Kimball和Inmon是兩種主流的數據倉庫方法論，分別由 Ralph Kimbal大神 和 Bill Inmon大神提出，在實際數據倉庫建設中，業界往往會相互借鑑使用兩種開發模式
Inmon和Kimball是數據倉庫領域偉大的開拓者，他們均多年從事數據倉庫的研究，Inmon還被稱爲“數據倉庫之父”。Inmon的《數據倉庫》和Kimball的《數據倉庫工具箱》都是此領域的經典之作。後來人把這兩人的數據倉庫思想總結爲“Inmon理論”和“Kimball理論”。他們的思想有共同點，也有不同點。
什麼是數據倉庫:數據倉庫之父 Inmon的經典定義如下：數據倉庫（Data Warehouse）是一個面向主題的（Subject Oriented）、集成的（Integrated）、相對穩定的（Non-Volatile）、反映歷史變化（Time Variant）的數據集合，用於支持管理決策（Decision Making Support）。
1. 共同點
（1）均極力推崇數據倉庫，認爲從OLTP到BI分析之間建立數據倉庫是很有必要的；
（2）均認爲數據倉庫的建立需要從企業整體角度出發，迭代開發，儘量避免按部門建立獨立的數據倉庫；
（3）數據進入數據倉庫之前，需要經過ETL整合。
2. 不同點
Inmon理論
（1）數倉概念：數據倉庫（Data Warehouse）是一個面向主題的（Subject Oriented）、集成的（Integrated）、相對穩定的（Non-Volatile）、反映歷史變化（Time Variant）的數據集合，用於支持管理決策（Decision Making Support）；
（2）自上而下按照主題建立數據倉庫，如按照客戶、供應商、產品等建立不同的主題。開發過程中每次增加一個主題；
（3）當建立的數據集市是跨多個主題的，需要以整合好的主題數據爲基礎。
Kimball理論
（1）自下而上，維度建模；
（2）先按照業務主線建立最小粒度的事實表，再建立維度表，形成數據集市，通過“一致維度”能夠共同看到不同數據集市的信息；
1.什麼是Kimball
1.1 概念
Kimball 模式從流程上看是是自底向上的，即從數據集市到數據倉庫再到數據源(先有數據集市再有數據倉庫)的一種敏捷開發方法。對於Kimball模式，數據源往往是給定的若干個數據庫表，數據較爲穩定但是數據之間的關聯關係比較複雜，需要從這些OLTP中產生的事務型數據結構抽取出分析型數據結構，再放入數據集市中方便下一步的BI與決策支持。
1.2 流程
通常，Kimball都是以最終任務爲導向。首先，在得到數據後需要先做數據的探索，嘗試將數據按照目標先拆分出不同的表需求。其次，在明確數據依賴後將各個任務再通過ETL由Stage層轉化到DM層。這裏DM層數據則由若干個事實表和維度表組成。接着，在完成DM層的事實表維度表拆分後，數據集市一方面可以直接向BI環節輸出數據了，另一方面可以先DW層輸出數據，方便後續的多維分析。
Kimball支持數據倉庫總線結構，提倡維度建模，以星型模型或是雪花模型等方式構建維度數據倉庫。架構體系中，數據集市於維度數據倉庫是緊密結合的，數據集市是數據倉庫中一個邏輯上的主題域。各種前端工具將可以直接訪問使用維度數據倉庫。
Kimball往往意味着快速交付、敏捷迭代，不會對數據倉庫架構做過多複雜的設計，在變換莫測的互聯網行業，這種架構方式逐漸成爲一種主流範式。
2. 什麼是Inmon
2.1 概念
Inmon 模式從流程上看是自頂向下的，即從數據源到數據倉庫再到數據集市的（先有數據倉庫再有數據市場）一種瀑布流開發方法。對於Inmon模式，數據源往往是異構的，比如從自行定義的爬蟲數據就是較爲典型的一種，數據源是根據最終目標自行定製的。這裏主要的數據處理工作集中在對異構數據的清洗，包括數據類型檢驗，數據值範圍檢驗以及其他一些複雜規則。在這種場景下，數據無法從stage層直接輸出到dm層，必須先通過ETL將數據的格式清洗後放入dw層，再從dw層選擇需要的數據組合輸出到dm層。在Inmon模式中，並不強調事實表和維度表的概念，因爲數據源變化的可能性較大，需要更加強調數據的清洗工作，從中抽取實體-關係。
2.2 流程
通常，Inmon都是以數據源頭爲導向。首先，需要探索性地去獲取儘量符合預期的數據，嘗試將數據按照預期劃分爲不同的表需求。其次，明確數據的清洗規則後將各個任務通過ETL由Stage層轉化到DW層，這裏DW層通常涉及到較多的UDF開發，將數據抽象爲實體-關係模型。接着，在完成DW的數據治理之後，可以將數據輸出到數據集市中做基本的數據組合。最後，將數據集市中的數據輸出到BI系統中去輔助具體業務。
3.Kimball VS Inmon 優劣比較
Kimball方式對團隊技術水平要求不太高，更易於實現，從小型的主題域數據集市建設起，但在逐步建設過程中，聯合維度數據倉庫的一致性較難控制，適用於戰術層級的規劃，或是有迫切的目標需要實現。
Inmon的方式，規範性較好，數據集成和數據一致性方面得到處理，適用於較爲大型的企業級、戰略級的規劃。但對團隊的要求較高，且實現週期較長、成本高昂。具體可根據企業的規模、項目規劃、預算、團隊等角度進行綜合考慮。
| 特性 | Kimball | Inmon |
|---|---|---|
| 時間 | 快速交付 | 路漫漫其修遠兮 |
| 開發難度 | 小 | 大 |
| 維護難度 | 大 | 小 |
| 技能要求 | 入門級 | 專家級 |
| 數據要求 | 特定業務 | 企業級 |
4.特徵對比
