视频字幕
数据仓库是一个面向分析的集成化数据环境，它具有四个核心特征。首先是面向主题，按照业务主题来组织数据，而不是按照应用系统。其次是集成性，能够整合来自多个不同数据源的信息。第三是非易失性，数据一旦进入仓库就稳定存储，不会被随意修改。最后是时变性，能够反映数据随时间的历史变化。与传统的OLTP事务处理系统不同，数据仓库主要服务于OLAP分析处理，通过ETL过程将操作型数据转换为分析型数据。
数据仓库采用分层架构设计，包含三个核心层次。首先是ODS操作数据存储层，用于保存从业务系统抽取的原始数据，作为临时存储区域。然后是DW数据仓库层，对原始数据进行清洗、整合和标准化处理，形成企业级的核心数据资产。最后是DM数据集市层，面向特定业务主题构建汇总数据，直接支撑业务应用。整个过程通过ETL实现，包括数据抽取、转换和加载三个步骤。同时配备元数据管理和数据质量控制机制，确保数据的准确性和一致性。
维度建模是数据仓库设计的核心方法，基于事实表和维度表构建分析模型。事实表是模型的中心，存储业务过程的度量值，如销售额、数量等数值型指标数据，通过外键与维度表关联。维度表存储描述性属性信息，提供数据分析的角度和层次，包含如时间、产品、客户、地区等文本型描述数据。在销售场景中，销售事实表记录每笔交易的度量值，而时间维度、产品维度、客户维度和地区维度分别提供不同的分析视角，形成一对多的关联关系，支持多维度的数据分析。
星型模式是最常用的维度建模方法，其结构特点是事实表居中，维度表围绕分布，形如星星。以零售业务为例，中心的销售事实表包含销售金额、数量、利润等度量值，以及指向各维度表的外键。周围的维度表包括时间、产品、客户、门店、促销等，每个维度表都采用非规范化设计，包含丰富的描述性属性。星型模式的优点是查询性能优异、结构简单易懂、维护成本较低，支持快速聚合分析。缺点是存储空间较大、数据冗余较多。设计时要确保主键外键关系清晰，支持多维度的钻取和切片操作。
雪花模式是星型模式的规范化版本，将维度表进一步分解为层次结构。与星型模式相比，雪花模式的维度表采用规范化设计，能够节省存储空间，减少数据冗余，但查询时需要更多的表连接操作。以产品维度为例，星型模式中产品维度表包含所有产品属性，而雪花模式将其分解为产品表、类别表、品牌表等多个规范化的表。在查询性能方面，星型模式通常只需要2个表的连接就能完成分析，而雪花模式可能需要4个或更多表的连接，因此查询速度相对较慢。选择哪种模式需要根据具体的业务需求、存储空间限制和查询性能要求来决定，实际项目中也可以采用混合方式。