数仓dw怎么建_BI与数据仓库（DW）之间的关系是怎么样的？

从实际项目角度来谈谈。

数据仓库和BI

数据仓库是一个大的数据存储集合，出于企业的分析性报告和决策支持目的而创建，按照分析的主题对业务数据进行筛选与整合。仓库中的数据来源于各种mysql、mangoDB、以及业务系统库中的数据，最终输出成各种业务报表，分析报表，或者用于企业的数据分析、数据挖掘。知名的商业数据仓库有Oracle、DB2、Teradata。

而BI商业智能，可以定义为一个系统方案，从数据仓库，到ETL(数据清洗)，OLAP分析，以及深度的数据挖掘，前端报表展现。在具体企业数据分析项目中，会将它们中的若干个结合起来，实现一个完整的企业数据分析技术方案。

BI商业智能，现在也更多定义成一个数据分析工具。涵盖数据抽取、数据建模、数据清洗、OLAP分析、数据挖掘，以及面向主题的分析报表管理，更像是一个应用。

所以，如果是把BI商业智能堪称一个方案，那数据仓库就是其中的一环，这也是传统BI的方案。如果把BI商业智能定义为一个应用，那数据仓库就是下面的数据层，提供基于分析的数据支撑。

实际BI项目

传统意义上最正统的应用模式是，数据仓库DW+商业智能BI, 前者负责后台数据处理，数据集成，按粒度存储；后者负责面向用户数据展现，报表管理。很多人将这前后台统称为BI框架，这一类的BI应用大多也是成本最昂贵的模式，主要是银行/电信等企业率先实施，成熟应用。

而近几年普遍发展起来的一种模式，是基于BI工具或方法开发完整的应用，或者是应用模板。常见的有绩效管理，BSC战略管理，财务分析，渠道分析，行业分析等等，前两个例子算是基于BI应用的产品化，后两个就纯粹是模板化应用了。基于BI的产品化其实就和传统的软件项目/软件产品就比较接近了，将业务知识固化在系统中，BI更多作为一个数据分析工具，以及可视化报表工具存在。

区分和优势

以往传统的BI模式，数据仓库，到ETL(数据清洗)，OLAP分析都是不同的产品，不同的专人负责。假设一个分析报告要改动，涉及到数据层。则要IT部门去改进数据层和业务层，传统BI平台需要一两个月去梳理模型。

现代的BI应用模式，即敏捷BI，建模和OLAP分析都集成到应用里了。无需事先建模，在做报表，拖拽数据字段的时候，就能随机看到分析结果，做到即系分析，且在分析过程中灵活调整分析维度和报表展现，需求变更可以在一天之内响应。

传统BI和敏捷BI最大的区别。