执行“4”将数据转入早期细节存储。
二、数据仓库主题域
数据仓库是面向高层企业数据模型，已经定义好的企业主题域。典型的主题域有：顾客、产品、交易或活动、政策、索赔、账目。在具体项目实施中建立主题域应该遵循以下三点：
1.数据仓库中，每一个主要主题域都是以一组相关的物理表来具体实现的。
2.某一个主题域的所有物理表通过一个公共关键字联系在一起。
3.当数据围绕主题组织时，每张物理表都有一个时间元素。
三、数据仓库中数据的粒度
数据仓库中数据的粒度是数据仓库设计中最重要的问题。数据仓库中粒度的选择应当在清楚地知道那些体系结构部件需要从数据仓库获取数据的前提下进行。粒度化存在选择高粒度级还是低粒度级是个问题，以下对两种粒度进行了对比。
1.粒度化越低数据仓库越灵活，但是数据量大、查询范围大、存储空间大。
2.粒度化越高，丢失了细节数据，降低了数据处理量，对很多需要细节的数据分析不支持。
对比两种方式非常低的粒度会带来大量数据，系统最终会被巨大的数据量所压垮。非常高的粒度虽然处理起来高效，但却不能进行许多需要细节数据的分析。
如何在高粒度和低粒度中权衡
高低粒度的权衡非常困难，解决的方法是建立一个服务于不同类型查询与分析的双重粒度的多层数据仓库，可以有效的解决数据仓库的粒度问题。
四、数据仓库数据的分区
数据分区是指把数据分散到可独立处理的分离物理单元中去。管理小的物理单元将比管理大的物理单元更加灵活。
分区标准多种多样，例如，按：时间、业务范围、地理位置、组织单位等标准进行分区。
在数据仓库建设中有两种分区方法——在DBMS／操作系统层和在应用层进行分区，每一种分区方法都有各自的优缺点，通常，分区是在应用层而非系统层进行的。
五、小结
数据仓库通常是有点及面，由个别到全部，有小到大的一个建设过程。中间会遇到性能、协调、使用等上面的各种问题，这是就需要一步一步积累经验，优化方法。数据仓库并非一天建成，它是一个往复的过程，一步一步的实现的。
