W\u00e4hrend Enterprise Data Warehouses (EDWs)<\/a> traditionell f\u00fcr Reporting und Dashboarding eingesetzt werden, liegt ihr wahres Potenzial in Verbindung mit Data Vault weit jenseits dieser Basisanwendungen. Data Vault 2.0<\/a> bietet eine beispiellose Flexibilit\u00e4t und Skalierbarkeit, die es Organisationen erm\u00f6glicht, neue Use Cases wie Data Cleansing, die Automatisierung operativer Prozesse und Predictive Analytics erfolgreich umzusetzen. Dieser Artikel untersucht, wie Data Vault 2.0 Unternehmen in die Lage versetzt, zentralisierte Data-Cleansing-Regeln anzuwenden, die Datenqualit\u00e4t direkt an der Quelle zu verbessern und ein Total Quality Management (TQM) zu etablieren. Durch die Nutzung des vollen Potenzials ihrer EDW-Systeme k\u00f6nnen Organisationen weit \u00fcber einfache Analysen hinausgehen und nachhaltige, agile sowie wirkungsvolle Datenstrategien entwickeln.[\/vc_column_text][divider line_type=“No Line“][vc_column_text css=““ text_direction=“default“ el_class=“webinar-box“]\n Reporting und Dashboarding sind in der heutigen Gesch\u00e4ftswelt der Standard, um KPIs und andere wichtige Kennzahlen zu ermitteln. Entsprechend wurden Enterprise Data Warehouses<\/a> prim\u00e4r zur Unterst\u00fctzung dieser Reporting-Prozesse konzipiert. Angesichts der wachsenden Datenmenge und -vielfalt steigt jedoch der Bedarf an Methoden, die diese Daten so nutzen, dass sie einen echten gesch\u00e4ftlichen Mehrwert generieren. Data Vault 2.0 bietet hierf\u00fcr ein breites Spektrum an Ans\u00e4tzen, um fundierte Entscheidungen jenseits des Standard-Reportings zu unterst\u00fctzen und zukunftsgerichtete, gesch\u00e4ftskritische Erkenntnisse zu liefern. Begleiten Sie uns auf diesem Weg und erfahren Sie, wie Sie das volle Potenzial Ihrer Daten aussch\u00f6pfen k\u00f6nnen.[\/vc_column_text][divider line_type=“No Line“][nectar_btn size=“jumbo“ open_new_tab=“true“ button_style=“regular“ button_color_2=“Accent-Color“ icon_family=“none“ el_class=“ctaBtn“ text=“Watch webinar recording“ url=“https:\/\/us02web.zoom.us\/webinar\/register\/WN_AKKNh_sLS4GJWoRYZh3Z1g#\/registration“][divider line_type=“No Line“][vc_column_text css=““ text_direction=“default“] In this article:<\/p> Dabei l\u00e4sst sich \u00fcber ein Data Warehouse eine Vielzahl innovativer Use Cases realisieren. Dazu geh\u00f6ren die Optimierung und Automatisierung operativer Prozesse, vorausschauende Analysen, das Zur\u00fcckspielen von Daten in operative Systeme oder das Ausl\u00f6sen von Ereignissen au\u00dferhalb des Data Warehouses \u2013 um nur einige der neuen M\u00f6glichkeiten zu nennen.<\/p>\n [\/vc_column_text][image_with_animation image_url=“29598″ image_size=“full“ animation_type=“entrance“ animation=“None“ animation_movement_type=“transform_y“ hover_animation=“none“ alignment=“center“ border_radius=“none“ box_shadow=“none“ image_loading=“lazy-load“ max_width=“75%“ max_width_mobile=“100%“][vc_custom_heading text=“Figure 1: Data Vault Use Cases“ font_container=“tag:div|text_align:center“ google_fonts=“font_family:Droid%20Serif%3Aregular%2Citalic%2C700%2C700italic|font_style:400%20regular%3A400%3Anormal“][divider line_type=“No Line“ custom_height=“15″][vc_column_text]\n F\u00fcr Reporting- und Dashboarding-Zwecke werden typischerweise Data-Cleansing-Regeln angewendet, um Daten f\u00fcr die jeweilige Analyse nutzbar zu machen und so Raw Data in wertvolle Informationen zu transformieren. Diese Business Rules f\u00fcr das Data Cleansing k\u00f6nnen jedoch auch genutzt werden, um bereinigte Daten direkt in die operativen Systeme zur\u00fcckzuschreiben. Idealerweise werden diese Business Rules \u00fcber virtualisierte Tabellen und Views innerhalb des Business Vaults<\/a> angewendet. Die bereinigten Daten k\u00f6nnen anschlie\u00dfend in das operative System zur\u00fcckgespielt werden. Dies erm\u00f6glicht die Implementierung eines Total Quality Managements (TQM), bei dem Fehler direkt an der Quelle \u2013 also meist im Quellsystem selbst \u2013 behoben werden. <\/p>\n Die Nutzung des EDW f\u00fcr das Data Cleansing bietet entscheidende Vorteile. Spezialisierte Data-Cleansing-Tools sto\u00dfen beispielsweise oft bei komplexen Skripten an ihre Grenzen, da sie meist nur mit vordefinierten Listen (z. B. f\u00fcr L\u00e4ndernamen) arbeiten, um ausgew\u00e4hlte Attribute zu bereinigen. Zudem sind diese Tools meist darauf ausgelegt, Daten aus nur einem einzigen operativen Quellsystem zu bereinigen, wodurch Inkonsistenzen zwischen verschiedenen Systemen unber\u00fccksichtigt bleiben. <\/p>\n Aus Data-Vault-Perspektive sind Data-Cleansing-Regeln gew\u00f6hnliche Business Rules. Das bedeutet, dass sie mithilfe von Business Satellites implementiert werden, oft unter Verwendung von Reference Tables. Die folgende Abbildung zeigt ein Beispiel f\u00fcr Data Cleansing auf Basis einer Data-Vault-2.0-Architektur<\/a>, wie sie intern bei Scalefree<\/a> eingesetzt wird.[\/vc_column_text][divider line_type=“No Line“ custom_height=“25″][image_with_animation image_url=“29660″ image_size=“full“ animation_type=“entrance“ animation=“None“ animation_movement_type=“transform_y“ hover_animation=“none“ alignment=“center“ border_radius=“none“ box_shadow=“none“ image_loading=“lazy-load“ max_width=“100%“ max_width_mobile=“default“][vc_custom_heading text=“Figure 2: Data Cleansing with Data Vault 2.0″ font_container=“tag:div|text_align:center“ google_fonts=“font_family:Droid%20Serif%3Aregular%2Citalic%2C700%2C700italic|font_style:400%20regular%3A400%3Anormal“][divider line_type=“No Line“ custom_height=“15″][vc_column_text text_direction=“default“]Das Scalefree-EDW dient als zentrale Bibliothek f\u00fcr Data-Cleansing-Regeln, die sowohl im EDW selbst als auch in verschiedenen operativen Systemen genutzt werden k\u00f6nnen. Der gezeigte Data-Cleansing-Prozess wird unter anderem zur Bereinigung von Kundendatens\u00e4tzen sowie zur Standardisierung von Telefonnummern und Adressen verwendet. Neben den Information Marts<\/a> existiert der Interface Mart \u201eSales Interface\u201c, der die API des Vertriebs-Quellsystems bedient und Data-Cleansing-Regeln aus dem Business Data Vault anwendet. Ein zeitgesteuertes Skript \u00fcbertr\u00e4gt die Daten aus dem Interface Mart an die API des Quellsystems. In diesem Fall ist das Skript in Python geschrieben. <\/p>\n Ein wesentlicher Erfolgsfaktor dieses Prozesses ist die ordnungsgem\u00e4\u00dfe Dokumentation der Data-Cleansing-Regeln. Eine interne Wissensdatenbank dient dazu, die Dokumentation jeder einzelnen Data-Cleansing-Regel zentral zu pflegen. So kann jeder beteiligte Mitarbeiter sofort nachvollziehen, welche Regel auf die operativen Daten angewendet wird. Dies bietet auch f\u00fcr Business-Anwender einen echten Mehrwert, da sie nachvollziehen k\u00f6nnen, warum ihre Daten \u00fcber Nacht korrigiert wurden.[\/vc_column_text][divider line_type=“No Line“ custom_height=“25″][vc_column_text]\n Wenn Sie mehr \u00fcber Data Vault Use Cases und die neuesten Markttrends erfahren m\u00f6chten, bietet das World Wide Data Vault Consortium (WWDVC) die ideale Plattform. Hier haben Sie die M\u00f6glichkeit, sich mit den f\u00fchrenden Experten der Branche auszutauschen. Dieses Jahr findet die Konferenz vom 9. bis 13. September erstmals in Hannover statt <\/p>\n Dort spricht Ivan Schotsmans \u00fcber das Thema \u201eInformation Quality in the Data Warehouse\u201c. Er zeigt auf, wie sich aktuelle und zuk\u00fcnftige Herausforderungen moderner Data-Warehouse-Architekturen bew\u00e4ltigen lassen, wie der \u00dcbergang zu einem agilen Ansatz gelingt und wie die Einbindung der Fachbereiche (Business) gest\u00e4rkt werden kann. Sichern Sie sich noch heute Ihr Ticket und registrieren Sie sich, um diesen Vortrag sowie weitere spannende Pr\u00e4sentationen von WhereScape, VaultSpeed und vielen anderen