数据仓库是一个面向主题的、集成的、非易失的且随时间变化的数据集合，用来支持管理人员的决策。这是数据仓库的定义。我们分别对其特点进行说明。
面向主题
操作型系统是围绕应用进行组织，比如对于电商系统，应用服务包括下单/支付/评价等业务过程，但是从主题的角度来看，就是商品，用户与商家。集成
还记得我们之前说的"蛛网"结构么？结合上面说的"操作型系统是围绕应用组织的"，我们很容易发现，从不同的服务获取的数据中，相同的定义，由于不同的团队规则不同(可能是规范不同，甚至是程序员自己的习惯差异)，导致数据也会不同。比如"性别"这个数据，就会有很多种方法来表示男与女，比如: 0/1,x/y,m/f等等，在团队内部，这样的记录方式没有问题，但是在整体使用时，这样的数据给使用带来一些麻烦。除了性别这个例子，其它的比如各种单位:金额，距离，都很可能发生这种情况。
把各个数据源不同规则的数据整合成一致，就是数据仓库的"集成"的意义。非易失
操作型数据随时可能会更新，更新之后只能访问到最新的状态，过去的数据不得而知。而数据仓库的数据则是保持载入时的状态，不会进行一般意义上的更新。(除非回溯数据)随时间变化
数据仓库中的数据生命周期要远远长于操作数据，操作型数据往往存一段时间，但是数据仓库中的数据现在一般不删除(当然也有生命周期的设计，但是得利于存储介质的越来越廉价，一般不删数据了)
操作型数据是"当前"的数据，往往不会有日期数据。而数据仓库是历史上一系列不同时间的数据快照，必然需要包含额外的时间元素，比如年/月/日。
数据仓库结构
面向主题
顾客
商品
内容
广告
以顾客为例，进行一下说明。
在电商产品中，顾客的行为包括:浏览，点击，推荐，下单，评价，支付等。每个行为分别记录在不同数据中，这些数据，可以通过唯一key:顾客id关联起来，这些数据就组成了顾客主题的基础内容。通过这些行为来建设顾客主题。
第一天到第N天
第一天:完成一个需求。
第二天:完成一系列相似需求，抽取一个主题。
第三天:加载更多数据，抽取多个主题。
第四天:完成更多需求。
第五天:数据集市的推出，提供需求部门使用。
……
重复进行。
待续……
