在事务处理系统中的数据，主要用于记录和查询业务情况。随着数据仓库（DW）技术的不断成熟，企业的数据逐渐变成了决策的主要依据。数据仓库中的数据是从许多业务处理系统中抽取、转换而来，对于这样一个复杂的企业数据环境，如何以安全、高效的方式来对它们进行管理和访问就变得尤为重要。解决这一问题的关键是对元数据进行科学有效的管理。

Teradata数据库SQL语法说明，还是有一些和oracle、db2、sybase数据库的用法不同的地方。很好的学习参考资料。

数据仓库建模教程，很不错，推荐大家看。你一定会喜欢的

数据仓库详细讲解，适合小白新手入门，主要从定义、特点、发展历程讲解，并介绍了数据库和数据仓库的区别，数据仓库架构的分层以及元数据介绍。

数据仓库分层分域Ibm 9大模型数据仓库

Greenplum开源数据仓库-实现100亿监控数据的秒级分析-萧少聪 Greenplum开源数据仓库 在阿里云中Greenplum的扩展

主题域模型优点 指导业务数据模型开发 有助于数据一致性，避免冗余。当确定一个新的实体时，基于定义可以确定实体的恰当地主题域。 根据主题域划分工作量，可使重复工作量最小化，并有利于相互协调 指导数据仓库项目选择 为基于数据的项目分组提供了一种高层次划分方法。在确定项目开发顺序时，应该同时考虑业务优先级、技术实现难度、 人员可用性等信息 指导数据仓库开发 有助于确定哪些相关的业务专家 主题域模型目标 提供广泛的理解 提供对每一个主题域的理解，包括各个主题域的名称和定义，通过业务规则将这些主题域联系起来，形象地表达这些主题之间依赖关系和规则。因为在主题域层次，所以，主题域模型更容易覆盖广泛的领域。业务规则使主题域模型增加更多的准确性和清晰性。 确定范围 通过形象地表达主题域和他们的业务规则，我们能够更容易地识别出将要分析的模型的范围。 指引方向 主题域模型能够提供全景视图，可以帮助我们确定：计划中的应用程序和现有的应用程序将怎样共存。下一步，企业将需要什么样新功能。主题域模型提供方向和指南。 建立对业务的高层次理解，为逻辑数据分析和建模打下基础 主题域模型

数据仓库与数据挖掘的课件，讲的非常详细，可用于老师讲解的课件，也可用于自学的参考材料！

目前，数据仓库一词尚没有一个统一的定义，著名的数据仓库专家W.H.Inmon在其 著作《Building the Data Warehouse》一书中给予如下描述：数据仓库（Data Warehouse） 是一个面向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的 （Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策。 对于数据仓库的概念我们可以从两个层次予以理解，首先，数据仓库用于支持决策，面 向分析型数据处理，它不同于企业现有的操作型数据库；其次，数据仓库是对多个异构 的数据源有效集成，集成后按照主题进行了重组，并包含历史数据，而且存放在数据仓 库中的数据一般不再修改。

SQL Server2000环境下，数据仓库的建设以及数据分析图解，比较详细，有兴趣的可以看看！！