Verwenden Sie Data Vault, um Ihr Data Warehouse richtig zu gestalten

Die Data Vault-Methode modellieren Data Warehouse wurde aus der Not geboren. Data Warehousing-Projekte haben oft mit zu langen Implementierungszeiten zu kämpfen. Dies impliziert, dass Geschäftsanforderungen können sich im Laufe des Projekts ändern, die Einhaltung von Umsetzungsterminen und Projektkosten gefährdet..

Um die Implementierungszeiten zu verbessern, Methode wurde eingeführt Datentresor um das Data Warehouse zu modellieren. Das Gestaltungsprinzip beinhaltet die Trennung der Geschäftsschlüssel, den Kontext und die Beziehungen in verschiedenen Tabellen, als Drehscheibe, Satellit und Links.

Hub-Konzepte, Satellit und Link

Ein Hub enthält den eigentlichen Geschäftsschlüssel (ein oder mehrere Felder, die eine Entität für ein Unternehmen eindeutig identifizieren, zum Beispiel, eine Kundennummer) und einen Ersatzschlüssel, der verwendet wird, um diese Tabelle mit anderen Strukturen zu verbinden (entspricht einer PrimärschlüsselDer Primärschlüssel ist ein grundlegendes Konzept in Datenbanken, Wird verwendet, um jeden Datensatz innerhalb einer Tabelle eindeutig zu identifizieren. Es besteht aus einem oder mehreren Attributen, die keine NULL-Werte enthalten dürfen und eindeutig sein müssen. Das korrekte Design ist entscheidend für die Aufrechterhaltung der Datenintegrität, Erleichtern von Beziehungen zwischen Tabellen und Optimieren von Abfragen. Ohne Primärschlüssel, Unklarheiten und Fehler könnten in der...). Was ist mehr, kann auch Metadaten wie Zeitstempel oder Informationen über die enthalten DatenquelleEIN "Datenquelle" bezieht sich auf jeden Ort oder jedes Medium, an dem Informationen erhalten werden können. Diese Quellen können sowohl primär als auch, wie z.B. Erhebungen und Experimente, als sekundär, als Datenbanken, Wissenschaftliche Artikel oder statistische Berichte. Die richtige Wahl einer Datenquelle ist entscheidend, um die Gültigkeit und Zuverlässigkeit von Informationen in Forschung und Analyse zu gewährleisten..... Die folgenden Links verbinden die Hubs mit einer einfachen Many-to-Many-Tabelle bestehend aus den jeweiligen Ersatzschlüsseln..

Hiermit, Hubs und Links stellen den stabilsten Teil eines Modells dar und werden durch sogenannte Satelliten angereichert.. Ein Satellit ist mit seinem Ersatzschlüssel mit einem Hub verbunden und enthält ein oder mehrere beschreibende Attribute, die in der Regel nach einem Quellsystem gruppiert sind, ein geschäftlicher Kontext oder ein Wechselkurs.. Was ist mehr, eine Satellitentabelle kann auch verschiedene Arten von Metadaten enthalten, wie gültige Datumszeiträume und Herkunftsinformationen.

Ein grundlegendes Data Vault-Modell könnte aus einem sehr einfachen Auftragszentrum und einem Kundenzentrum bestehen, sowie verwandte Links und Satelliten.. Bei diesem Modell, das Kundenzentrum könnte zwei Satelliten haben: eines mit Stammdaten, die möglicherweise aus dem CRM-System stammen, und ein anderes mit einem Attribut namens Smartphone, das aus einem Webanalysesystem stammen kann.

Vorteile eines Data Warehouse im Rahmen von Data Vault

• Einfache Erweiterung ermöglicht einen agilen Projektansatz.

• Die erstellten Modelle sind hoch skalierbar.

• Ladeprozesse können optimal parallelisiert werden weil es wenige Synchronisationspunkte gibt.

• Modelle sind leicht zu auditieren

Aber zusammen mit den vielen Vorteilen, Data Vault stellt auch eine Reihe von Herausforderungen.

Herausforderungen eines Data Warehouse auf Data Warehouse Ebene

• Die Anzahl der Datenobjekte nimmt stark zu. (Bretter, Säulen) durch Trennung der Informationsarten und Anreicherung mit Metainformationen zum Laden.

• Dies führt zu einem erhöhten Modellierungsaufwand. mit zahlreichen einfachen mechanischen Aufgaben

Wie können Sie diese Herausforderungen mit einem Standard-Datenmodellierungstool meistern? Der stark schematisierte Aufbau der Modelle bietet ideale Voraussetzungen für die Modellgenerierung. Dies ermöglicht die Automatisierung wichtiger Teile des Modellierungsprozesses, Ermöglichen dramatisch beschleunigter Data Vault-Projekte.

Möglichkeit der Automatisierung des Data Warehouse

Welche spezifischen Teile des Modells können automatisiert werden? Die Standardarchitektur eines Data Warehouse umfasst die folgenden Schichten:

• Herkunftssystem: Betriebssystem, wie ERP- oder CRM-Systeme

• Bühnenbereich: Hier werden die Daten von den Betriebssystemen geliefert. Der Aufbau des Datenmodells entspricht in der Regel dem Quellsystem, mit Verbesserungen beim Laden von Dokumenten.

• Lagerkern: Hier werden Daten aus verschiedenen Systemen integriert. Diese Schicht basiert auf dem Data Vault-Modell und ist in die Bereiche Raw Vault und Business Vault unterteilt. Dabei werden alle Geschäftsregeln in Business Vault implementiert, sodass in Raw Vault nur sehr einfache Transformationen verwendet werden.

• Dating-Märkte: Die Struktur der Datenmärkte orientiert sich an den Analyseanforderungen und wird als Sternschema modelliert.

Sowohl der Staging-Bereich als auch der Raw Vault sind für die Automatisierung geeignet, da klar definierte Ableitungsregeln aus der vorherigen Schicht erstellt werden können.