一、理论派
国内u通常所说的数据仓库的四个特性角度的定义，就是Inmon提出的，因此他被称为数据仓库之父（数据仓库理论大师）。
数据仓库理论大师
Inmon数据仓库模型
Inmon 提倡以三范式构建集中式的企业数据仓库(EDW)，作为整个系统核心。其上再建设若干面向主题的、遵循维度模型设计的数据集市。前端工具直接访问数据集市，而不访问EDW。
对应词汇：
EDW: Enterprise Dimensional Warehouse 企业级数据仓库
知识盲区：
三范式：解释一下关系数据库的第一第二第三范式？（知乎）
二、实践派
而实践大师Kimball的工具箱系列著作，也被奉为数据仓库建设的经典书籍。
数据仓库实践大师
Kimball数据仓库架构
对应词汇：
Transaction Application 业务领域 ETL 数据抽取转换加载 Dimensional Data Wareouse（数据仓库） Data mart（数据库） within data warehouseKimball支持数据仓库总线结构，提倡维度建模，以星型模型或是雪花模型等方式构建维度数据仓库。架构体系中，数据集市于维度数据仓库是紧密结合的，数据集市是数据仓库中一个逻辑上的主题域。各种前端工具将可以直接访问使用维度数据仓库。
知识盲区：
计算机总线结构（百度百科）
维度建模：
其最简单的描述就是，按照事实表，维度表来构建数据仓库，数据集市。这种方法的最被人广泛知晓的名字就是星型模式(Star-schema)。
星型模型：多张维度表都连接到同一张事实表。
雪花模型：雪花模型有部分维度表连接到事实表。
雪花模型是当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。
当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。它对星型模型的维表进一步层次化，原有的各维表可能被扩展为小的事实表，形成一些局部的 "层次 " 区域，这些被分解的表都连接到主维度表而不是事实表。
相比星型模型，雪花模型的特点是贴近业务，数据冗余较少，但由于表连接的增加，导致了效率相对星型模型来的要低一些。
雪花模型
三.数据仓库建设方式：
四.Kimball vs Inmon
Kimball方式对团队技术水平要求不太高，更易于实现，从小型的主题域数据集市建设起，但在逐步建设过程中，联合维度数据仓库的一致性较难控制，适用于战术层级的规划，或是有迫切的目标需要实现。
Inmon的方式，规范性较好，数据集成和数据一致性方面得到处理，适用于较为大型的企业级、战略级的规划。但对团队的要求较高，且实现周期较长、成本高昂。具体可根据企业的规模、项目规划、预算、团队等角度进行综合考虑。
五.形象生动说明Kimball和Inmon架构(可参考一、二中的说明)
参考链接：
数据仓库理论两大流派（天善学院）
深入对比数据仓库模式：Kimball vs Inmon（segmentfault）
期待和大家交流，共同进步，欢迎大家加入我创建的与前端开发密切相关的技术讨论小组：
- SegmentFault技术圈:ES新规范语法糖
- SegmentFault专栏：趁你还年轻，做个优秀的前端工程师
- 知乎专栏：趁你还年轻，做个优秀的前端工程师
- Github博客: 趁你还年轻233的个人博客
- 前端开发QQ群：660634678
微信公众号： 人兽鬼 / excellent_developers
努力成为优秀前端工程师！
