第一阶段
企业信息化达到肯定水平之后，肯定会有报表的需要，此时间接从业务零碎的数据库进行查问。
第二阶段
间接查问业务零碎数据库，很容易对业务零碎造成影响，这时可能会将数据抽取进去，放在一个镜像数据库里进行查问。
第三阶段
当数据规模越来越大，报表与数据分析的需要也随之增多。开始对数据进行系统化的布局与治理时，数据仓库的雏形也已建设起来。
关系型数据库的星形（或雪花型）构造是数据仓库的常见模式之一，但不是惟一的模式，只有能做到将数据有序治理，基本上就能够称之为数据仓库。
当建设起心形或雪花型的数据仓库的时候，曾经能够做一些根本的数据分析了。然而会有一些弊病。星形或水上行构造尽管模仿了多维数据模型，然而其本质上还是关系型数据库的表字段以及数据行的模型。无奈做到真正意义上的面对业务时的数据分析。而且这种间接建设在关系型数据库之上的模型，很难让业务人员自主进行数据分析。
第四阶段
基于关系数据库星型或雪花型构造所建设的数据仓库，尽管能够进行数据分析，但剖析能力不强。
星型或雪花型构造尽管模仿了多维数据模型，但其本质上还是关系型数据库的表及字段模型，无奈做到真正意义上面向业务的数据分析，而且这种间接建设在关系型数据库之上的模型，很难让业务人员独立进行数据分析。
第五阶段
因为多维数据库维度既业务的个性，所以基于多维数据库所建设的数据体系的剖析能力要强很多，而且也能将让业务人员自主剖析这一指标落地实现。
多维数据库向外提供维度与数据集市模型，数据的理论物理存储则对外屏蔽。关系型数据库能够作为多维数据库的一种底层实现，当然还有其余的形式，比方数据块文件、分布式存储等。
关系型数据库的星型（或雪花型）构造容易与多维数据库的维度与数据立方体构造产生一些混同，次要是因为以下两点起因：
多维数据库能够应用关系数据库作为数据理论存储计划；
多维数据库的 MDX 与关系数据库的 SQL 在语法结构上的相似。
以上两点起因使得在关系数据库的星型（或雪花型）模型上应用 SQL 进行查问被误认为是能够进行多维分析的，实际上这是十分谬误的意识，起因在于表及字段模型和维度及数据立方体模型实质上的区别。
以上是思迈特软件 Smartbi 的分享，更多行业干货可关注咱们下一期的分享。思迈特软件 Smartbi 是出名国产 BI 品牌, 专一于商业智能 BI 与大数据 BI 剖析平台软件产业的研发及服务。通过多年继续自主研发，凝聚大量商业智能最佳实践经验，整合了各行业的数据分析和决策反对的性能需要。满足最终用户在企业级报表、数据可视化剖析、自助摸索剖析、数据挖掘建模、AI 智能剖析等大数据分析需要。
现个人版提供全模块长期收费应用，有趣味的小伙伴可登陆官网收费试用~