在做数据集成的过程中，往往第二步的需求就是建设数仓由于数据分散在不同的存储环境或数据库中，对于新业务需求的开发需要人工先从不同的数据库中同步、集中、合并等处理，造成资源和人力的浪费。同时，目前的系统架构，无法为未来数据驱动业务创新的理念提供友好的支撑。
要明确企业的实际需求，确保数仓建设符合企业战略目标和业务需求。其次，在技术路径上，要选择合适的选型产品和技术架构，确保数仓的稳定性和可扩展性。最后，在数据路径上，要注重维度模型的设计和数据处理工程的设计，确保数据的准确性和高效性。同时，BI应用路径也是数仓建设中不可忽视的一环，它关系到数据仓库建成后如何有效应用于企业的实际业务中，是衡量数仓成功落地的重要标准。 在构建数据仓库的过程中，我们首先要做的是梳理业务，明确核心业务链路与数据表，并据此划分管理主题。接着，从这些主题中识别出对应的事实表、维度表，并进行指标的梳理、收集和建模。值得一提的是，在建设数据仓库时，我们通常会采用一个分级的架构模型。尽管并非所有数据仓库都严格遵循同一分层标准，但大多数情况下，可以将其划分为ODS（Operational Data Store）层、DW（Data Warehouse）层和DM（Data Mart）层
这个是整个项目最花时间精力的一部分内容：例如表的设计以及同步策略 1、表设计 要提高数据使用效率，打破数据库之间的物理隔阂，需要先将数据汇聚到数据仓库中，数据同步分为实时和非实时，采用的技术也不同。目前先从ODS中同步到hive。数据同步策略的类型包括：全量表、增量表、新增及变化表、拉链表：
