数据仓库是面向分析的,数据库是面向事务处理.
数据仓库的数据是基本不变得,而数据库的数据是由日常的业务产生的,常更新
数据仓库的数据一般有数据库的数据经过一定的规则转换得到得
数据仓库主要用来分析数据,一般是tb级的的数据,比如决策支持系统,数据挖掘等.

--------------------------关于数据仓库------------------------------------

一．概念
1．数据仓库：是指面向主题的，一致的，不同时间的，稳定的数据集合，用于支持经营管理中的决策支持过程。从广义上讲数据仓库是指存储大量历史数据的数据库。每一个记录代表特殊时间点上的一个数据。
它是一种把收集的各种数据转变成有商业价值的信息技术，并把收集的信息体现在报告中。包括收集数据，过滤数据，存储数据，之后把数据应用于分析、报告等应用程序。
2．数据仓库目标：确认数据结构，寻找趋势，辅助决策，为经营管理提供决策信息。
3．．DSS：决策支持过程。
4．数据仓库组成部分：数据市场，关系型数据库，数据源，数据准备，种服务工具
5．维度:
6．多维:
7．聚合:获取并集中一个群体或总和的结构.聚合是在一个多维层次内移动数据的概念.
9．类别:为类别和区分特定数据而分类的,在一个维度内,为提供详细分类系统而定义的分类.
10．详细类别:一个维度内最底层的分类.
11．分解与合成:
12．指标量:
13．OLAP：联机分析
14．OLTP联机事务处理
二．数据模型规范化
1． 概念：
规范化：是一个正规的方法，它应用一套规则使属性和实体相关联。
实体：是一个主要的数据对象，对用户至关重要。它通常是将被记录在数据库中的一个人、一个地点、一样东西或者一件事情。
属性：实体包括属性，属性就是特征，修饰成分、质量、数量或者特性。
范式：规范化由几个能够减少褓以获得更满意的物理我的步骤组成，这些步骤称为范式。
第一范式：一个不包含重复列的表归于第一范式。
第二范式：如果一个表归于第一范式且只包含依赖于主键的列，则归于第二范式。
第三范式：如果一个表归于第二范式且只包含那些非传递性地依赖于主键的列，则归于第三范式。
二．信息需求建模:
1．自上而下建模方法:利用具体数据元素,将这些元素组织到各个维度与指标中,
2．自下而上建模方法:从用户的观点设计,优点是设计者可以转纸一个通常主题或商务领域运
3．开发.   是自上而下与自下而上的方法的结合.
4．举例：销售收入应从预算和实际等角度表示.
指标:产品销售的实际收入,产品销售的预算收,产品销售的估计收
维度:已经销售的产品.
三．设计数据仓库，经常询部用户的几个问题？
1.用户所在部门承担的任务
2.用户在部门中承担的任务
3.为完成任务，用户需哪些报表
4.目前从何处获取这些信息?
5.得到信息如何处理?
6.信息是应用户需要产生的,还是在定期报表中产生的?
7.用户把信息输入到过工作表中吗?以便进一步分析吗?
8.怎样处理这些信息才算及时?
四．建立多维数据模型
要建立多维数据库：
1． 选择用来分析被建模主题的商业过程。
建模主题：比如想通过产品线和地区分析消费者的购买倾向来制订市场策略，此时数据模型主题就是“销售”。
2． 确定事实表的粒度。
事实表粒度通常代表每一个相关维的最底层。选择以“天”为粒度，就表示“时间维”中的每一记录代表一天。
3． 区分每一个事实表的维和层。
已定义的粒度与维相关。
4． 区分事实表的度量。
度量不仅包括数据本身，而且包括你从已存在的数据计算得到的新值。当设计数据模型时，必须做出决策：是否储存事实表里的计算结果或在运行阶段获得这些值。如：比值。
5． 确定每一个维表的属性。
一般情况下，定义的每一个维表属性的数量，应该保持最小。
6． 让用户验证数据模型。

参考：http://topic.csdn.net/t/20010917/16/290622.html