（1）DB/Database/數(shù)據(jù)庫——這里一般指的就是OLTP數(shù)據(jù)庫喇勋，在線事物數(shù)據(jù)庫，用來支持生產(chǎn)的偎行，比如超市的買賣系統(tǒng)川背。DB保留的是數(shù)據(jù)信息的最新狀態(tài)，只有一個(gè)狀態(tài)蛤袒！比如渗常，每天早上起床洗臉照鏡子，看到的就是當(dāng)時(shí)的狀態(tài)汗盘，至于之前的每天的狀態(tài)皱碘，不會出現(xiàn)的你的眼前，這個(gè)眼前就是db隐孽。
（2）DW/Data Warehouse/數(shù)據(jù)倉庫——這里保存的是DB中的不同時(shí)間點(diǎn)的狀態(tài)癌椿，比如，每天早上洗完照鏡子時(shí)菱阵，都拍一張照片踢俄，天天這樣，這些照片放入到一個(gè)相冊中晴及，之后就可以查看每一天的狀態(tài)了都办，這個(gè)相冊就是數(shù)據(jù)倉庫，他保存的是數(shù)據(jù)在不同時(shí)間點(diǎn)的狀態(tài)虑稼，對同一個(gè)數(shù)據(jù)信息琳钉，保留不同時(shí)間點(diǎn)的狀態(tài)，就便于我們做統(tǒng)計(jì)分析了蛛倦。
（3）ETL/Extraction-Transformation-Loading——用于完成DB到DW的數(shù)據(jù)轉(zhuǎn)存歌懒，它將DB中的某一個(gè)時(shí)間點(diǎn)的狀態(tài)，“抽取”出來溯壶，根據(jù)DW的存儲模型要求及皂，“轉(zhuǎn)換”一下數(shù)據(jù)格式甫男，然后再“加載”到DW的一個(gè)過程，這里需要強(qiáng)調(diào)的是验烧，DB的模型是ER模型板驳，遵從范式化設(shè)計(jì)原則，而DW的數(shù)據(jù)模型是雪花型結(jié)構(gòu)或者星型結(jié)構(gòu)碍拆，用的是面向主題若治，面向問題的設(shè)計(jì)思路，所以DB和DW的模型結(jié)構(gòu)不同倔监，需要進(jìn)行轉(zhuǎn)換。
（4）OLAP——在線分析系統(tǒng)菌仁，簡單說就是報(bào)表系統(tǒng)浩习，銷售報(bào)表，統(tǒng)計(jì)報(bào)表济丘，等等谱秽，這個(gè)大家都熟悉，當(dāng)然摹迷，OLAP的統(tǒng)計(jì)要更復(fù)雜更豐富一些疟赊，比如切面，鉆取等等峡碉。
（5）DM/Data Mining/數(shù)據(jù)挖掘——這個(gè)挖掘近哟，不是簡單的統(tǒng)計(jì)了，他是根據(jù)概率論的或者其他的統(tǒng)計(jì)學(xué)原理鲫寄，將DW中的大數(shù)據(jù)量進(jìn)行分析吉执，找出我們不能直觀發(fā)現(xiàn)的規(guī)律，比如地来，如果我們每天早上照相戳玫，量身材的時(shí)候，還記錄下頭一天吃的東西未斑，黃瓜咕宿，豬腿，烤鴨蜡秽，以及心情府阀，如果記錄上10年，形成了3650天的相貌和飲食心情的數(shù)據(jù)芽突，我們每個(gè)人都記錄肌似，有20萬人記錄了，那么诉瓦，我們也許通過這些記錄川队，可以分析出力细，身材相貌和飲食的客觀規(guī)律；再說一個(gè)典型的實(shí)例固额，就是英國的超市眠蚂，在積累了大量數(shù)據(jù)之后，對數(shù)據(jù)分析挖掘之后斗躏，得到了一個(gè)規(guī)律：將小孩的尿布和啤酒放在一起逝慧，銷量會更好——業(yè)務(wù)專家在得到該結(jié)論之后，仔細(xì)分析啄糙，知道了原因笛臣，因?yàn)橛腥讼矚g看足球的多，老婆把小孩介紹男人看管隧饼，小孩尿尿需要尿布沈堡，而男人看足球喜歡喝酒，所以兩樣商品有密切的關(guān)系燕雁，放在一起銷售會更好诞丽！
（6）BI/Business Intelligence/商業(yè)智能——領(lǐng)導(dǎo)，決策者拐格，在獲取了OLAP的統(tǒng)計(jì)信息僧免，和DM得到的科學(xué)規(guī)律之后，對生產(chǎn)進(jìn)行適當(dāng)?shù)恼{(diào)整捏浊，比如懂衩，命令超市人員將啤酒喝尿布放在一起銷售，這就反作用于DB修改存貨數(shù)據(jù)了——這就是整個(gè)BI的作用金踪！
