目前，業務決策者對實時數據訪問的需求也在以前所未有的速度增長，以便于進行明智的業務決策。
為了使數據對他們的業務有用、可行和可擴展，企業需要一種有效且經濟高效的方式來存儲、標記和解釋這些數據。實現這種目的最有利可圖的方法之一就是采用數據倉庫。
這一概念可以追溯到上世紀70年代，當計算機科學家BillInmon首次提出“數據倉庫”一詞時，就出現了數據倉庫市場。早期的數據倉庫創建為本地服務器，其構建能力僅為千兆字節。從那時起，它們經歷了重大的變革，現代化的倉庫可容納更大的容量。
數據倉庫，也稱為決策支持數據庫，是指一個中央存儲庫，用于保存從一個或多個數據源（例如事務系統和關系數據庫）衍生的信息。系統中收集的數據可以采用非結構化、半結構化或結構化數據的形式。然后對這些數據進行處理、轉換和使用，以使用戶可以更輕松地通過SQL客戶端，電子表格和商業智能工具對其進行訪問。
數據倉庫還促進了更輕松的數據挖掘，這是對數據中的模式進行標識，然后可以用來推動更高的利潤和銷售量。數據倉庫行業的應用范圍跨越了與分析乃至云計算相關的多個領域，在某些情況下，其中包括醫療保健、制造業、電信與IT、零售和政府等。
在技術領域，有幾家公司在推進數據倉庫技術方面取得了長足的進步。最著名的公司之一是Teradata公司，這是一家行業領先的數據倉庫公司，在該領域擁有30多年的經驗。Teradata軟件被廣泛用于許多行業的各種數據倉庫活動，尤其是在銀行業。該公司一直致力于通過創新的新技術（包括基于Hadoop的服務）來增強其商業智能解決方案。
大數據和數據倉庫
在現代時代，大數據和數據科學正在極大地顛覆企業開展業務以及決策流程的方式。跨行業擁有如此大量的數據，對高效大數據分析的需求變得至關重要。大數據最早是在上世紀90年代出現的，但是這個概念可以追溯到術語創造之前，直到計算機時代的曙光，那時企業將使用大型電子表格分析數字和研究趨勢。
隨著1990年代末和2000年代初出現新的數據源，它們開始推動了海量數據的產生。隨著移動設備和搜索引擎的興起，這種趨勢尤其激增，搜索引擎比以往任何時候都可以輸出更多的數據。表征大數據出現的另一個因素是速度。數據生成速度越快，所需的處理就越多。因此，在2005年，Gartner公司將大數據的概念描述為數據的3V，也就是數量，速度和種類。
隨著數據量持續快速增長，傳統的關系數據庫和數據倉庫無法處理這些數據。為了規避此問題并確保更高效的大數據分析系統，雅虎等公司的工程師于2006年創建了Hadoop，這是一個Apache開放源項目，它具有分布式處理框架，即使在集群平臺上也可以運行大數據應用程序。
人工智能，機器學習和基于云的解決方案可能會推動數據倉庫市場的未來前景
考慮到現代產生的數據量以及處理數據所需的高級基礎設施，決策支持數據庫在技術和體系結構方面都面臨著巨大的發展壓力。除了幾種新的數據倉庫架構方法之外，還出現了許多技術，成為現代商業智能解決方案的主要貢獻者，從云計算服務到數據虛擬化再到自動化和機器學習等。
基于云計算的解決方案是數據倉庫市場的未來。隨著眾多企業轉向云平臺來支持和存儲其數據倉庫解決方案，像亞馬遜和谷歌這樣的互聯網公司不知疲倦地致力于開發和托管創新的基于云計算的數據倉庫。
未來幾年將推動數據倉庫行業前景的另一趨勢是機器學習和人工智能支持。新的數據倉庫架構將成為人工智能數據集的基礎，而人工智能和機器學習將改善這些商業智能解決方案的功能和運營。這種趨勢的一個例子是谷歌將機器學習整合到BigQuery數據倉庫中。
