Im Data Warehouse-Umfeld gibt es zwei bekannte Modellierungsansätze nach Kimball und Inmon, die seit unzähligen Jahren verwendet werden, wenn es um die Speicherung von Daten geht. Diese müssen sich jedoch immer mehr den wachsenden Herausforderungen stellen:
Data Vault als Modellierungsansatz von Data Warehouse
Profitieren Sie von Data Vault als Modellierungstechnik für Data Warehouses, das für ein schnelles Verständnis der Daten, mehr Flexibilität, Historisierung und parallele Datenladeprozesse sorgt.
Herausforderungen klassischer Data Warehouses
Neue Anforderungen
Anforderungen an Technologien, Konzepten und Best Practices im Arbeitsumfeld haben sich stetig weiterentwickelt.
Größere Datenmengen
Oftmals stellen größere Datenmengen und die geforderte Flexibilität an die heutigen Systeme große Probleme für diese Ansätze dar.
Wachsende IT-Kosten
Einer der wesentlichen Vorteile dieses Modellierungsansatzes liegt in der Flexibilität gegenüber Änderungen, was sich natürlich auch bei den Kosten bemerkbar macht.
Es ist daher fraglich, ob diese Ansätze bei allen modernen Fragestellungen und Anforderungen der heutigen Zeit noch angemessen sind. Aus dieser Überlegung heraus entstand der Data Vault-Modellierungsansatz.
Was ist Data Vault?
Data Vault ist eine Modellierungstechnik, die insbesondere für agile Data Warehouses geeignet ist. Sie bietet eine hohe Flexibilität bei Erweiterungen, eine vollständige Historisierung der Daten und erlaubt eine Parallelisierung der Datenladeprozesse.
Dieser hybride Ansatz vereint alle Vorteile der dritten Normalform mit dem Sternschema. Gerade in der heutigen Zeit müssen Unternehmen in immer kürzeren Zyklen ihre Geschäfte transformieren und diese Transformationen im Data Warehouse abbilden. Data Vault unterstützt genau diese Anforderungen, ohne die Komplexität des Data Warehouses im Laufe der Zeit wesentlich zu erhöhen. Anders als bei Kimball und Inmon entfallen dadurch die immer stärker wachsenden IT Kosten für die umfangreichen Implementierungs- und Testzyklen sowie eine lange Liste von möglichen Abhängigkeiten.
Vorgehensweise bei Data Vault
Die Datenintegrationsarchitektur des Data Vault-Ansatzes verfügt über robuste Standards und Definitionsmethoden, die Informationen zusammenführen, um sie sinnvoll zu nutzen. Das Modell besteht aus drei grundlegenden Tabellentypen:
-
Hub (blau)
Enthält eine Liste eindeutiger Geschäftsschlüssel, wie z.B. Kundennummern -
Link (orange)
Stellt Beziehungen zwischen den Geschäftsschlüsseln her. Links werden häufig verwendet, um Änderungen in der Datengranularität zu behandeln und die Auswirkungen des Hinzufügens eines neuen Geschäftsschlüssels zu einem verknüpften Hub zu reduzieren.
-
Satellit (türkis)
Enthält beschreibende Attribute, die sich im Laufe der Zeit ändern können. Wo Hubs und Links die Struktur des Datenmodells bilden, enthalten die Satelliten zeitliche und beschreibende Attribute einschließlich Metadaten, die sie mit ihrem übergeordneten Hub oder den Link-Tabellen verknüpfen.
Vorteile von Data Vault
Auf Grund der Struktur und den definierten Standards ergeben sich viele Vorteile für den Data Vault-Ansatz:
- Massive Reduzierung von Entwicklungszeit bei der Implementierung von Business-Anforderungen
- Früherer Return of Investment (ROI)
- Skalierbares Data Warehouse
- Nachvollziehbarkeit aller Daten bis zum Quellsystem
- Near-Real-Time Beladung (neben klassischem Batch Lauf)
- Big Data Processing (>Terabytes)
- Iterative, agile Entwicklungszyklen mit inkrementellem Ausbau des DWHs
- Wenige, automatisierbare ETL Patterns
Nehmen Sie jetzt Kontakt zu uns auf!
Gerne beraten wir Sie in einem unverbindlichen Gespräch und zeigen Ihnen die Potenziale und Möglichkeiten von Data Vault auf. Hinterlassen Sie einfach Ihre Kontaktdaten und wir melden uns dann schnellstmöglich bei Ihnen.
Erfahren Sie mehr
Service
Data Vault als Modellierungsansatz von Data Warehouse
Service
Data Lake & Data Warehousing zur Speicherung von Big Data
Service
Data Lake & Data Warehousing zur Speicherung von Big Data
Service
Konzeption individueller Business Intelligence-Lösungen
Service
Konzeption individueller Business Intelligence-Lösungen
Service
Analytics & Business Intelligence
Service
Analytics & Business Intelligence
Blog
15.02.22
Data Lake vs Data Warehouse: Welche Lösung ist die Richtige?
Blog
15.02.22
Data Lake vs Data Warehouse: Welche Lösung ist die Richtige?
Blog
15.02.22
Data Lake vs Data Warehouse: Welche Lösung ist die Richtige?
Blog
15.02.22
Data Lake vs Data Warehouse: Welche Lösung ist die Richtige?
Blog
15.02.22
Data Lake vs Data Warehouse: Welche Lösung ist die Richtige?
Service
Data Governance Consulting für Datenqualität und Sicherheit
Service
Data Integration Service und Consulting für Ihr Unternehmen
Service
Data Integration Service und Consulting für Ihr Unternehmen
Service
Data Governance Consulting für Datenqualität und Sicherheit
Technologie
IBM Cloud Pak for Data
Technologie
IBM Cloud Pak for Data
Technologie
IBM Cloud Pak for Data
Service