不论使用什么方法建设数据仓库，最终的目标都是统一的------为战略层面的决策提供数据支撑。关键原则还是聚焦业务需求，展现维度结构数据，过程可控可管理，并使用迭代方式开发数据仓库项目。
数据仓库建设过程其实并不复杂，总的来说可以总结为以下几点：
1、业务发展衍生出数据分析需求
2、基于业务需求进行的需求分析
3、根据分析结果进行的维度建模与技术方案的选型
4、ETL设计与开发
5、数据仓库的部署
6、数据集市的形成
7、迭代与发展
这其实很像一个生命周期过程，看一张图片（图片来源于数据仓库工具箱一书），展示的恰好是数据仓库建设的生命周期
那么在数仓建设过程中，最难的点在于哪里？个人觉得可能有以下几点
1、怎么做好前期的各项调研和评估工作，包括数据可行性分析等？
2、维度模型直接关系到数据仓库的质量，那么维度模型如何确立？
3、怎么进行架构设计及技术组件选取？
4、怎么保证数据查询性能？
从经验上来看，前期调研和评估分析工作做的越详细、越全面、花费的精力越多，后边进行的各项工作的推进便越顺畅，全部推倒反工的可能性越低。
第一：与需求方各相关人员进行密切对话，认真记录可获得的各种细节问题（目标、资源、可行性、优先级、实施范围等），最终将需求分析文档化，这样才能对需求与目标了如指掌，利于后续推进。
第二：维度如何建立前面文章中有相关过程总结。
第三：需求驱动架构设计，聚焦能够对架构产生影响的业务需求，重点关注时间相关、可用性和性能方面的需求。将架构需求组件化，包括ETL、元数据、BI和基础支撑等。明确各组件间的接口方式、并将其联合起来以确立初步架构。最后进行评审改进确立最终架构。
第四：物理设计大大影响了最终的查询响应能力，最大限度地考虑索引、聚集、分区、边缘计算及其它性能调整策略。
总结：
1、将重点放在需求和目标上，而不是技术和数据本身上。
2、将敏捷和迭代开发的思想用在项目中，而不是刻意追求使项目迟迟不能完成。
3、重点关注前端查询性能和易用性，而不是过多关注后端可操作型性能和可开发性。
4、充分考虑到数据的可共享性、跨部门一致性，而不是数据孤岛、各行其是。
5、最后就是坚信数据的价值并充分发挥数据的价值。
