术语备注：
1、OLTP。这是on-line transaction processing的简写。翻译成联机事务处理。就是在线交易的业务数据。这方面的数据库是关系型数据库。
2、OLAP。On-Line Analytical Processing 翻译成联机分析处理。通俗理解，就是做数据统计、分析的平台。顺应这个需求产生了数据仓库的概念。
3、数据仓库。只是一个概念，数据的仓库。搭建数据仓库的技术方案可以是关系型数据库，也可以是列存储。为了通俗理解，可以把数据仓库和OLAP看作一个东西。
4、商业智能BI。本质还是依赖于数据仓库做支持的，没有数据存储，没有大量数据，无法统计、无法分析。
怎么来理解或区分数据库和数据仓库的关系
业界经常说的术语是OLTP，这是on-line transaction processing的简写。联机事务处理。
OLAP是On-Line Analytical Processing 翻译成联机分析处理。
从名字来看，可以看出一个侧重事务处理。一个侧重分析处理。事务处理，就是交易数据。如订单、商品等数据的增删查改。分析处理，要对这些数据分析出统计结果。分析处理，就要使用数据仓库来存储数据了，要与业务数据库分开，而数据来自于业务数据库。
联机交易处理使用的是交易型数据库，即行式存储关系型数据库如oracle、sqlserver、mysql。
联机分析处理使用的是分析型数据库，即列式关系型数据库hbase、hive、clickhouse等。
数据仓库只是一个概念，至于用什么数据库，随自己。对数据的分析处理，得到统计结果，归到数据仓库里面去，以提供在线查询。
数据库中的建模一般遵循三范式，而数据仓库的建模有特定的方式，一般采用维度建模。
为什么数据仓库喜欢使用列式关系型储数据库?
数据仓库使用的技术方案，有很多种。可以使用关系型数据库mysql，目前，业界一般使用列存储。
为什么不用mysql等行存储关系数据库来做数据仓库? 而一般使用列存储数据库， 是考虑到数据仓库的以下特点：
1、数据仓库的数据来源多个系统。可能是文件、可能是其他关系型数据库中的交易数据。
2、需要多个维度建立数据统计模型。
3、存储数据量。历史的，存档的，归纳的，计算的数据。
4、需要访问大量的记录才能统计出结果。如果统计性能上不能很慢，无法出统计结果。就满足不了分析统计的需求。
涉及到复杂的聚合统计查询，这类系统就比较难以处理了，比如要查询某一些类型的用户过去三个月购买最多的商品，因为同一时间需要查询大量数据，OLTP(关系数据库) 系统并不擅长处理这类需求。
5、更新数据很少。都是添加数据、查询数据。于是对查询速度要求高。
列式型关系数据库，使用上与mysql一样，都是sql语句操作，也是关系表设计。唯独底层存储原理不一样。下面解释。
对比行存储和列存储
下面来看网上找的一张图，对比行存储和列存储
行存储的一行数据(此行的所有数据)都在一起，紧接着就是第二行数据，依次下去。
列存储不同的是，一列的所有数据都放在一起了。
从上图可以很清楚地看到，行式存储下一张表的数据都是放在一起的，但列式存储下都被分开保存了。所以它们就有了如下这些优缺点：
注：关系型数据库理论回顾 - 选择(Selection)和投影(Projection)
列存储在做join联合的时候，效率更高。
在列存储中，下面查询语句：select customers,material from table where customers="miler" and material="refrigerator"
一列的所有数据都在一块，所以每一列都是一个索引。对一列数据压缩也很方便，变成数字存储了。存储空间变小，存储空间变小，操作速度就更快。
关键步骤如下：
1. 去字典表里找到字符串对应数字(只进行一次字符串比较)。
2. 用数字去列表里匹配，匹配上的位置设为1。
3. 把不同列的匹配结果进行位运算得到符合所有条件的记录下标。
4. 使用这个下标组装出最终的结果集。
下面笔者整理了业界常来搭建数据仓库的数据库
在数据仓库领域的收费列数据库
1、惠普公司的Vertica
2、oracle公司Oracle Warehouse Builder的
3、sybase公司的Sybase IQ/SAPIQ
4、mysql公司出的Infobright。
5、Greenplum公司的Greenplum
互联网公司自主研发的
1、华为的Carbondata
2、百度研发给内部使用的palo。
3、腾讯Hermes
4、Druid:广告分析，互联网广告系统监控、度量和网络监控。开源免费。
5、俄罗斯的yandex公司为自己内部统计需要研发的clickhouse。yandex为俄罗斯的"百度"、"百度统计"业务。2016年6月份才开源发布出来。这个文档全，对php语言支持好。性能不弱于百度的palo。