Die Modellierung eines Data Warehouse erfolgt traditionell anhand der Modellierungstechniken Star Schema oder Snowflake. In den letzten Jahren hat sich allerdings eine neue, agile Art der Modellierung eines Data Warehouse namens Data Vault etabliert. Ursprünglich von Daniel Linstedt in den 1990er Jahren entwickelt und stetig aktualisiert gewinnt Dava Vault seit den 2000er Jahren und der Veröffentlichung eines Pakets aus Modellierungs- und Architekturansätzen im Jahr 2013 immer mehr Beliebtheit.
Der Vorteil von Data Vault liegt dabei unter anderem in der Agilität des Modellierungsansatzes. Der Fokus liegt auf der Modellierung von Geschäfts-Entitäten (bspw. Kunde, Produkt, Verkaufsorganisation) und deren Beziehungen untereinander. Die Besonderheit ist, dass sich Erweiterungen des Datenmodells implementieren lassen, ohne bestehende Tabellen oder Prozesse zur Datenbefüllung dafür anzupassen. Dadurch ist ein derart gestaltetes Data Warehouse gut für nachträgliche Änderungen / Erweiterungen geeignet. Das spart dann viel Zeit bei der Erweiterung. Das Vorgehen hierbei lässt sich in hohem Maße standardisieren. Dadurch sinken die Anforderungen an die Entwickler.
In der Version 5.0 unseres Business-Intelligence-Tools businessNavi setzen wir auf die Modellierung unseres standardisierten Data Warehouse mit Data Vault. Dies ermöglicht eine agile Entwicklung des Data Warehouse sowie eine schnellere Implementierung von kundenspezifischen Erweiterungen. Um die Vorteile des Data Vault mit den Vorzügen des Star Schemas – der anwenderfreundlichen Darstellung von Abfrageelementen – zu ermöglichen, stellen wir unseren Anwendern weiterhin eine Sicht bereit, welche der Modellierung eines traditionellen Star Schema ähnelt und kombinieren damit das Beste aus beiden Welten zu einem hybriden Ansatz.