核心指导思想：
以业务需求和用户分析为中心，通过维度建模快速构建可理解、可扩展的数据仓库，让业务人员能够方便地分析数据。
面向业务，而不是面向技术：Kimball 认为数据仓库首先要解决的是业务决策问题，而不是单纯设计一个漂亮的数据结构。
维度建模（Dimensional Modeling）是核心：Kimball 最核心的思想是使用维度模型，通常表现为星型模型（Star Schema）。
模型由两类表组成：
事实表（Fact Table）：存放业务事件和度量指标
维度表（Dimension Table）：描述分析角度自底向上的建设（Bottom-up）
Kimball 不主张先花几年时间建设一个“大而全”的企业数据仓库。
他的思想是：先解决一个业务领域，再逐步扩展。先定义业务过程和粒度（Grain）
Kimball 非常强调：建事实表之前，必须先确定“一条事实记录代表什么”。企业级一致性通过“公共维度”实现
Kimball 提出了 Conformed Dimensions（一致性维度）。追求易用性和查询性能
Kimball 认为数据仓库不是给数据库管理员看的，而是给：分析师、BI人员
、管理者使用的。所以模型应该：表结构简单、字段含义明确、查询方便、支持快速分析
| 指导思想 | 含义 |
|---|---|
| 业务驱动 | 从业务问题出发 |
| 维度建模 | 用事实表+维度表组织数据 |
| 自底向上 | 小步迭代建设数据仓库 |
| 明确粒度 | 一开始定义事实记录级别 |
| 一致性维度 | 跨业务共享分析口径 |
| 用户友好 | 让业务人员容易查询分析 |
简单理解：
Kimball认为：数据仓库不是为了存数据，而是为了帮助企业更快、更准确地做决策；最好的数据模型应该贴近业务人员的思考方式。
如果和 Inmon（企业数据仓库3NF模型） 对比，最大的区别是：
Kimball：先做业务分析场景，再整合；Inmon：先建企业级统一数据层，再提供分析。
