以后，使用者在使用的时候，常常会产生对数据的怀疑。这些怀疑往往是由于底层的数据对于用户来说是不“透明”的，使用者很自然地对结果产生怀疑。而借助元数据管理系统，最终的使用者对各个数据的来龙去脉以及数据抽取和转换的规则都会很方便地得到，这样他们自然会对数据具有信心；当然也可便捷地发现数据所存在的质量问题。甚至国外有学者还在元数据模型的基础上引入质量维6，从更高的角度上来解决这一问题。
f4元数据可以支持需求变化随着信息技术的发展和企业职能的变化，企业的需求也在不断地改变。如何构造一个随着需求改变而平滑变化的软件系统，是软件工程领域中的一个重要问题。传统的信息系统往往是通过文档来适应需求变化，但是仅仅依靠文档还是远远不够的。成功的元数据管理系统可以把整个业务的工作流、数据流和信息流有效地管理起来，使得系统不依赖特定的开发人员，从而提高系统的可扩展性。
3数据仓库元数据管理现状由以上几节我们了解到元数据几乎可以被称为是数据仓库乃至商业智能（BI）系统的“灵魂”，正是由于元数据在整个数据仓库生命周期中有着重要的地位，各个厂商的数据仓库解决方案都提到了关于对元数据的管理。但遗憾的是对于元数据的管理，各个解决方案都没有明确提出一个完整的管理模式；它们提供的仅仅是对特定的局部元数据的管理。当前市场上与元数据有关的主要工具见图2。
建模工具：ERwi
PowerDesig
erRose元数据管理
数据转换工具：DataStageDecisio
BaseExtract
前端展现工具：BOBrioCog
osDSSAge
t图2当前市场与元数据有关的主要工具
元数据存储工具：RepositoryMetaStageWCC
如图2所示，与元数据相关的数据仓库工具大致可分为四类：1数据抽取工具：把业务系统中的数据抽取、转换、集成到数据仓库中，如Arde
t的DataStage、CA（原Plati
um）的Decisio
Base和ETI的Extract等。这些工
f具仅提供了技术元数据，几乎没有提供对业务元数据的支持。2前端展现工具：包括OLAP分析、报表和商业智能工具等，如MicroStrategy的DSSAge
t、Cog
os的PowerPlay、Busi
essObjects的BO，以及Brio等。它们通过把关系表映射成与业务相关的事实和维来支持多维业务视图，进而对数据仓库中的数据进行多维分析。这些工具都提供了业务元数据与技术元数据相对应的语义层。3建模工具：为非技术人员准备的业务建模工具，这些工具可以提供更高层的与特定业务相关的语义。如CA的ERwi
、Sysbase的PowerDesig
er以、Ratio
al的Roser