大的歸類三個方面：
一 數據質量
1 數據的完整性： 所有的所都符合BI業務需求。
2 數據的一致性： 經過數據清洗轉化（ETL）能和數據源保持一致。
3 數據的精准性： 在不同的業務規則和業務情景下，值都是正確的。
二 數據性能：數據倉庫能夠給用戶報表和不用的query提供好的性能
三 數據安全行隱私和訪問： 在不同的DW和BI系統下確保數據的安全。
數據倉庫測試的面臨的問題
一 缺乏行業標准和方法：正常的OLTP系統我們可以根據軟件代碼去測試，會有相對應的測試策咯，測試計划，測試案例，以及相對應的腳本。但是對於OLAP DW這樣的系統，測很難有相應的解決方案。
1. OLTP看重代碼但是BI看重數據質量
2. OLTP系統的數據量不大，但是BI DW有着龐大的數據量
3. OLTP系統的業務需求比較清晰，測試案例比較清楚，但是BI DW沒有那么清楚。
4. OLTP系統有成熟的測試系統
二 自動化工具的差別
影響數據倉庫質量因素
一 數據完整性
1. Row Count 比較： a. 增量的ETL job b. 錯誤的ETL 3. 在開發過程中容易丟失的
測試：對每一個表run test case 表容量；（Year, Month, Week）
2. Row Trend 分析：數據總數和歷史趨勢不一致。 1. source的異常變化 2. ETL job和腳本中的異常update和delete操作。
測試：分析總行數的趨勢； 一些重要的列看下趨勢還要看下ditnct；最好看下NULL值 (AVG Row count/7 days)(Row count/day)(Trend/3 days)
3. 數據刷新： 數據源的穩定性和失敗的job
測試: 檢查source和taget運行時間
二 數據一致性
1. ETL 邏輯：數據轉換清洗中的准確性 a. 數據源和目標db的不一致 b. 業務邏輯的不正確(add or update a measure, attribute 等等) c. 丟失外鍵 c 維度表和事實表中重復記錄
2. Cube 多位數據集：a. 錯誤的hierarchy b. measures 不符合業務邏輯 c kpi 邏輯不正確
三 數據的准確性
1. 數據驗證： a. 表結構的改變 b. 列長改變引起的不一致 b. 數據類型不正確
2. 業務邏輯的驗證： a. 維度表的時效性，一般是由於維度變化引起的。b. 一些小於0%或者>100%的異常 c 一些不期待的負值，d ETL中一些錯誤的mapping邏輯 e Email地址明顯的錯誤, 年齡，郵政編碼等。
3. 用戶測試情景：a. 用戶query結果和業務不一致 b 不同系統的報表結果不一樣