De um modo geral, os data warehouses têm uma arquitetura de três camadas, que consiste em:

• Camada inferior: a camada inferior consiste em um servidor de data warehouse, geralmente um sistema de banco de dados relacional, que coleta, limpa e transforma dados de várias origens de dados por meio de um processo conhecido como ETL (Extrair, Transformar e Carregar) ou um processo conhecido como ELT (Extrair, Carregar e Transformar).
• Camada intermediária: a camada intermediária consiste em um servidor OLAP (ou seja, processamento analítico on-line) que permite velocidades rápidas de consulta. Três tipos de modelos OLAP podem ser usados nesta camada, conhecidos como ROLAP, MOLAP e HOLAP. O tipo de modelo OLAP utilizado dependente do tipo de sistema de banco de dados existente.
• Camada superior: a camada superior é representada por algum tipo de interface com o usuário de front-end ou ferramenta de relatório, que permite que os usuários finais realizem análise de dados ad hoc em seus dados de negócios.

OLAP (que significa processamento de análise on-line) é um software para realizar análises multidimensionais em alta velocidade em grandes volumes de dados de armazenamento de dados unificados e centralizados, como um data warehouse. OLTP, ou processamento de transações on-line, permite a execução em tempo real de grandes volumes de transações de banco de dados por um grande número de pessoas, normalmente pela Internet. A principal diferença entre OLAP e OLTP está no nome: OLAP é analítico por natureza e OLTP é transacional. 

As ferramentas OLAP são projetadas para análise multidimensional de dados em um data warehouse, que contém dados tanto transacionais quanto históricos. Usos comuns de OLAP incluem mineração de dados e outras aplicações de inteligência de negócios, cálculos analíticos complexos e cenários preditivos, bem como funções de relatório de negócios, como análise financeira, orçamento e planejamento baseado em previsão.

O OLTP foi projetado para suportar aplicações orientadas a transações, processando transações recentes da forma mais rápida e precisa possível. Os usos comuns do OLTP incluem caixas eletrônicos, software de comércio eletrônico, processamento de pagamento com cartão de crédito, reservas on-line, sistemas de reservas e ferramentas de manutenção de registros.

Para um detalhamento sobre as diferenças entre essas abordagens, consulte "OLAP vs. OLTP: qual é a diferença?"

Esquemas são formas pelas quais os dados são organizados dentro de um banco de dados ou data warehouse. Existem dois tipos principais de estruturas de esquema, o esquema em estrela e o esquema em floco de neve, que irão impactar o design do seu modelo de dados.

Esquema em estrela: este esquema consiste em uma tabela de fatos que pode ser agregada a uma número de tabelas de dimensão não normalizadas. É considerado o tipo de esquema mais simples e comum, em que seus usuários se beneficiam de suas maiores velocidades de consulta.

Esquema em floco de neve: embora não seja tão amplamente adotado, o esquema em floco de neve é outra estrutura da organização em data warehouses. Neste caso, a tabela de fatos é conectada a um número de tabelas de dimensão normalizadas, sendo que essas possuem tabelas filho. Os usuários de um esquema em floco de neve se beneficiam de seus baixos níveis de redundância de dados, porém em detrimento do desempenho da consulta. 

Data warehouse em cloud
 

Um data warehouse em cloud é um data warehouse desenvolvido especificamente para ser executado na cloud, oferecido aos clientes como um serviço gerenciado. O uso de data warehouses baseados na cloud se tornou mais popular ao longo dos últimos cinco a sete anos, à medida que mais empresas utilizam serviços em nuvem e buscam reduzir a pegada de seu data center local.

Com um data warehouse na cloud, a infraestrutura física do data warehouse é gerenciada pela provadora da cloud, o que significa que o cliente não precisa fazer um investimento inicial em hardware ou software, além de não precisar gerenciar ou manter a solução de data warehouse.

Software de data warehouse (no local/licença)
 

As empresas podem adquirir uma licença de data warehouse e, em seguida, implementar um data warehouse em sua própria infraestrutura no local. Embora isso seja normalmente mais caro do que um serviço de data warehouse na cloud, pode ser uma opção melhor para entidades governamentais, instituições financeiras ou outras organizações que desejam ter mais controle sobre seus dados ou precisam atender a padrões ou regulamentações estritas de segurança e privacidade de dados.

Appliance de data warehouse
 

Um appliance de data warehouse é um pacote configurável pré-integrado de hardware e software, como CPUs, armazenamento, sistema operacional e software de data warehouse, ao qual uma empresa pode conectar sua rede e começar a usar no estado que se encontra. Um appliance de data warehouse reside em algum lugar entre a cloud e as implementações no local em termos de custo inicial, velocidade de implementação, facilidade de escalabilidade e controle de gerenciamento.

Um data warehouse fornece uma base para:

• Melhor qualidade de dados: um data warehouse centraliza dados de uma variedade de origens de dados, como sistemas transacionais, bancos de dados operacionais e arquivos simples. Em seguida, ele os limpa, elimina duplicatas e os padroniza para criar uma única origem confiável.
• Insights de negócios mais rápidos: dados de várias origens limitam a capacidade dos tomadores de decisão de definirem estratégias de negócios com confiança. Data warehouses  permitem a integração de dados, permitindo que usuários corporativos utilizem todos os dados de uma empresa em cada decisão de negócios.
• Tomada de decisão mais inteligente: um data warehouse suporta funções de BI em grande escala, como mineração de dados (descobrindo padrões ocultos e relacionamentos em dados), inteligência artificial e aprendizado de máquina, ferramentas que profissionais de dados e líderes corporativos podem utilizar para obter evidência concreta para tomar decisões mais inteligentes em praticamente todas as áreas na organização, desde processos de negócios até gerenciamento financeiro e de inventário.
• Obter e aumentar a vantagem competitiva: todos os itens acima se combinam para ajudar uma organização a encontrar mais oportunidades em dados, mais rapidamente do que é possível utilizando vários armazenamentos de dados.