随着互联网的广泛渗透，信息技术已经深入到各个行业，逐渐成为企业日常运营中不可或缺的一部分。企业在信息化建设进程中遭遇了诸多困境与挑战。
历史数据的积存成为一大问题。过去的业务系统经过长时间的建设，很少进行大规模的改造或升级，导致历史数据留存在系统中。随着业务的持续增长，虽然历史数据的使用频率较低，但业务数据库中的数据量却不断增加，大量数据的堆积对业务数据库的性能产生了不良影响。
信息系统的分散性也带来了挑战。企业各部门自行建立的独立数据抽取系统导致数据不一致，难以整合，不同系统之间的数据口径混乱、不规范。这不仅使得数据结构变得复杂，增加了开发难度，还阻碍了数据的标准化分析和应用。
为了解决这些问题，企业开始寻求利用数据仓库技术。数据仓库主要是为了存储和管理历史数据，它采用一系列分析方法对数据进行整理和分析（如OLAP、数据分析），从而为企业构建业务智能（BI）提供坚实基础。
相较之下，传统数据库是面向事务设计的，主要操作是随机读写。在设计过程中，为了避免数据冗余，常采用符合范式的规范。而数据仓库则关注数据的整合和分析，会引入一定的数据冗余，采用反范式的方式进行设计。
在数据仓库的建设中，传统数据仓库与大数据数据仓库是两种不同的选择。传统数据仓库通常采用关系型数据库组成的MPP集群进行数据处理和存储。但随着业务应用的增加，其扩展性逐渐受限。而大数据数据仓库则采用分布式计算技术如Hadoop、Spark等作为存储和计算引擎。尽管大数据数据仓库具有诸多优点，如天然的扩展性和对海量数据的处理能力，但也面临着一些挑战和问题。
企业信息化建设和数据仓库的构建在当下充满挑战。这需要企业根据自身的现状和需要解决的问题来选择合适的方案。我们不能期望一蹴而就地解决所有问题。在目前的信息时代背景下，借助如FineDataLink等工具和技术能够帮助企业更快地融入企业数据集成和分析的潮流中。