数据仓库的本质就是完成从面向业务过程数据的组织管理到面向业务分析数据的组织和管理的转变过程。

数据仓库类比粮食仓库

业务过程数据的组织管理实际上就是由各种业务系统来完成的，比如ERP、CRM、OA等各类业务系统，解决的是基本的业务流程管理。通过数据的录入 Insert、删除Delete、修改 Update、查询 Search ，即用户在业务系统操作界面中做的增删改查操作，这些操作和业务系统底层的数据库例如MySQL、Oracle、SQL Server 完成了数据的交互，数据也沉淀在这些数据库中。

各个业务系统的数据库比做是一个个粮食仓库的话，数据仓库就可以简单理解为，要把各个分散的粮食仓库的粮食搬运到一个更大的粮食仓库来集中管理。

不同的独立的粮食仓库中存储的粮食可能不一样，有的粮食坏了可能不能吃了，那么在汇总到大的粮食仓库过程中就需要把这些坏掉的粮食给去除掉。还有在不同的粮食仓库中可能也存了一些同样的粮食，那么在搬运到大的粮食仓库中，就需要去做一些归类合并，按照更好的一种陈列方式将粮食摆放整齐，最后对外支持的时候，就从这个大的粮食仓库直接取粮食就可以了。各类粮食都有，并且有很好的组织形式。

这个从小的粮食仓库搬运、清洗转换、加载粮食的过程就是ETL过程，Extraction 抽取、Transformation 转换、Loading 加载。

数据仓库的本质还是一个数据库，它将各个异构的数据源数据库的数据给统一管理起来，并且完成了质量较差的数据的剔除、格式转换，最终按照一种合理的建模方式来完成源数据组织形式的转变，以更好的支持到前端的可视化分析。

在这个过程中，有的时候可能用普通的汽车搬运粮食，有的可能用飞机运粮食，有的可能需要每小时运一次，有的可能就需要每天运一次或者每月运一次，这就是ETL工具的选择和数据抽取调度以及抽取频次的管理。有的时候粮食比较多，一般的粮食仓库容量不够，或者要求效率更高，就会选择不同的粮食仓库架构来进行管理，这就是数据仓库技术框架的选择，是选择大数据技术框架，还是一般的技术框架就可以满足，最终决定了我们要建设这个数据仓库的投入成本。

数据的维度和指标

维度就是看数据的角度，被看的数据就是指标。比如：我想看2020年北京地区某品牌电脑的销售量、销售额和毛利。这里面的2020年、北京地区、某品牌电脑就是维度，分别代表了年维度、区域维度和品牌维度，看的是什么数据呢？就是销售量、销售额和毛利，这三个数据就是被看的指标。

这样的一个问题就简单构成了由年、区域、品牌三个维度以及销售量、销售额、毛利三个指标组成的一个简单的分析模型。当然如果需要从其它维度来看这些指标，在构建这个分析模型的时候就可以把这些分析的角度都加进去，形成一个相对比较全面的分析模型。

在这个分析模型中，维度可以任意搭配组合，比如只想知道2019年山东地区的销售量、销售额，实际上就只用到了这个分析模型中的两个维度和两个指标，前台的分析就会根据用户所选择的维度和指标组合相应的 SQL 查询语句到后台数据仓库中查询，并将查询的结果返回到前端页面来渲染并呈现出最后所需要的结果。

SQL

这个 SQL 基本的格式就是 SELECT SUM
（销售量）、SUM（销售额）FROM 模型 GROUP BY 时间、区域，时间过滤条件就是2019年，区域过滤条件就是山东地区。

如果只想知道2020年全年的销售量、销售额，还是刚才的哪个 SQL 语句，只不过在GROUP BY 的时候就只会 GROUP BY 时间这个维度，时间过滤条件就是 2020年。

所以，分析维度和分析指标在这个模型中是可以灵活的组织搭配，动态的组织SQL查询反查数据分析模型，从数据分析模型中提取查询结果返回到前端页面，这就是商业智能 BI 分析的基本原理。

移动BI_ERP数据分析_自助敏捷BI分析_数据可视化分析系统-派可数据