大的归类三个方面：
一 数据质量
1 数据的完整性： 所有的所都符合BI业务需求。
2 数据的一致性： 经过数据清洗转化（ETL）能和数据源保持一致。
3 数据的精准性： 在不同的业务规则和业务情景下，值都是正确的。
二 数据性能：数据仓库能够给用户报表和不用的query提供好的性能
三 数据安全行隐私和访问： 在不同的DW和BI系统下确保数据的安全。
数据仓库测试的面临的问题
一 缺乏行业标准和方法：正常的OLTP系统我们可以根据软件代码去测试，会有相对应的测试策咯，测试计划，测试案例，以及相对应的脚本。但是对于OLAP DW这样的系统，测很难有相应的解决方案。
1. OLTP看重代码但是BI看重数据质量
2. OLTP系统的数据量不大，但是BI DW有着庞大的数据量
3. OLTP系统的业务需求比较清晰，测试案例比较清楚，但是BI DW没有那么清楚。
4. OLTP系统有成熟的测试系统
二 自动化工具的差别
影响数据仓库质量因素
一 数据完整性
1. Row Count 比较： a. 增量的ETL job b. 错误的ETL 3. 在开发过程中容易丢失的
测试：对每一个表run test case 表容量；（Year, Month, Week）
2. Row Trend 分析：数据总数和历史趋势不一致。 1. source的异常变化 2. ETL job和脚本中的异常update和delete操作。
测试：分析总行数的趋势； 一些重要的列看下趋势还要看下ditnct；最好看下NULL值 (AVG Row count/7 days)(Row count/day)(Trend/3 days)
3. 数据刷新： 数据源的稳定性和失败的job
测试: 检查source和taget运行时间
二 数据一致性
1. ETL 逻辑：数据转换清洗中的准确性 a. 数据源和目标db的不一致 b. 业务逻辑的不正确(add or update a measure, attribute 等等) c. 丢失外键 c 维度表和事实表中重复记录
2. Cube 多位数据集：a. 错误的hierarchy b. measures 不符合业务逻辑 c kpi 逻辑不正确
三 数据的准确性
1. 数据验证： a. 表结构的改变 b. 列长改变引起的不一致 b. 数据类型不正确
2. 业务逻辑的验证： a. 维度表的时效性，一般是由于维度变化引起的。b. 一些小于0%或者>100%的异常 c 一些不期待的负值，d ETL中一些错误的mapping逻辑 e Email地址明显的错误, 年龄，邮政编码等。
3. 用户测试情景：a. 用户query结果和业务不一致 b 不同系统的报表结果不一样