Stelle Dir einen internationalen Konzern vor, der seine weltweiten Verkäufe analysieren möchte. Seine Verkäufe kann er anhand der Dimensionen Region(Asien, Amerika, ...), Datum oder auch Verkaufserlös unterscheiden. Nimmst Du diese drei Dimensionen und trägst sie wie in der Schule in ein 3-dimensionales Koordinatensystem ein, hast Du im Grunde einen Würfel. In dem stehen alle neueren Einträge sehr weit rechts auf der x-Achse, sehr hohe Verkaufserlöse sehr weit oben auf der y-Achse und alle Verkäufe in Asien getrennt von den Verkäufen in Amerika auf der z-Achse. Will ein Manager jetzt nur die Käufe in Asien haben, kann er sich einen Bereich aus diesem Würfel herausschneiden. Will er jetzt nur Verkäufe sehen, die in Amerika getätigt wurden, sehr hohe Erlöse brachten und gestern erfolgten, dann kann nimmt er sich einen kleines Rechteck ganz an der oberen, rechten Ecke des Würfels und hat genau die Daten, die er braucht.
Die Data-Warehouse-Struktur ist also genau für solche multidimensionalen Daten ausgelegt, um schnell aus einer riesigen Menge von Daten einzelne Teilbereiche herauszunehmen und sie dann z. B. mit Data-Mining-Methoden zu analysieren (oder auch nur die Summe der Verkäufe zu berechnen). Was Du mit so einem Cube machen kannst, ist hier
http://de.wikipedia.org/wiki/OLAP-Würfel ganz gut beschrieben.
Der gewöhnliche Cube ist natürlich nicht nur 3-dimensional, sondern hat weit mehr Dimensionen und die Firmendaten erreichen locker den Terrabyte-Bereich und bisweilen auch in den Petabyte-Bereich, wo es dann mit SQL-Unions nicht mehr so locker funktioniert und es eines Data-Warehouse-Ansatzes bedarf.
