数据仓库是一个面向主题的、集成的、随时间变化的、但信息本身相对稳定的数据集合，用于对管理决策过程的支持。
面向主题：基于某个明确的主题，仅需要与该主题相关的数据
集成的：从不同的数据源采集数据到同一个数据源，此过程会有一些ETL操作。
随时间变化的：关键数据隐式或者显式的基于时间变化
相对稳定：数据仓库的数据一般是反应相当长一段时间内的数据内容
(2)为什么要对数据仓库进行建模？清晰、性能、质量、效率
（3）关于 OLTP、OLAPOLTP翻译为联机事务处理， OLAP翻译为联机分析处理，从字面上来看OLTP是做事务处理，OLAP是做分析处理。
从对数据库操作来看，OLTP主要是对数据的增删改，OLAP是对数据的查询。
有下图：
（4）关于数仓cube举一个例子：
对一个cube经常会有的操作 切片、切块等
（5）阿里的ONEDATE数仓模型大致如下
具体数仓构建：
（6）关于数据模型分类
一些术语
（7）关于ER建模和维度建模 1、ER模型常用于OLTP数据库建模，应用到构建数仓时更偏重数据整合， 站在企业整体考虑，将各个系统的数据按相似性一致性、合并处理，为数据分析、决策服务，但并不便于直接用来支持分析。缺陷：需要全面梳理企业所有的业务和数据流，周期长，人员要求高。2、维度建模是面向分析场景而生，针对分析场景构建数仓模型；重点关注快速、灵活的解决分析需求，同时能够提供大规模数据的快速响应性能。针对性强，主要应用于数据仓库构建和OLAP引擎低层数据模型。优点：不需要完整的梳理企业业务流程和数据，实施周期根据主题边界而定，容易快速实现demo，而且相对来说便于理解、提高查询性能、对称并易扩展。
作为大数据板块，数据来源更加广泛，针对的业务域也更加宽广，所以维度建模相对来说更加灵活并适用。
什么是事实表/维度表?
也就是说事实表是表本身，维度表是将表中数据按照同一个方向去区分后产生的表（原始表的切片）
常见的维度建模：
星型模型
事实表与维表直接关联，事实表再中间，维表在周边；星型模型不符合数据库的设计规范，有数据冗余；星型模型关联表少，查询性能快
雪花模型
事实表并不是与所有维表直接关联，维表之间存在间接关联；雪花模型符合数据库的设计规范，没有数据冗余；雪花模型关联表多查询性能慢
星座模型
由多个事实表相组合，维表是公共的。企业中一般都是星座模型
最常见的事实表有三种类型：事务事实表、周期快照事实表和累积快照事实表。
事务事实表用来描述业务过程，表示对应时空上某点的度量事件，保存的是最原子的数据，也称为原子事实表。在实际使用中，一般作为明细层使用，例如下单明细、支付明细等。
周期快照事实表的一行，以具有规律性的时间间隔记录事实。如每日库存快照表、每日用户余额快照表。
累积快照事实表用来表述过程开始和结束之间的关键步骤事件，覆盖过程的整个生命周期，通常具有多个日期字段来记录关键时间点，当过程随着生命周期不断变化时，记录也会随着过程的变化而被修改。以事务事实表中提到的订单例子为例，可以做一个和订单相关的，涉及订单下单、推单、抢单、支付等各个环节的一张订单全生命周期快照表。
此外，还有一种无事实的事实表，单纯只记录某一动作发生，其事件的量化是非数字的，比较典型的例子是访问点击日志。
对以上三个事实表的总结
