---
title: "資料倉儲（Data Warehouse）"
slug: data-warehouse
language: zh-TW
source: https://aiterms.tw/terms/data-warehouse
updated_at: 2026-04-29
tags: [資料處理, AI基礎]
ipas_term: true
---

# 資料倉儲（Data Warehouse）

> **你有沒有在你要做查詢和商業分析時，還在想這件事到底該怎麼看？**
>
> 把它想成為分析而整理好的資料庫。
> 它專門支援查詢、報表和歷史分析，不是拿來做即時交易。
> 資料來源整合得好，管理層看數字才會一致。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **data-lake**
> vs 資料庫 (Database)：資料庫像書店，主要處理日常交易和即時更新；資料倉儲像圖書館，專為長期儲存、查詢和分析歷史資料設計，不做即時交易。
> **常見混淆：資料倉儲 vs data-lake**
> 資料倉儲偏整理後查詢，資料湖偏原始資料儲存。

### 記住這句就好
> 分析用的倉庫，重點是查得快、看得準。

### 實際案例
> **營收報表**
> 把不同系統的銷售數字彙整後，讓財務和營運看同一份報表。
> **跨部門儀表板**
> 讓行銷、客服和產品部門都能看到一致的分析結果。

### 深入了解
> 1. 資料倉儲通常會先經過清理和建模，再提供分析查詢。
> 2. 星型模式和雪花模式是常見的建模方式。
> 3. 它重視查詢效率和一致性，和保留原始資料為主的資料湖不同。

### 情境判斷
> **Q1：如果你每天都要查很多歷史報表，適合放哪裡？**
> → 資料倉儲通常更適合，因為它偏向分析查詢。
> **Q2：資料倉儲和資料湖有可能一起用嗎？**
> → 可以，常見做法就是先進湖，再挑出需要的資料進倉。

### iPAS 考題
> **Q1：資料倉儲的核心用途是什麼？**
> → 支援查詢、分析和商業智慧決策。

### 常見問題
> **Q：資料倉儲的 ETL 流程中，什麼是資料清洗？**
> 資料清洗是 ETL 流程中轉換階段的一個重要環節，旨在移除或更正資料中的錯誤、不一致性、缺失值和重複項。例如，將不同格式的日期統一轉換為 YYYY-MM-DD 格式，或處理缺失的客戶電話號碼。資料清洗的目標是確保資料的品質，提高分析的準確性。
> **Q：資料倉儲的資料建模有哪些常見的模式？**
> 資料倉儲常見的資料建模模式包括星型模式和雪花模式。星型模式以一個中心的事實表和多個維度表組成，結構簡單，查詢效率高。雪花模式則將維度表進一步分解成多個子維度表，結構更複雜，但可以減少資料冗餘。選擇哪種模式取決於具體的業務需求和資料量。
> **Q：資料倉儲如何應對不斷增長的資料量？**
> 資料倉儲可以透過多種方式應對不斷增長的資料量，包括水平擴展（增加硬體資源）、垂直擴展（升級硬體配置）、資料分割（將資料分散儲存在多個節點上）、以及資料壓縮（減少資料儲存空間）。選擇哪種方式取決於具體的硬體環境、軟體架構、以及預算限制。

### 相關術語
> - **資料湖**：看完這個後，再回來看 資料倉儲 會更容易把脈絡接起來。
> - **萃取、轉換、載入**：看完這個後，再回來看 資料倉儲 會更容易把脈絡接起來。
> - **機器學習**：看完這個後，再回來看 資料倉儲 會更容易把脈絡接起來。
> - **監督式學習**：看完這個後，再回來看 資料倉儲 會更容易把脈絡接起來。
> - **機器學習維運**：看完這個後，再回來看 資料倉儲 會更容易把脈絡接起來。

---

來源：https://aiterms.tw/terms/data-warehouse
快查頁：https://aiterms.tw/terms/data-warehouse
外部參考：https://ipd.nat.gov.tw/ipas/certification/AIAP/news/ffdba0fcdbda40baadeef2a1bdc0230e
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-data-warehouse