Что такое хранилище данных (DWH) и зачем оно бизнесу
Основы3 минРедакция Innovialabs
Коротко
Хранилище данных (DWH) — это отдельная база для аналитики, куда регулярно сводятся данные из CRM, учётной системы, сайта и рекламы, чтобы отвечать на вопросы бизнеса по единым и проверенным цифрам.
Что такое DWH простыми словами
Хранилище данных (Data Warehouse, DWH) — это база, созданная не для работы приложения, а для анализа. В неё по расписанию попадают данные из разных систем компании, приводятся к общему виду и хранятся с историей.
Без DWH картина обычно такая: продажи в CRM, оплаты в 1С или другой учётной системе, заявки на сайте, расходы в рекламных кабинетах. Чтобы узнать, сколько стоил клиент из конкретного канала, кто-то вручную выгружает четыре таблицы в Excel и сводит их. Каждый раз по-новому и с ошибками.
DWH решает это так:
- Один источник правды — выручка, клиенты и заказы считаются одинаково во всех отчётах.
- История — можно сравнить периоды, даже если в CRM статусы сделок уже переписаны.
- Связи между системами — рекламный клик, заявка, сделка и оплата соединяются в одну цепочку.
- Нагрузка не на рабочие системы — тяжёлые отчёты не тормозят CRM и сайт.
Как данные попадают в хранилище
Типичная схема выглядит так:
- Источники: CRM (amoCRM, Bitrix24), учётная система, база сайта или приложения, Google Analytics, Яндекс Метрика, рекламные кабинеты.
- Загрузка: коннекторы или скрипты забирают данные по API или из баз, обычно раз в час или раз в сутки.
- Слои внутри DWH: сырые данные как есть, затем очищенные и связанные, затем готовые витрины под отчёты.
- Использование: BI-дашборды, выгрузки для финансов, модели прогнозов.
Главная работа — не в загрузке, а в согласовании определений: что считать «клиентом», «сделкой», «выручкой». Если отделы понимают это по-разному, хранилище только ускорит путаницу.
Схемы «звезда» и «снежинка»
Данные в DWH обычно раскладывают по таблицам фактов и таблицам измерений.
- Факты — события с числами: продажа, оплата, клик, визит. Строк много, они в основном добавляются.
- Измерения — контекст: клиент, товар, менеджер, дата, канал.
Звезда (star schema): в центре таблица фактов, вокруг неё измерения, каждое — одна таблица. Запросы простые, соединений мало, BI-инструменты с такой моделью работают легко.
Снежинка (snowflake schema): измерения дополнительно нормализованы. Например, «товар» ссылается на «категорию», а та — на «группу». Меньше дублирования, но больше соединений в запросах.
-- Выручка по каналам за месяц в схеме «звезда»
SELECT c.channel, SUM(f.amount) AS revenue
FROM fact_sales f
JOIN dim_channel c ON c.channel_id = f.channel_id
JOIN dim_date d ON d.date_id = f.date_id
WHERE d.year = 2026 AND d.month = 9
GROUP BY c.channel;
На практике для аналитики чаще выбирают «звезду»: хранение в колоночных базах дешёвое, а простота запросов важнее экономии места.
Популярные варианты
| Решение | Модель | Когда подходит |
|---|---|---|
| Google BigQuery | Облачный сервис без серверов, оплата за хранение и обработанные запросами данные | Уже используете Google Cloud, GA4 или Looker Studio, не хотите администрировать |
| Snowflake | Облачная платформа с раздельной оплатой хранения и вычислений, работает в AWS, Azure и GCP | Много команд и нагрузок, нужна гибкая изоляция ресурсов |
| ClickHouse | Колоночная СУБД с открытым кодом, можно поднять на своём сервере или взять облачную версию | Большие объёмы событий, нужен быстрый отклик и контроль над инфраструктурой |
Для небольших объёмов отдельная аналитическая реплика PostgreSQL часто справляется не хуже и обходится проще.
Как понять, что DWH уже нужен
- Отчёты собираются вручную из нескольких систем и регулярно расходятся.
- Нужна сквозная аналитика: от рекламы до оплаты.
- Аналитические запросы тормозят рабочую базу.
- Руководство хочет видеть историю, а системы хранят только текущее состояние.
Частые ошибки: начинать с выбора технологии вместо списка вопросов, грузить «всё подряд» без владельца данных, не следить за качеством загрузок. Начинайте с 3–5 ключевых метрик и тех источников, которые для них нужны.