在新的数字时代，数据仓库的作用仍然重要，尤其是在设计混合数据存储和处理架构时。
大数据的出现对传统数据存储是一个挑战，但这并不一定意味着我们应该关闭旧技术的大门。一方面，毫无疑问，信息管理在新的环境下给我们带来了巨大的挑战，充满了令人兴奋的机遇和实质性的变化，尽管这些并不会消失。
众所周知，传统的数据管理器并不是最合适的大数据解决方案。企业数据仓库 (EDW) 根本不是为处理大数据的存储、处理和分析而设计的。
尽管它们无法满足当前商业智能的需求（其中数据具有前所未有的重要性），但不可否认的是，EDW 为数据存储和管理 尼日利亚 whatsapp 数据 提供了巨大优势。因此，它们仍然能够有效地满足不涉及海量数据存储和分析的需求，并具有互补的效用。
新的行动呼吁
数据存储扩展
其他技术自然也要处理大数据的存储和处理。到目前为止的情况都是如此——或者如果可能的话，情况会更加如此——在设计混合架构时，不损害关键业务数据的完整性、安全性和性能仍然是关键。
由于数据仓库使得在大型数据集中轻松找到复杂问题的答案变得容易，因此它应该由集成数据模型来管理。首先，从各种来源提取数据并存储起来，以便以多种不同的方式进行分析。如果有必要，还包括内部来源，通常来自关系数据库
因为从数据中提取价值意味着拥有高效的技术，使您能够快速、安全、及时地处理数据，并最终确保数据是有用的。实现这一目标无疑是数据存储的主要挑战之一，无论是旧技术还是现代技术，或者所有技术的总和，都在朝着这一最终目标发展。
如今，数据存储正在不断扩大以应对海量数据。并非毫无意义的是，今天大数据世界为我们提供的数字数据与物联网相结合，对数据收集、存储和分析提出了新的挑战。当然，在提取相关信息时，从大量来源收集数据的目的是提供有助于我们提高竞争力的关键信息。
您可能有兴趣阅读：
大数据分析成功的关键
新的技术解决方案，新的文化
除了传统的内部来源之外，随着大数据分析价值的不断增长，必须使用实现这一目标所需的新文化、技能、技术和系统来管理数据仓库。
在这一新全景的其他元素中，被称为数据科学家的专业人士脱颖而出，还有云计算。其中，尤其是 MaapReduce/Hadoop、NoSQL、报告工具和扩展 RDBMS 是用于处理大数据的其他解决方案、框架和架构。
因此，如果目标是执行大数据分析，则必须用能够应对这一真正挑战的技术来补充或在某些情况下取代 EDW。
事实上，数字革命需要存储和处理大量不同类型的数据并发掘其价值的能力。与以前不同的是，现在可以以低成本做到这一点。尤其是高效率使得Hadoop成为了可扩展存储和处理大数据的主导范式。