1、数据仓库的目的及用途

数据仓库泛化、合并多维空间的数据。构造数据仓库涉及数据清理、数据集成、数据变换。

构造数据仓库的构成可以看做数据挖掘的一个重要预处理步骤。同时，数据仓库提供联机分析处理工具（OLAP），用于各种粒度的多维数据的交互分析，有利于有效的数据泛化和数据挖掘。

2、数据仓库体系结构

数据仓库采用三层体系结构：

1）底层是仓库数据库服务器，几乎总是一个关系数据库系统。使用后端工具和实用程序，由操作数据库和其它外部数据源提取数据，放入底层。这些工具和使用程序进行数据提取、清理和变换，以及装入和刷新，以更新数据仓库。

2）中间层是OLAP服务器，其典型的实现使用关系OLAP模型或使用多维OLAP模型。

3）顶层是前端客户层，它包括查询和报告工具、分析工具和数据挖掘工具，如：趋势分析、预测。

三层数据仓库结构（来源：数据挖掘概念与技术）

3、数据仓库模型

从结构的角度看，有三种数据仓库模型：企业数仓、数据集市、虚拟仓库。

1）企业数仓：搜集了关于主题的所有信息，跨越整个企业。它提供企业范围内的数据集成，通常来自一个或多个操作数据库系统或外部信息提供者，并且是多功能的。通常，它包含细节数据和汇总数据。

2）数据集市：包含业务范围数据的一个子集，对于特定的用户群是有用的，起范围限于选定的主题。例如：销售数据集市可能限定其主题为顾客、商品和限售。包括在数据集市中的数据通常是汇总的。

3）虚拟仓库：是操作数据库上视图的集合。为了有效地处理查询，只有一些可能的汇总视图被物化，虚拟仓库易于建立，但需要操作数据库服务器还有余力。

4、数据仓库的数据模型

数据仓库和OLAP工具基于多维数据模型，这种模型把数据看做数据立方体形式。

多维数据模型有：星型模式、雪花模式、事实星座。

1）什么是数据立方体：数据立方体允许以多为对数据建模和观察，它由维和事实定义。

其中，维是一个单位想要记录的透视或实体。

其中，事实是数值度量的，把他们看做数量，是因为我们想根据他们分析维之间的联系。

2）数据模型：

a. 星形模型：是最常见的模型范型。其中数据仓库包含一个大的中心表（事实表），它包含大批数据并且不冗余；以及一组小的附属表（维表），每维一个。这种模式很像是星光四射，维表显示在围绕中心表的射线上。

星型模型

b. 雪花模型：是星型模型的的变种。其中某些维表被规范化，因为把数据进一步分解到附加的表中。结果模式图形成类似于雪花的形状。其和星型模型不同的主要点：雪花模式的维表可能是规范化形式，以便减少冗余。这种表易于维护，并节省存储空间。尽管雪花模式减少了冗余，但在数据仓库设计中，它不如星型模式流行。