f\u00fchrenden Anbietern und Referenten nicht zu verpassen![\/vc_column_text][\/vc_column][\/vc_row]\n","protected":false},"excerpt":{"rendered":" [vc_row type=“in_container“ full_screen_row_position=“middle“ column_margin=“default“ column_direction=“default“ column_direction_tablet=“default“ column_direction_phone=“default“ scene_position=“center“ text_color=“dark“ text_align=“left“ row_border_radius=“none“ row_border_radius_applies=“bg“ overflow=“visible“ overlay_strength=“0.3″ gradient_direction=“left_to_right“ shape_divider_position=“bottom“ bg_image_animation=“none“][vc_column column_padding=“no-extra-padding“ column_padding_tablet=“inherit“ column_padding_phone=“inherit“ column_padding_position=“all“ column_element_direction_desktop=“default“ column_element_spacing=“default“ desktop_text_alignment=“default“ tablet_text_alignment=“default“ phone_text_alignment=“default“ background_color_opacity=“1″ background_hover_color_opacity=“1″ column_backdrop_filter=“none“ column_shadow=“none“…<\/p>\n","protected":false},"author":91,"featured_media":59715,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3948,3994],"tags":[],"class_list":["post-59714","post","type-post","status-publish","format-standard","has-post-thumbnail","category-data-vault","category-fortgeschrittene"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\tMit Data Vault 2.0 \u00fcber das Standard-Reporting hinausgehen<\/h2>\n
Flexibilit\u00e4t und Skalierbarkeit<\/h2>\n[\/vc_column_text][vc_column_text css=““ text_direction=“default“]Einfach ausgedr\u00fcckt f\u00fchrt ein Enterprise Data Warehouse (EDW)<\/a> Daten aus internen sowie externen Datenquellen zusammen, um sie f\u00fcr Reporting- und Dashboarding-Zwecke bereitzustellen. H\u00e4ufig werden diese Daten analytischen Transformationen unterzogen, um Berichte und Dashboards aussagekr\u00e4ftiger und wertvoller zu gestalten. Dennoch \u00fcbersehen viele Organisationen beim Aufbau eines Data Warehouses weitere wertvolle Use Cases. Tatsache ist, dass EDWs ein enormes ungenutztes Potenzial bieten, das weit \u00fcber das blo\u00dfe Reporting historischer Daten hinausgeht. Um diese M\u00f6glichkeiten agil zu erschlie\u00dfen, bringt Data Vault ein H\u00f6chstma\u00df an Flexibilit\u00e4t und Skalierbarkeit mit.[\/vc_column_text][divider line_type=“No Line“ custom_height=“35″][vc_column_text]\n
Data Vault Use Cases<\/span><\/h2>\n[\/vc_column_text][vc_column_text]Zu Beginn wird ein Data Warehouse oft nur dazu genutzt, Daten zu sammeln und f\u00fcr Reporting- und Dashboarding-Zwecke aufzubereiten. Wird das EDW jedoch auf diese grundlegenden Use Cases beschr\u00e4nkt, bleibt ein Gro\u00dfteil des eigentlichen Datenwerts ungenutzt. <\/p>\n
Data Cleansing (innerhalb eines operativen Systems)<\/span><\/h2>\n[\/vc_column_text][vc_column_text css=““ text_direction=“default“]Bei Data Vault wird strikt zwischen Raw Data (Rohdaten) und Business Data (Gesch\u00e4ftsdaten) unterschieden. Entsprechend werden Raw Data im Raw Data Vault und Business Data im Business Vault<\/a> gespeichert. Im Data Vault 2.0 dient der Raw Data Vault dazu, Daten ungefiltert und im Originalzustand aus dem Quellsystem zu speichern \u2013 inklusive aller fehlerhaften oder unvollst\u00e4ndigen Datens\u00e4tze (\u201ethe good, bad, and ugly data\u201c). Der Business Vault hingegen kann jede gew\u00fcnschte gesch\u00e4ftliche Logik abbilden, wie beispielsweise die Berechnung des Gewinns auf Basis einer vom Information Subscriber definierten Business Rule. <\/p>\n
Fazit<\/span><\/h2>\n[\/vc_column_text][vc_column_text]Dank der Flexibilit\u00e4t von Data Vault k\u00f6nnen Organisationen Potenziale erschlie\u00dfen, die weit \u00fcber klassisches Reporting und Dashboarding hinausgehen. So l\u00e4sst sich das Data Warehouse nutzen, um Data Cleansing direkt in den operativen Systemen auf Basis zentralisierter Bereinigungsregeln durchzuf\u00fchren. <\/p>\n