Hva ER UTFORDRINGENE?

fra fleksibilitet til skalerbarhet og effektivitet, bruk Av Data Vault som datamodelleringstilnærming har mange fordeler. Men samtidig er det utfordringer som du må være klar over. I denne bloggen skal jeg gå gjennom begrensningene og hvordan du kan overvinne dem.

tilnærmingsdatahvelvet tar når modellering av data (noe jeg vil gå i detalj på lenger ned) resulterer i en betydelig større mengde dataobjekter sammenlignet med andre tilnærminger. Disse objektene inkluderer ting som tabeller og kolonner, og grunnen til at Det er så mange flere, er Fordi Data Vault skiller informasjonstyper.

som en konsekvens, kan up-front modellering innsats være større for å imøtekomme de resulterende fordeler-nevnt ovenfor – som sluttresultatet. Det betyr også at under modelleringsprosessen kan det være større antall manuelle eller mekaniske oppgaver involvert for å etablere den fleksible og detaljerte datamodellen med alle komponentene.

Hvordan kan disse begrensningene løses?

for å unngå tidkrevende manuelle oppgaver under modelleringsprosessen, kan arkitekter automatisere deler av modellen, noe som gjør det mer effektivt å opprette, oppdatere og vedlikeholde langsiktig.

Hvordan kan de gjøre det?

I Data Vault-tilnærmingen er det visse lag med data. Disse spenner fra Kildesystemene der dataene kommer fra, til Et Oppsamlingsområde der data kommer fra kildesystemet, modellert i henhold til den opprinnelige strukturen, Til Kjernedatalageret, som inneholder råhvelvet, et lag som tillater sporing tilbake til de opprinnelige kildesystemdataene, og forretningshvelvet, et semantisk lag der forretningsregler implementeres. Til slutt er det data marts, som er strukturert basert på kravene i virksomheten. For eksempel kan Det være En Finansdata mart eller En Markedsføringsdata mart, som holder de relevante dataene for analyseformål.

ut av disse lagene er oppsamlingsområdet og råhvelvet best egnet til automatisering.

hva er egenskapene Ved Lasting…data vault modellering?

Lastingen…data vault modelleringsteknikk gir maksimal fleksibilitet ved å skille forretningsnøkler, som unikt identifiserer hver forretningsenhet og ikke endres ofte, fra sine attributter. Dette resulterer, som nevnt tidligere, i at mange flere dataobjekter er i modellen, men gir også en datamodell som kan være svært lydhør overfor endringer, for eksempel integrering av nye datakilder og forretningsregler.

den grunnleggende strukturen til modellen kommer fra forretningsnøklene og forholdet mellom dem. Deres stabile natur gir nøkkelbestanddelen for en robust datamodell, men betyr også at nøklene må velges nøye, da de danner selve grunnlaget som alt annet er avledet fra.

Huber

tabellene som inneholder forretningsnøklene kalles huber i data vault-tilnærmingen. I tillegg til å lagre nøklene, inneholder huber også surrogatnøkler og metadata for hver forretningsnøkkel. Til slutt kan kilden til hver forretningsnøkkel også finnes i navet, slik at informasjonen kan spores tilbake til opprinnelsen.

Koblinger

Koblingstabeller er mange til mange sammenføyningstabeller som kobler sammen ulike forretningsnøkler. I koblingstabellene finner du surrogatnøklene for knutepunktene som er koblet til via lenken, samt surrogatnøkkelen for lenken og metadataene om hvor foreningen stammer fra.

Satellitter

med navene og koblingene på plass, er strukturen til data vault-modellen satt opp. Det inneholder imidlertid ingen attributter ennå. Det er her satellittene kommer inn. Satellitttabeller inneholder metadata som kobler dem til overordnede huber og koblingstabeller. De inneholder også metadata om opprinnelsen til attributtene, samt tidsmessige attributter. Dette betyr at takket være satellitter kan dataarkitekter sikre at historien registreres ved ethvert intervall, samtidig som det gir et revisjonsspor og sporbarhet til kildesystemet.

hvordan Fungerer Data Vault med Exasol?

I Exasol har Du en database som gjør at du kan jobbe fleksibelt med en mengde verktøy og metoder, slik at du kan velge riktig tilnærming for din bedrift og overordnet analysestrategi.Exasol støtter deg fullt ut i å velge datamodelleringsteknikken som passer best til din strategi. Dette betyr, du kan enkelt dra nytte av fordelene Data Vault bringer.

vi har partnere Som Datavault Builder og Wherescape som har laget datamodellerings-og lagerautomatiseringsverktøy som integreres uanstrengt med exasol-databasen.

du kan også bygge din datamodell direkte i vår database, ved hjelp AV VÅR UDF Rammeverk.

Bringe Exasol ytelse Til Data Vault modellerte data

Modellering av data I Data Vault kan resultere i komplekse SQL-spørringer blir utført i datalager. Exasols arkitektur og rene design sikrer at den fremragende ytelsen vi lover deg, opprettholdes gjennom hele datasyklusen, og det inkluderer dine datamodellerings-og lagerprosesser.

du kan revidere og reprodusere historiske spørringsresultater raskt og effektivt, samtidig som du laster inn alle dine store datamengder i lageret og inviterer analytikere og dataforskere til å kjøre arbeidsflyter, analyser og analytiske modeller direkte i datalageret uten å ofre hastighet og pålitelighet.

vårt samarbeid med Datavault Builder og Wherescape fokuserer på å forbedre brukeropplevelsen med hver ny utgivelse, og derfor tar vi tilbakemeldingene dine og jobber sammen med kontinuerlig utvikling og integrering av våre respektive produkter.

Internt har Vi brukt Datavault Builder for vår egen datalagerutvikling, og du kan se denne videoen for å få et inntrykk av vårt partnerskap med Teamet Hos Datavault Builder.

hvor skal du herfra?

hvis du vil starte med en gang, har du kommet til rett sted. Den enkleste måten å teste ut ting på er å bruke prøveversjonen Av exasol-databasen og laste inn noen av dine egne data i den. Hvis du allerede har en datamodell på plass og vil teste hvordan Den ville utføre I Exasol, kan du også gjøre det.

vi ser frem til å jobbe med Deg og hjelpe deg med Å lykkes Med Lasting…Data Vault modellering I Exasol.

Eva Murray, Teknologi Evangelist, Exasol