目前，业界里存在 Kimball与Inmon各自倡导的两种体系结构，两者各有优势。

1.Kimball数据仓库架构

ETL 之前是操作型系统或者事务系统，有数据库在线系统，有文本文件系统等。这些系统的数据经过 ETL 后，加载数据到企业数据仓库中。
ETL（数据集成）的过程是整合不同系统的数据，经过加工、清洗和统一。
企业数据仓库：目的是将附加的数据存储用于各种分析型系统。
数据集市：是针对不同的主题区域，从企业数据仓库中获取的信息，转换成多维格式，然后通过不同手段的聚集、计算，最后提供最终用户分析使用。

Inmon 把信息从企业数据仓库移动到数据集市的过程描述为“数据交付”。

2.Inmon 数据仓库架构

kimball的维度数据仓库是基于维度模型（星型、雪花、星座模型）建立的企业级数据仓库，有时称为“总线体系结构”，和inmon提出的企业信息化工厂有很多相似之处，都是考虑原子数据的集成仓库。

建立从属数据集市的好处主要有：

性能：当数据仓库的查询性能出现问题，可以考虑建立几个从属数据集市，将查询从数据仓库移出到数据集市。
安全：每个部门可以完全控制他们自己的数据。
数据一致：因为每个数据集市的数据来源都是同一个数据仓库，有效消除了数据不一致的情况。

3.总结

3.1 Inmon数据仓库

Inmon数据仓库采用自上而下的方法。它将数据仓库定义为整个企业级的集中存储。数据仓库存放着最低的详细级别的原子数据。维度数据集市只是在数据仓库完成后才创建的。因此，数据仓库是企业信息工厂（CIF）的中心，它为交付商业智能提供逻辑框架。

3.2 kimball数据仓库

Kimball数据仓库采用自下而上的方法。它首先建立最重要的业务单元或部门的数据集市。这些数据集市可以为透视组织数据提供一个较窄的视图，需要的时候，这些数据集市还可以与更大的数据仓库合并在一起。Kimball将数据仓库定义为“一份针对查询和分析做特别结构化的事物数据拷贝。”Kimball的数据仓库结构就是著名的数据仓库总线。

Kimball提出了维度建模方法，将表分为事实表和维度表。维度模型关注的重点是如果使最终用户访问数据仓库更容易，并有较高的性能。

3.3 对比

3.3.1 相似之处

一、都是假设操作型系统和分析型系统是分离的；
二、数据源（操作型系统）都是众多；
三、ETL整合了多种操作型系统的信息，集中到一个企业数据仓库。

3.3.2 不同之处

Kimball 的数据仓库包含高粒度的企业数据，使用多维模型设计，这也意味着数据仓库由星型模式的维度表和事实表构成。分析系统或报表工具可以直接访问多维数据仓库里的数据。
在此架构中的数据集市也与 Inmon 中的不同。这里的数据集市是一个逻辑概念，只是多维数据仓库中的主题域划分，并没有自己的物理存储，也可以说是虚拟的数据集市。
在 kimball 的架构中，还有一个可变通的设计，即在 ETL 的过程中加入 ODS 层，使得 ODS 层中能保留第三范式的一组表来作为 ETL 过程的过度。另外，还可以把数据集市和企业维度数据仓库分离开来，这样多一层，即展现层（Presentationlayer）。

3.4 应用场景

简单归纳 Kimball 和 Inmon 的区别，如下图：

kimball 模式 -- 互联网企业优先选择

适合快速迭代，实施成本低，能够较快交付任务。这种模式非常适应互联网行业的高速发展，也适合中小型企业。

inmon模式 -- 传统企业优先选择

开发进度慢，实施成本高，适合对设计科学性和规范性较高的企业，在业务模式较固定的行业应用较好，比如金融和电信等行业。

PS：企业可以根据自身业务场景，选择不同的数据仓库架构来建设。