数据行业中涉及很多概念，其中包括：数据仓库、数据集市、数据湖、数据中台。
对于这些概念的介绍可以参考往期笔记。
数据库与数据仓库、数据湖、数据集市
下面对这些概念做一个对比和总结。

概念介绍

数据仓库是一个功能概念，是将企业的各业务系统产生的基础数据，通过维度建模的方式，将业务数据划分为多个主题（集市）统一存储，统一管理。
应用场景：一般都是作为商业智能系统、数据仪表盘等可视化报表服务的数据源。

数据集市是一个结构概念，它是企业级数据仓库的一个子集，主要面向部门级业务，并且只面向某个特定的主题。
应用场景：数据集市是数仓之上更聚焦的业务主题合集，更偏向于应对业务数据快速高效应用的需求，一般用于商业智能系统中探索式和交互式数据分析应用

数据湖是一种数据存储理念，存储企业各种各样的原始数据的大型仓库，包括结构化、非结构、二进制图像、音频、视频等等。
应用场景：以大数据技术为基础有多样化数据结构海量大数据存储需求，也可作为数据仓库或者数据集市的数据源。

数据中台是一个逻辑概念，为业务提供服务的主要方式是数据API，它包括了数据仓库，大数据、数据治理领域的内容。
应用场景：是将数据服务化提供给业务系统，目的是将数据能力渗透到业务各个环节，不限于决策分析。

对比

操作型数据库（ODS）、数据仓库（DW或EDW）、数据集市（DM）是目前标准数仓结构的三个核心组件。

对比项	ODS	EDW	DM
核心目的	数据集中	数据存储	数据应用
主要工作内容	保留源系统业务逻辑的前提下，将上游数据的格式按照数仓要求统一，并做简单的数据清洗	数据整合重定义，解决多源造成定义不同意问题；业务规则统一，消除源系统壁垒；剔除数据冗余，提高存储与检索性能	根据不同需求，选取所需数据，组建各自的数据分析主题，获取数据组合后的新数据。分析主题间相对独立，互不影响。
服务对象	EDW	全局	局部
主要关注点	数据全面性	数据有效性、数据精确性	数据可用性、数据相关性
数据有效性	永久	永久或长期	中短期
数据设计规则	沿用源系统规则	三范式规则，法律法规、行业规则等客观业务规则	自定义规则

数据仓库与数据湖从存储对象上来讲，主要区别在于：

数据仓库则用于存储来自多个来源的结构化数据。
数据湖的不同之处在于它可存储非结构化、半结构化和结构化数据。 | 数据仓库 | 数据湖 | | —- | —- | | 主要处理历史的、结构化的数据，而且这些数据必须与数据仓库事先定义的模型吻合。 | 能处理所有类型的数据，如结构化数据，非结构化数据，半结构化数据等，数据的类型依赖于数据源系统的原始数据格式。 | | 处理结构化数据，将它们转化为多维数据或转换为报表，以满足后续的高级报表及数据分析需求。 | 拥有足够强的计算能力用于处理和分析所有类型的数据，分析后的数据会被存储起来供用户使用。 | | 数据仓库通常用于存储和维护长期数据，因此数据可以按需访问。 | 数据湖通常包含更多的相关的信息，这些信息有很高概率会被访问，并且能够为企业挖掘新的运营需求。 |

数据湖作为一个集中的存储库，可以在其中存储任何形式（结构化和非结构化）、任意规模的数据。在数据湖中，可以不对存储的数据进行结构化，只有在使用数据的时候，再利用数据湖强大的大数据查询、处理、分析等组件对数据进行处理和应用。因此，数据湖具备运行不同类型数据分析的能力。

数据中台从技术的层面承接了数据湖的技术，通过数据技术，对海量、多源、多样的数据进行采集、处理、存储、计算，同时统一标准和口径，把数据统一之后，以标准形式存储，形成大数据资产层，以满足前台数据分析和应用的需求。

数据中台更强调应用，离业务更近，强调服务于前台的能力，实现逻辑、算法、标签、模型、数据资产的沉淀和复用，能更快速的相应业务和应用开发的需求，可追溯，更精准。

数据仓库是通过ETL技术把原始数据进一步加工处理，提高数据数据质量，统一数据标准，然后把数据再进行分类，就是主题的维度建模过程，将数据统一存储与管理，为了满足决策分析型需求。
数据湖就好比一个大型仓库，什么格式的数据都存储，但只存原始数据。
数据中台是将经过数据治理的数据仓库或大数据平台中的数据，通过接口的方式直接服务于应用系统。

附参考资料：