数据仓库合并、泛化多维空间的数据。构造数据仓库涉及数据清洗、数据集成和数据变换，可以看作是数据挖掘的一个重要预处理步骤。此外，数据挖掘提供OLAP（Online Analytical Processing，联机分析处理）工具，用于各种粒度（granularity）多维数据的交互分析，这有利于有效的数据繁华和数据挖掘。
数据仓库是一种数据库，它与单位的操作数据库分别维护，数据仓库系统允许将各种应用系统集成在一起，为统一的历史数据分析提供坚实的平台，对信息处理提供支持，其特性为：
| OLTP | OLAP | |
|---|---|---|
| 面向性 | 面向顾客，用于事务和查询处理 | 面向市场，用于数据分析 |
| 数据内容 | 一般而言较为琐碎，很难用与决策 | 管理大量历史数据，在不同粒度上存储管理，易于用于决策 |
| 数据库设计 | E-R模型，面向应用 | 星形或雪花模型，面向主题 |
| 视图 | 主要关注一个部门的当前数据 | 可能涉及多个部门的历史数据 |
| 访问模式 | 主要由小的原子事务构成，需要并发控制和恢复机制 | 大部分是只读操作，即只访问 |
| 度量 | 事务吞吐量 | 查询吞吐量、响应时间 |
| 仓库类别 | 概述 |
|---|---|
| 企业仓库（Enterprise Warehouse） | 搜集了关于主题的所有信息，通常包含细节数据和汇总数据 |
| 数据集市（Data Mart） | 包含企业范围数据的一个子集，对特定用户群是有用的 |
| 虚拟仓库（Virtual Warehouse） | 操作数据库上视图的集合 |
元数据是描述数据的数据，元数据库则是数据仓库体系的底层，对于给定的数据仓库的数据名和定义，创建定义数据仓库对象的元数据，应包括对数据仓库结构（仓库模式、视图、维、分层结构、导出数据）的描述、对操作元数据、汇总算法、系统性能相关的数据等内容。
数据仓库基于多维数据模型，这种模型被称为数据立方体（Data Cube），某一特定维度的数据立方体称作方体（cuboid），存放最底层的方体称作基本方体（base cuboid），0-D方体是最高层的汇总，称作顶点方体（apex cuboid）。
| 模式名 | 描述 |
|---|---|
| 星形模式（star schema） | 包括一个大的中心表（事实表（fact table），包含大批量数据且不含冗余）和一组小的附属表（维表（dimension tables），每维一个），维表可能会有冗余 |
| 雪花模式（snowflake schema） | 是星形表的变种，其中某些表被规则化，数据被进一步分解到附加表中减少了冗余但不便查询 |
| 事实星座（fact constellation） | 可看作多个星形表的汇总（有多个事实表），也被称作星系模式（galaxy schema） |
概念分层定义一个映射序列，将低层概念集映射到较高层。形成数据库模式中属性的概念分层的过程称作模式分层
数据立方体度量是一个数值函数，该函数可以对数据立方体空间的每个点求值，通过给定各点的维-值数据，计算该点的度量值，可以分为三类：
| 类别 | 描述 |
|---|---|
| 分布的（distributive） | 对单个对象分别应用和对整体的应用效果一样，如count()、max() |
| 代数的（algebraic） | 使用有限个分布聚集函数求函数值的函数，如average() |
| 整体的（holistic） | 不能由代数运算求得函数值的函数，如rank() |
OLAP提供了分析建模机制，能在每一粒度上产生汇总、聚集和分层。
考虑一下四种View：
| 类型 | 描述 |
|---|---|
| 自顶向下 | 选择DC所需的相关信息 |
| 数据源 | 被操作DBMS收集、存储和管理的信息 |
| 数据仓库 | 事实表和维表 |
| 商务查询 | 从最终用户角度透视数据仓库 |
三种方法：自顶向下的（由总体设计和规划开始，前提是技术成熟、对问题有良好把握）、自底向上的（由实验和原型开始，可以快速实现和应用，适合商务建模和数据开发的早期阶段）、混合方法。
一般步骤：
物化，materialization，指选择性地计算全体立方体的子集，如冰山立方体（只存放某聚集值大于阈值的单元）和外壳立方体（只预计算少量维的立方体）
索引操作包括位图索引（bitmap indexing，即对属性使用二值向量表示）和连接索引（join indexing，对事实表和维表进行连接）两种方式