传统的数据库技术以单一的数据源即数据库为中心，进行事务处理、批处理、决策分析等各种数据处理工作，主要有操作型处理和分析型处理两类。操作型处理也称事务处理，指的是对联机数据库的日常操作，通常是对数据库中记录的查询和修改，主要为企业的特定应用服务，强调处理的响应时间、数据的安全性和完整性等；分析型处理则用于管理人员的决策分析，经常要访问大量的历史数据。传统数据库系统主要强调的是优化企业的日常事务处理工作，难以实现对数据分析处理要求，无法满足数据处理多样化的要求。操作型处理和分析型处理的分离是必然和必要的。
数据仓库（Data Warehouse）是一个面向主题的（ Subject Oriented）、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。数据仓库是对多个异构数据源（包括历史数据）的有效集成，集成后按主题重组，且存放在数据仓库中的数据一般不再修改。
企业数据仓库的建设，是以现有企业业务系统和大量业务数据的积累为基础的。数据仓库不是静态的概念，只有将信息及时地提供给需要这些信息的使用者，供其做出改善自身业务经营的决策，信息才能发挥作用，也才有意义。将信息加以整理归纳和重组，并及时地提供给相应的管理决策人员，是数据仓库的根本任务。数据仓库系统的结构通常包含4个层次。
随着云时代的来临，大数据（ Big Data）吸引了越来越多的关注。业界将其特点归纳为 5个“V”——Volume（数据量大）、Variety（数据类型繁多）、Velocity（处理速度快）、Value（价值密度低）、Veracity（真实性高）。大数据的意义不在于掌握庞大的数据信息，而在于对这些数据进行专业化处理，实现数据的“增值”（详见本书 1.6.1节）。
大数据分析相比于传统的数据仓库应用，具有数据量大、查询分析复杂等特点。在技术上，大数据必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术等。