引言
初学数据仓库时，心中多少会有一个困惑。那就是后台服务器也就十几张表，为什么使用分层架构+维度建模搭建数仓时就要创建几十张甚至上百张表？这就好比发面馒头，放到蒸笼一蒸，个头就变大了不少。
那数据仓库是不是把一个简单的问题搞得更复杂了呀？
呵呵，这正是数据仓库的分层架构+维度建模的核心价值所在。让我详细解释这个现象背后的原理。
数据仓库到底有何价值？
我们知道，企业耗费精力搭建数据仓库，目的是为公司的服务或产品做分析数据，最终为公司决策者提供更可靠的数据依据，这就是所谓的商业BI（商业智能）。现在都信息时代了，如果公司老板还在靠拍脑袋做决定，想一想就很不靠谱。
如果公司没有数据仓库，那是不是就不能做分析数据呀？当然不是。
人家有些小微公司，就靠一张 excel 表格就搞定了，照样做数据分析。当然，那是因为小微公司的服务或产品规模小，数据量也就很有限，excel 表格本身就自带很多数据分析功能，足够小公司使用了。
如果觉得 excel 表格分析能力有限，那么就可以使用 python 做数据分析。因为 python 有更强大的数据分析库，比如 numpy、pandas等。不过，这需要你得有一定的 python 编程能力，这对于普通人来说是有门槛的。
那公司大了，数据量也更大，excel 表格就已经容纳不下了，那就要用专门的后台数据库来装，比如 MySQL、Oracle、PostgreSQL。
我们知道，这些都是关系型数据库表，并且支持 SQL 语言，而 SQL 语句具有极强的查询能力，我们通过编写 SQL 语句就可以满足各种数据分析要求。
既然如此，那不就没数据仓库啥事了呀？别着急。
这里存在两个问题。
问题一：数据库不保存历史记录
也就是说，数据库里保存的数据永远是当前状态的数据。比如我修改一条数据库记录，那么它就会覆盖以前的记录。如果我想要查询修改前的记录，那肯定是查不到了。
而数据分析不仅要分析当前的数据，也要分析以前的数据。比如分析用户流失数，也就是之前活跃过的用户，最近一段时间未活跃。
问题二：随着数据量增大查询性能变差
一般表记录达到 2000 万行，当然，这个数字并非一个硬性规定，而是一个基于经验的性能拐点提示，全表扫描等操作的性能会显著下降。
而数据分析的需求中，有很多都需要做统计，需要全表扫描。如果表记录达到上亿，那数据分析的性能就会更差，耗时更久。
这两个问题对于企业来说，哪一个都是无法接受的。
随着大数据技术的兴起，分布式数据存储和并行计算，大大提升了数据存储和计算能力，为数据仓库提供了底层基座。
数据仓库的价值在于解决的数据库存在的两大问题。
OLTP 和 OLAP
难道数据库自身就无法解决这两大问题吗？是的。
因为 MySQL、Oracle、PostgreSQL 等数据库的设计并不是为数据分析而来，它们更在乎事务处理和数据一致性等，也就是所谓的 OLTP（联机事务处理），它更适合用于后台服务器的数据存储，以支撑业务交易。
而数据仓库的设计则是为数据分析而来，它能够存储海量的历史记录，支持复杂的聚合分析，数据分析性能更好，耗时更短，也就是所谓的 OLAP（联机分析处理）。
分层架构+维度模型
说了半天，似乎还是没有解释“后台服务器就十几张表，为什么要建几十张表的数仓？” 是的。
我们知道，数据仓库是为数据分析而生，它自然要解决数据库存在的两大问题。
那它是如何解决的呢？或者说，它解决问题的思路如何？
来看第一个问题，数据仓库必须可以保存历史记录。
这个问题比较好办。首先，数据仓库采用分布式存储，比如 HDFS 是分布式文件系统，HBase、MongeDB 等也是分布式数据库，支持横向扩展，只要增加服务器，理论上可以支持无限存储。接着，就可以通过datax、flume、sqoop等采集工具将数据采集到数据仓库中。数据采集分为全量同步和增量同步，全量同步就是把数据库中所有数据都采集，增量同步就只采集有变化的数据，这样数据仓库就可以保存历史记录了。
来看第二问题，数据仓库必须有更好的查询性能。
未完待续
