簡介
數據倉庫是一種資訊系統的資料儲存理論，此理論強調利用某些特殊資料儲存方式，讓所包含的資料，特別有利於分析處理，以產生有價值的資訊並依此作決策。
利用數據倉庫方式所存放的資料，具有一但存入，便不隨時間而更動的特性，同時存入的資料必定包含時間屬性，通常一個數據倉庫皆會含有大量的歷史性資料，並利用特定分析方式，自其中發掘出特定資訊。
數據倉庫的特性
主題導向(Subject-Oriented)
有別於一般OLTP系統，數據倉庫的資料模型設計，著重將資料按其意義歸類至相同的主題區(subject area)，因此稱為主題導向。舉例如Party、Arrangement、Event、Product等。
集成性(Integrated)
資料來自企業各OLTP系統，在數據倉庫中是集成過且一致的。
時間差異性(Time-Variant)
資料的變動，在數據倉庫中是能夠被紀錄以及追蹤變化的，有助於能反映出能隨著時間變化的資料軌跡。
不變動性(Nonvolatile)
資料一旦確認寫入後是不會被取代或刪除的，即使資料是錯誤的亦同。(i.e.錯誤的後續修正，便可因上述時間差異性的特性而被追蹤)
ODS、數據倉庫和資料超市之異同
Operational data store(ODS)、數據倉庫和資料超市三者相同之處在於均不屬於任一OLTP系統，並且都是以資料導向的設計而非流程(process)導向。
相異之處在於，ODS的特性較著重於戰術性查詢，變動性大。數據倉庫通常為企業層級，用來解答即興式、臨時性的問題。而資料超市則較偏向解決特定單位或部門的問題，部分採用維度模型(dimensional model)。
數據挖掘、OLAP和數據倉庫
數據倉庫可以作為數據挖掘和OLAP等分析工具的資料來源，由於存放於數據倉庫中的資料，必需經過篩選與轉換，因此可以避免分析工具使用錯誤的資料，而得到不正確的分析結果。
數據挖掘和OLAP同為分析工具，其差別在於OLAP提供用戶一便利的多維度觀點和方法，以有效率的對資料進行複雜的查詢動作，其預設查詢條件由用戶預先設定，而數據挖掘，則能由資訊系統主動發掘資料來源中，未曾被查覺的隱藏資訊，和透過用戶的認知以產生知識。
數據挖掘(Data Mining)技術是經由自動或半自動的方法探勘及分析大量的資料，以創建有效的模型及規則，而企業透過數據挖掘更了解他們的客戶，進而改進他們的行銷、業務及客服的運作。 數據挖掘是數據倉庫的一種重要運用。基本上，它是用來將你的資料中隱藏的資訊挖掘出來，所以 Data Mining 其實是所謂的 Knowledge Discovery 的一部份，Data Mining 使用了許多統計分析與 Modeling 的方法，到資料中尋找有用的特徵（Patterns）以及關連性（Relationships）。 Knowledge Discovery 的過程對 Data Mining 的套用成功與否有重要的影響，只有它才能確保 Data Mining 能獲得有意義的結果。
