建立数据仓库是一个解决企业问题的过程，业务人员往往不懂如何建立和使用数据仓库，发挥其决策支持的作用;IT部门的人员往往又不懂业务，不知道应该建立哪些决策主题，从数据源中抽取哪些数据。因此，数据仓库的项目小组应该由业务人员和IT人员共同组成，双方需要相互沟通，协作开发数据仓库。

开发数据仓库的过程包括以下几个步骤。

一、系统分析，确定主题

建立数据仓库的第一个步骤就是通过与业务部门的充分交流，了解建立数据仓库所要解决的问题的真正含义，确定各个主题下的查询分析要求。

业务人员往往会罗列出很多想解决的问题，IT人员应该对这些问题进行分类汇总，确定数据仓库所实现的业务功能。一旦确定问题以后，IT人员还需要确定几个因素：

操作出现的频率，即业务部门每隔多长时间做一次查询分析?

在系统中需要保存多久的数据，是一年、两年还是五年、十年?

用户查询数据的主要方式，如在时间维度上是按照自然年，还是财政年?

用户所能接受的响应时间是多长、是几秒钟，还是几小时?

由于双方在理解上的差异，确定问题和了解问题可能是一个需要多次反复的过程，IT人员可能需要做一些原型演示给业务人员看，以最终确定系统将要实现的功能确实是业务部门所需要的。

二、选择满足数据仓库系统要求的软件平台

在数据仓库所要解决的问题确定后，第二个步骤就是选择合适的软件平台，包括数据库、建模工具、分析工具等。这里有许多因素要考虑，如系统对数据量、响应时间、分析功能的要求等，以下是一些公认的选择标准：

厂商的背景和支持能力，能否提供全方位的技术支持和咨询服务?

数据库对大数据量(TB级)的支持能力?

数据库是否支持并行操作?

能否提供数据仓库的建模工具，是否支持对元数据的管理?

能否提供支持大数据量的数据加载、转换、传输工具(ETL)?

能否提供完整的决策支持工具集，满足数据仓库中各类用户的需要?

三、建立数据仓库的逻辑模型

具体步骤如下：

确定建立数据仓库逻辑模型的基本方法;

基于主题视图，把主题视图中的数据定义转到逻辑数据模型中;

识别主题之间的关系;

分解多对多的关系;

用范式理论检验逻辑数据模型;

由用户审核逻辑数据模型;

四、逻辑数据模型转化为数据仓库数据模型

具体步骤如下：

Step.1 删除非战略性数据

数据仓库模型中不需要包含逻辑数据模型中的全部数据项，某些用于操作处理的数据项要删除;

Step.2 增加时间主键

数据仓库中的数据一定是时间的快照，因此必须增加时间主键;

Step.3 增加派生数据

对于用户经常需要分析的数据，或者为了提高性能，可以增加派生数据;

Step.4 加入不同级别粒度的汇总数据

数据粒度代表数据细化程度，粒度越大，数据的汇总程度越高。粒度是数据仓库设计的一个重要因素，它直接影响到驻留在数据仓库中的数据量和可以执行的查询类型。显然，粒度级别越低，则支持的查询越多;反之，能支持的查询就越有限。

对数据操作的效率与能得到数据的详细程度是一对矛盾，通常人们希望建成的系统既有较高的效率，又能得到所需的详细资料。实施数据仓库的一个重要原则就是不要试图包括所有详细数据，因为90%的分析需求是在汇总数据上进行的。试图将粒度细化到最低层，只会增加系统的开销，降低系统的性能。

五、数据仓库数据模型优化

数据仓库设计时，性能是一项主要考虑因素。在数据仓库建成后，也需要经常对其性能进行监控，并随着需求和数据量的变更进行调整。

优化数据仓库设计的主要方法是：

合并不同的数据表;

通过增加汇总表避免数据的动态汇总;

通过冗余字段减少表连接的数量，不要超过3~5个;

用ID代码而不是描述信息作为键值;

对数据表做分区。

六、数据清洗转换和传输

由于业务系统所使用的软硬件平台不同，编码方法不同，业务系统中的数据在加载到数据仓库之前，必须进行数据的清洗和转换，保证数据仓库中数据的一致性。

在设计数据仓库的数据加载方案时，必须考虑以下几项要求：

加载方案必须能够支持访问不同的数据库和文件系统;