資料倉儲是商業智慧的基礎核心，
將企業內部及外部的大量資料，
經過擷取、轉換和載入後，
存入一大型資料庫，
以供其他資料分析技術如OLAP、資料探勘做資料分析用。
依據最早提出資料倉儲概念的W. H. Inmon之定義，
資料倉儲是一種以主題為導向(subject-oriented)、
具有整合性(integrated)、永久性(nonvolatile)、
隨時間而改變(time-variant)等特性的資料集合，
以支援管理階層的決策。
資料倉儲的資料模型設計以多維度資料模型為主流，
該模型通常以某種主題為中心，
透過維度(dimensions)和事實(facts)來定義組成。
維度代表某種主題的一種觀點(perspective)或一個實體(entity)，
例如銷售時間、銷售地點，
彼此有關連的多個維度形成一個表，
稱為維度表(dimension table)。
事實是一種數值度量(numeric measures)，
例如銷售量，針對某種主題而將多個事實形成一個表，
稱為事實表(fact table)。
多維度資料模型有三種常用的綱要(schema)設計：
1.星狀綱要(star schema)：
中心為一事實表，
關連到多個維度表，
形成類似星狀的輻射樣式。
此時每一個維度表只有一個維度，
該維度表包含該維度的屬性集，
是最常使用的綱要。
2.雪花綱要(snowflake schema)：
是星狀綱要的變形，
為了節省儲存空間將維度表做正規化(normalize)，
但如此查詢就需要做連接(join)的動作，
會降低讀取資料的效率，
故使用上不如星狀綱要來得流行。
3.事實群集(fact constellation)：
多個事實表一起共用維度表，
可以視為星狀綱要的一群集合，
對需要將多個主題一起分析的案例相當適合。
補充資料：
什麼是OLAP(On Line Analytical Processing)?
什麼是資料探勘(Data Mining)?
