首先模拟一个数据分析场景，某企业积累了如下表格所示的销售数据：
表格中每一行表示某个时间段内某种商品在某个地区的销售情况。很明显，这些数据涉及到了时间、地区、产品三个业务角度。
在对这样的数据进行分析时，不同的角色都会基于自己所感兴趣的业务角度提出问题。
- 销售经理关心各个地区的销售情况，希望找出销售增长率在平均水平之下的地区
- 产品总监则希望了解近期内各种产品的销量对比，以作为后期产品研发方向的参考
- CEO想要知道近六个月内整体销售环比信息，用以评估是否达到公司运营目标
对于表格中的数据，可以将其转换为另一种数据格式 - "三维空间立方体"，如下图所示：
相对于表格，以三维立方体形式呈现的数据结构更加直观。
在这个数据立方体中，每一个坐标轴都代表一个业务角度（时间、地区、产品），坐标轴上的坐标值则表示了某个业务角度的一个确定的值（如：北京市、3月份、手机），不同坐标轴坐标值的交叉点则表示一个具体的销售额。
实际上，此数据立方体中表示业务角度的坐标轴就是维度，类似于三维立方体的数据结构则被称为多维数据结构（也称数据立方体）。
再次回顾前文中销售经理、产品总监、CEO各自提出的问题，不难发现他们各自所关注的维度分别为：地区、产品、时间。
目前我们所模拟的这个数据分析场景较为特殊，因为只有三个维度，所以可以直观的将数据想象成一个三维立方体。
虽然无法在三维空间中呈现更多维度的数据结构，但是面对更多维度时进行数据分析的思路却完全不变，不同的角色只需要从自身所关注的维度出发并提出问题即可，他们即不需要了解十几甚至几十维的数据如何存储，也无需考虑多维数据查询的具体实现方式。
核心概念简介
在多维数据分析领域中，有几个非常重要的核心概念：
- 数据立方体（Cube）
- 维度（Dimension）
- 成员（Member），又称维度成员（Dimension Member）
- 度量（Measure）
- 级别（Level）
维度就是描述数据的业务角度。在不同的数据分析场景中，会存在若干个不同的维度。
四维空间比三维空间多出一个坐标轴，这里我们称这个新的坐标轴为“第四坐标轴”，现在如果需要确定一个点，除了长、宽、高三个轴上的坐标值外，还需要第四坐标轴上的一个坐标值
N（N可以是大于零的任意整数）维空间中具有N个坐标轴，需要N个不同坐标轴上的坐标值才能确定一个点