云技术的发展会让数据仓库呈现哪些新趋势？

使用托管服务

托管服务是高级服务的类型，对特定用例具有挑战性的问题都由云自动处理。数据仓库面临的大部分挑战都与可扩展性，可靠性，安全性，性能和效率相关，而这些主要是由云提供商在使用托管服务时进行管理。

当谈到数据仓库架构时，你可以使用完全托管的ETL服务(例如：Amazon Glue，Azure Data Factory)，托管数据仓库服务(例如Amazon RedShift，Azure SQL数据仓库)等等。 在使用这些服务时，还可以在云中找到可互联的服务，以进一步减少实施工作，也可以找到云基础架构和服务供应模板，更简单地设置数据仓储解决方案

此外，大多数的服务都是由云提供商按需提供的，所以使用这些服务还可以降低成本。

生产线数据集市

在大型集中式数据仓库中，分析不同生产线的数据也很重要。数据集市通过包含特定业务部门的汇总数据来提供解决方案。数据集市可以作为数据仓库的中间来源，也可以用作每个业务部门独立分析自己的数据。

数据湖启发

数据湖和数据仓库之间有着根本的区别。但是，我们已经看到Data Lake在数据分析和报告世界中越来越流行。Data Lake和Data Warehousing之间的主要差异之一是Data Lake在读取时定义数据模式，而Data Warehousing在写入时定义模式。尽管Data Lake也有自己的优缺点，但是我们可以从其数据仓储的核心优势中找到灵感。

目前DataLake最受欢迎的技术之一就是利用分布式存储和使用Hadoop文件系统等工具进行处理。这对于数据仓库来说也是有益的，它允许以高效且并行的过程预处理或后处理数据，从而减少时间和成本。

使用列式存储

将来自各种来源的数据存储在数据仓库中非常重要，它可以有效查询分析目的。为此，在检索复杂分析查询时，与基于行的存储相比，使用列式存储可以提高磁盘性能。云中有数据仓库服务，可以以较低的成本提供这些功能(例如 Amazon RedShift)用于存储和查询。使用这些服务不仅降低了建立数据仓库的复杂性，还为访问控制提供了紧密集成，整合了各种数据源等等。

内存分析引擎

执行分析和报告时，使用内存中的处理引擎会更加高效，不仅可以导入大量数据，还可以并行处理以实现快速响应和可视化。云服务(如Microsoft Azure Power BI Embedded和Amazon QuickSight)可随时用于内存分析和可视化。