DW和BI的概念比較容易混淆，下面就結合自己的認識進行簡單的描述：
數據倉庫：DW---Data Warehouse
側重於信息的整合、數據準備，包括數據遷移、組織、存取等後臺工作。數據倉庫的一個目的就是把企業的信息訪問基礎從一種非結構化的或發展中的環境改變成一種結構化或規劃良好的環境。按照W.H.Inmon 這位數據倉庫權威的說法，“數據倉庫是一個面向主題的、集成的、時變的、非易失的數據集合，支持管理部門的決策過程”。
在建模方面，目前較常用的兩種建模方法是所謂的第三範式(3NF, 即 Third Normal Form)和星型模式 (Star-Schema)，粒度和分割時DW的兩個重要概念。
數據集市(DM，Data Market)，可以理解爲爲部門範圍級別的決策支持應用而設計的，其數據模型設計和數據組織上更多地服務於一個部門的信息需求，而數據倉庫所對應的是整個企業的層面的整體信息視圖，體現決策信息在企業的共性需求。
操作型數據存儲區(ODS, Operational Data Store)是爲了彌補業務系統和數據倉庫之間的數據同步差距而提出的，ODS+DW在實現實時或者準實時的數據抽取上有自己的優勢，劣勢就在於增減了模型設計的複雜度和成本。
商業智能：BI---Business Intelligence
側重於數據的查詢和報告，多維或者聯機的數據分析，數據挖掘和數據可視化工具等數據應用的前臺操作，其中數據挖掘是較高層級的商業智能應用。
BI的前身是EIS（領導信息系統，Executive Information System），之後又被叫做DSS（決策支持系統,Decision Support System）。從技術層面上講，商業智能或數據倉庫並不是什麼新技術，它只是數據庫技術、OLAP 技術、數據採集和遷移技術、網絡技術、GUI 技術、查詢&報表技術、統計學、人工智能、知識發現技術等理論和技術的綜合運用，從這個意義上，把商業智能看成是一種體系結構應該比較恰當。
商業智能的核心內容是從許多來自企業不同的業務處理系統的數據中，提取出有用的數據，進行清理以保證數據的正確性，然後經過抽取（Extraction）、轉換（Transformation）和裝載（Load），即ETL 過程，整合到一個企業級的數據庫裏，從而得到企業信息的一個全局視圖，在此基礎上利用合適的查詢和分析工具、數據挖掘工具等對數據倉庫裏的數據進行分析和處理，形成信息，甚至進一步把信息提煉出輔助決策的知識，最後把知識呈現給管理者，爲管理者的決策過程提供支持。
業務信息倉庫：BW---Business Information Warehouse
與前兩者息息相關，也是我日後的研究重點所在...