首先申明我不是技术大牛，只是一个奋斗在一线的bi实施人员。做过几个dw相关的相关的项目，前不久有个项目客户要求对dw的各层给出准确的解释，借着这个机会总结下我所认识的dw，总结不对的地方欢迎拍砖指教。
dw是是1990年w.h.inmon提出的，定义是：面向主题的，集成的，稳定的，随时间变化的数据集合，用于支持管理决策过程。 dw是属于bi的一个子集，bi（business intelligence）是将与企业有关的数据包括内部数据，外部数据等转化成有用信息，形成竞争力的过程。结构如下：
数据仓库主要包括：源端数据，etl，ods，dw，数据集市
源端数据：
对企业有价值的数据都可以称作源端数据，主要是企业oltp系统产生的数据。但在大数据时代数据往往不限于这些，见bi简介。比如对于某出国留学机构，新浪微博中关于出国留学话题的微博是有用数据，他们可以通过爬虫爬取微博，经过python或者r语言处理（因为微博一般是非结构的文本）形成用户需求，情感倾向等有用信息。
etl： 数据清洗转化加载。主要通过工具（比如datastage，ssis，kettle等）结合sql实现。etl可以说是dw的基石，数据的质量，更新的效率都由etl决定。
ods：操作数据存储（operational data store）它是贴源的，全局的，近期的数据存储。主要作用是：
●近期数据的olap：基于ods制作近期近实时的报表。近期是指客户查看报表频率最高的时间段，比如物料供应报表99%的查询都是最近一个月的数据，此时如果你的
报表是基于dw（dw存放了全部7年的历史数据）开发的，首先查询查询效率上肯定没有基于ods快，其次当涉及频繁更新和异常数据修改时dw处理起来就比较麻烦。
●支持企业级跨系统oltp：比如新增一个代理商涉及crm系统，财务系统，物理供应系统的记录改变，如果没有ods层就需要一个个去修改子系统，这样既麻烦又对数据的准确性带来了风险。
dw：顾名思义就是对集团数据的全面存储，也有两大作用：
1、准统一的，高质量的集团信息统一视图，更好的保护企业数据资产
2、为数据分析和挖掘提供基础。
数据流从源端经过etl可以直接进入dw也可以经过
不得不吐槽下：一个20多年提出的概念，现在没有必要亦步亦趋去实现，应该根据实际情况灵活的选择工具或者方法区去实现。 就像20多年前有人告诉你从a地到b地要先走路去c，再从c做汽车去d，再从d坐火车去b。在当时可能是个标准的解决方案。但20年后的今天你没有必要去实践那个路线，因为时代变化太快，特别是it行业。
天善学院svip包含excel bi、python爬虫案例、python机器学习、python数据科学家、大数据、数据分析报告、数据分析师体系、深度学习、r语言案例10套课程火爆报名中，欢迎大家关注。
本文作者：天善智能社区攻城的狮子