Hvad er udfordringerne?

fra fleksibilitet til skalerbarhed og effektivitet har brug af Data Vault som din datamodelleringsmetode mange fordele. Men samtidig er der udfordringer, som du skal være opmærksom på. I denne blog vil jeg lede dig gennem begrænsningerne, og hvordan du kan overvinde dem.

approach Data Vault tager, når modellering af data (noget jeg vil gå i detaljer længere nede) resulterer i en betydeligt større mængde dataobjekter sammenlignet med andre tilgange. Disse objekter inkluderer ting som tabeller og kolonner, og grunden til, at der er så mange flere, er fordi Datahvelv adskiller informationstyper.

som en konsekvens kan den forreste modelleringsindsats være større for at imødekomme de resulterende fordele – nævnt ovenfor – som slutresultatet. Det betyder også, at der under modelleringsprocessen kan være et større antal manuelle eller mekaniske opgaver involveret for at etablere den fleksible og detaljerede datamodel med alle dens komponenter.

Hvordan kan disse begrænsninger løses?

for at undgå tidskrævende manuelle opgaver under modelleringsprocessen kan arkitekter automatisere dele af modellen, hvilket gør det mere effektivt at oprette, opdatere og vedligeholde langsigtet.

hvordan kan de gøre det?

inden for Data Vault-tilgangen er der visse lag af data. Disse spænder fra kildesystemer, hvor data stammer fra, til et Iscenesættelsesområde, hvor data ankommer fra kildesystemet, modelleret i henhold til den oprindelige struktur, til Kernedatavarehuset, som indeholder råhvelvet, et lag, der gør det muligt at spore tilbage til de originale kildesystemdata, og business vault, et semantisk lag, hvor forretningsregler implementeres. Endelig er der datamarts, der er struktureret ud fra virksomhedens krav. For eksempel kan der være en Finance data mart eller en Marketing data mart, der indeholder de relevante data til analyseformål.

ud af disse lag er iscenesættelsesområdet og den rå hvælving bedst egnet til automatisering.

Hvad er egenskaberne ved indlæsning…Data vault modellering?

indlæsningen…datahvelvmodelleringsteknik giver ultimativ fleksibilitet ved at adskille forretningsnøglerne, som entydigt identificerer hver forretningsenhed og ikke ændres ofte, fra deres attributter. Dette resulterer som tidligere nævnt i, at mange flere dataobjekter er i modellen, men giver også en datamodel, der kan være meget lydhør over for ændringer, såsom integration af nye datakilder og forretningsregler.

den grundlæggende struktur af modellen kommer fra forretningsnøglerne og forholdet mellem dem. Deres stabile karakter er nøgleingrediensen til en robust datamodel, men betyder også, at nøglerne skal vælges omhyggeligt, da de danner selve grundlaget, hvorfra alt andet er afledt.

Hubs

tabellerne, der indeholder forretningsnøglerne, kaldes hubs i data vault-tilgangen. Ud over at gemme nøglerne indeholder hubs også surrogatnøgler og metadata for hver forretningsnøgle. Endelig kan kilden til hver forretningsnøgle også findes i navet, så information kan spores tilbage til dens oprindelse.

Links

Linktabeller er mange-til-mange jointabeller, der forbinder forskellige forretningsnøgler. I linktabeller er de oplysninger, du finder, surrogatnøglerne til de hubs, der er forbundet via linket, samt surrogatnøglen til linket og metadataene om, hvor foreningen stammer fra.

satellitter

med hubs og links på plads er strukturen af datahvelvmodellen oprettet. Det indeholder dog ikke nogen attributter endnu. Det er her satellitter kommer ind. Satellittabeller indeholder metadata, der forbinder dem med deres overordnede hubs og linktabeller. De indeholder også metadata om attributternes oprindelse såvel som tidsmæssige attributter. Dette betyder, at dataarkitekter takket være satellitter kan sikre, at historikken registreres med ethvert interval, samtidig med at de giver et revisionsspor og sporbarhed til kildesystemet.

hvordan fungerer Datahvelv med os?

du har en database, der giver dig mulighed for at arbejde fleksibelt med et væld af værktøjer og metoder, så du kan vælge den rigtige tilgang til din virksomhed og overordnede analysestrategi.Vi støtter dig fuldt ud i at vælge den datamodelleringsteknik, der bedst passer til din strategi. Det betyder, at du nemt kan drage fordel af de fordele, Data Vault bringer.

Vi har partnere som Datavault Builder og Hvorcape, der har oprettet datamodellerings-og lagerautomatiseringsværktøjer, der integreres ubesværet med databasen.

Du kan også opbygge din datamodel direkte i vores database ved hjælp af vores udf-ramme.

hvis du bringer din Datahvelv modellerede data

modellering af dine data i Datahvelvet, kan det resultere i, at komplekse forespørgsler udføres i dit datalager. Vores arkitektur og rene design sikrer, at den enestående ydeevne, vi lover dig, opretholdes gennem hele datalivecyklussen, og det inkluderer dine datamodellerings-og lagerprocesser.

Du kan revidere og gengive historiske forespørgselsresultater hurtigt og effektivt, samtidig med at du indlæser alle dine store datamængder i lageret og inviterer dine analytikere og dataforskere til at køre deres arbejdsgange, analyser og analytiske modeller direkte i datalageret uden at ofre hastighed og pålidelighed.

vores partnerskaber med Datavault Builder og hvor vi fokuserer på at forbedre brugeroplevelsen med hver ny udgivelse, hvorfor vi tager din feedback og arbejder sammen om den løbende udvikling og integration af vores respektive produkter.

internt har vi brugt Datavault Builder til vores egen datalagerudvikling, og du kan se denne video for at få et indtryk af vores partnerskab med teamet hos Datavault Builder.

hvor skal man herfra?

Hvis du vil starte med det samme, er du kommet til det rigtige sted. Den nemmeste måde at teste tingene på er at bruge vores prøveversion af og indlæse nogle af dine egne data i den. Hvis du allerede har en datamodel på plads og ønsker at teste, hvordan den ville fungere i ESOL, kan du også gøre det.

vi ser frem til at arbejde sammen med dig og hjælpe dig med at få succes med indlæsning…Datahvelvmodellering i Eksasol.

Eva Murray, teknologi Evangelist, Eksasol