如果把商業智能（BI）比喻成一個房子，那麼數據倉庫就是它的地基。一句話總結：數據倉庫是BI背後的引擎。
數據倉庫：
從字面意義上即數據的倉庫，是爲了把操作型數據集成到統一的環境中，以提供決策型數據訪問。數據倉庫關注的是解決數據一致性，可信性，集合性.......這些問題，把越來越複雜的業務數據轉化成對於業務運營、業務分析來說簡單易用的數據形式。
數據倉庫的終極目標是讓數據應用人員(無論是CEO還是普通分析師)思考怎麼使用數據倉庫裏的這些數據，創造更多的信息與價值；而不是發愁數據在哪裏，數據對不對。
BI（商業智能）：
BI是分析數據並獲取洞察力、從而幫助企業做出決策的一系列方法、技術和軟件。相比數據倉庫，BI中還包含了數據挖掘，數據可視化，多維分析，標籤分類等方面。
拿多維分析舉個例子，數據倉庫中只是提供了維度化的數據，但是基於某些工具，比如FineBI、Tableau等，可以支持用戶在一定範圍內任意組合維度與指標，那這就上升到了決策支持的層面而不是“高級數據倉儲”層面了，也就是使用了數據倉庫的數據，但不是數據倉庫的功能。
數據倉庫和BI的關係
超市是爲了滿足顧客一站式購物需求的完整解決方案，包括商品採購、貨物運輸、貨物存儲、商品陳列、商品定價、結算等環節。
BI是爲了滿足客戶以信息爲主的決策支持需求的全套解決方案，包括數據採集、數據處理（ETL）、數據存儲、數據倉庫、數據展現、結果解讀等環節。
數據庫就像是超市的倉儲，可能是一個或者多個，也可能是從廠家直接發貨（異構數據源）；
數據倉庫就像貨架上的商品陳列，按各種主題，分門別類的把各種商品陳列在不同的貨架上（主題庫），例如個人護理區（商品類型）、臨近保質期區（時間屬性）、運動區（使用場景）、結算臺小貨架（湊單品）等，方便顧客迅速作出購物的決策。
傳統BI項目的構建路徑決定了其必須依賴數據倉庫才能進行數據分析。比如MicroStrategy，SAP BW，微軟 Analysis Server, IBM的Cognos，Oracle的OBIEE，這些傳統BI工具不具備使數據集成標準化的能力，數據倉庫的存在就是幫助他們建立數據治理結構，解決數據冗餘、不一致、錯誤、無法輕鬆訪問等問題。
另一方面，BI對數據倉庫的這種依賴其實存在着極大的缺陷。一般來說，數據倉庫通常需要花費高經濟成本、時間成本從規劃到落地，但創造的價值大多數情況比較有限，ROI較低。搭建成功後，數據倉庫也僅支持極少數特定類型的分析，如果企業業務出現調整或者需要處理新類型的數據，屆時又將重新面臨重大的開發工作。
實際BI項目
傳統意義上最正統的應用模式是，數據倉庫DW+商業智能BI, 前者負責後臺數據處理，數據集成，按粒度存儲；後者負責面向用戶數據展現，報表管理。很多人將這前後臺統稱爲BI框架，這一類的BI應用大多也是成本最昂貴的模式，主要是銀行/電信等企業率先實施，成熟應用。
而近幾年普遍發展起來的一種模式，是基於BI工具或方法開發完整的應用，或者是應用模板。常見的有績效管理，BSC戰略管理，財務分析，渠道分析，行業分析等等，前兩個例子算是基於BI應用的產品化，後兩個就純粹是模板化應用了。
基於BI的產品化其實就和傳統的軟件項目/軟件產品就比較接近了，將業務知識固化在系統中，BI更多作爲一個數據分析工具，以及可視化報表工具存在。
區分和優勢
以往傳統的BI模式，數據倉庫，到ETL（數據清洗），OLAP分析都是不同的產品，不同的專人負責。假設一個分析報告要改動，涉及到數據層。則要IT部門去改進數據層和業務層，傳統BI平臺需要一兩個月去梳理模型。
現代的BI應用模式，即敏捷BI，建模和OLAP分析都集成到應用裏了。無需事先建模，在做報表，拖拽數據字段的時候，就能隨機看到分析結果，做到即系分析，且在分析過程中靈活調整分析維度和報表展現，需求變更可以在一天之內響應。
從現代商業決策視角，重新審視BI與數據倉庫的關係
在如今轉向服務導向架構（SOA）（*由Gartner提出，以“服務”爲基本元素來組建企業IT架構的方式。SOA要解決的主要問題是：快速構建與應用集成，現已成爲解決企業業務發展需求與企業IT支持能力之間矛盾的最佳方案。）的技術大背景中，耗費巨大心力進行大規模的數據整合和數據集成操作是否還有必要？構建數倉的收益是否能大於你將付出的成本？
再加上企業數據體量不斷提升，業務發展越來越迅速，對快速印證分析決策也提出了更高要求，更多的企業希望能夠降低技術設施成本，做到近乎實時地訪問操作源數據，在極短的時間內響應用戶請求。
企業構建分析決策架構的敏捷策略
企業分析決策架構的未來前景，取決於業務驅動因素以及技術的發展方向。如今企業數據呈指數級增長，對實時分析的需求比以往任何時候都要強烈，鑑於此，如何兼顧快速落地與高可擴展性，有機結合數據倉庫來構建企業分析決策架構，仍是擺在衆多企業面前的一個巨大難題。
我認爲一個好的解決方式是
- 在數倉尚未搭建或分析思路尚未成型時，直接在BI平臺內快速構建分析應用，快速反饋、快速迭代，實現quick win
- 在分析結果得到業務的印證後，再將數據沉澱和複雜分析邏輯逐步固化到數據倉庫或數據平臺裏面實施，此時BI平臺僅擔負輕量的數據分析與可視化壓力
我們認爲，數據分析的本質是爲業務發展、商業決策而服務，而不是創建一堆無用的可視化圖表。通過以上提到的這種敏捷開發，快速印證，不斷沉澱的過程，將能夠更大程度上確保企業分析決策架構的方向正確，獲得業務端的認同，驅動業務發展，從而產生真正的商業價值。
總結
說說近兩年的行業真實情況吧，我自己平時參加了很多的數據行業、大數據分析的行業大會、沙龍，發現一個很明顯的變化就是，現在在風口上的大大小小的互聯網公司，說自己用大數據的越來越多了，但又數據倉庫的公司越來越少了，搞growth hacking的越來越多了，能把自己的企業報表支持做的快速精準的越來越少了。
個人感覺就是，當年那一幫搞維度建模，倉庫體系的老傢伙沒有教出太好的徒弟，另外就是半路改行的elt佔據了半壁江山，所以現在很多公司裏看見的bi體系中的數據倉庫一般都是一大層+“貼源”，能看到數據倉庫理論體系的項目越來越少了。