{"id":60207,"date":"2022-08-30T00:30:08","date_gmt":"2022-08-29T22:30:08","guid":{"rendered":"https:\/\/www.scalefree.com\/blog\/data-vault-2-0-best-of-breed-aus-data-warehousing-und-data-lakes\/"},"modified":"2026-08-19T16:19:50","modified_gmt":"2026-08-19T14:19:50","slug":"data-vault-2-0-best-of-breed-aus-data-warehousing-und-data-lakes","status":"publish","type":"post","link":"https:\/\/www.scalefree.com\/de\/blog\/data-vault\/data-vault-2-0-best-of-breed-aus-data-warehousing-und-data-lakes\/","title":{"rendered":"Data Vault 2.0: Best of Breed aus Data Warehousing und Data Lakes"},"content":{"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“ column_border_radius=“none“ column_link_target=“_self“ column_position=“default“ gradient_direction=“left_to_right“ overlay_strength=“0.3″ width=“1\/1″ tablet_width_inherit=“default“ animation_type=“default“ bg_image_animation=“none“ border_type=“simple“ column_border_width=“none“ column_border_style=“solid“][divider line_type=“No Line“ custom_height=“50″][vc_column_text text_direction=“default“]In der Branche gibt es zwei konkurrierende Ans\u00e4tze f\u00fcr die Datenanalyse, und die meisten Fachleute tendieren zu einem von beiden: Data Warehousing vs. Data Lake<\/a>. Dieser Artikel beleuchtet die Unterschiede zwischen den beiden Ans\u00e4tzen und zeigt auf, wie Data Vault 2.0 eine Best-of-Breed-L\u00f6sung bietet, die die St\u00e4rken beider Welten in einem einheitlichen Konzept vereint. <\/span>[\/vc_column_text][divider line_type=“No Line“ custom_height=“50″][vc_column_text]\n

Data Warehousing<\/span><\/h3>\n[\/vc_column_text][vc_column_text]Data Warehousing ist die traditionelle Unternehmensl\u00f6sung, um Entscheidungstr\u00e4gern auf allen Ebenen einer Organisation verl\u00e4ssliche Informationen bereitzustellen. Data-Warehouse-L\u00f6sungen basieren auf einem Datenmodell, das traditionell entweder anhand konkreter Informationsanforderungen \u00fcber einen Bottom-up-Ansatz oder auf Basis eines integrierten Unternehmensdatenmodells \u00fcber einen Top-down-Ansatz definiert wird.<\/span><\/p>\n

In beiden F\u00e4llen beruht das traditionelle Data Warehouse auf dem \u201eSchema-on-Write\u201c-Prinzip: Das Datenmodell wird bereits beim Laden der Daten festgeschrieben. Dies f\u00fchrt h\u00e4ufig zu einer starren Datenverarbeitung, da jede gesch\u00e4ftliche Ver\u00e4nderung aufwendige Modellanpassungen nach sich zieht.<\/span>[\/vc_column_text][divider line_type=“No Line“][vc_column_text]\n

Data Lakes<\/span><\/h3>\n[\/vc_column_text][vc_column_text css=““ text_direction=“default“]Data Lakes<\/a> hingegen basieren auf dem \u201eSchema-on-Read\u201c-Konzept. Anstatt vorab ein Zielmodell zu entwerfen und Datenstrukturen anzupassen, werden die Daten zun\u00e4chst unver\u00e4ndert so im Data Lake gespeichert, wie sie aus den Quellsystemen angeliefert werden \u2013 ohne vorherige Modellierung.<\/span><\/p>\n

W\u00e4hrend traditionelles Data Warehousing h\u00e4ufig zu einer \u00dcbermodellierung und tr\u00e4gen Prozessen f\u00fchrt, birgt der Data-Lake-Ansatz das gegenteilige Risiko: unkontrollierten Datenwuchs und inkonsistente Analyseergebnisse.<\/span>[\/vc_column_text][divider line_type=“No Line“][vc_column_text]\n

Der Best-of-Breed-Ansatz<\/span><\/h3>\n[\/vc_column_text][vc_column_text css=““ text_direction=“default“]Beide Ans\u00e4tze bilden die extremen Enden des Spektrums der Datenanalyse<\/a> und haben in der Praxis jeweils eigene Herausforderungen offenbart. Mit dem Data Vault 2.0-Standard steht Datenexperten eine moderne dritte Option f\u00fcr den Aufbau von Datenanalyseplattformen zur Verf\u00fcgung.<\/span><\/p>\n

Data Vault 2.0 verbindet als Best-of-Breed-L\u00f6sung das Beste aus Data Warehousing und Data Lakes: Einerseits nutzt es ein klares Datenmodell zur Strukturierung von Daten und Gesch\u00e4ftslogik wie beim klassischen Data Warehouse, andererseits erm\u00f6glicht es bei der Bereitstellung die Flexibilit\u00e4t eines Schema-on-Read-Ansatzes wie bei Data Lakes.<\/span><\/p>\n

Die Data Vault 2.0-Architektur gliedert sich in mehrere Schichten:<\/span>[\/vc_column_text][divider line_type=“No Line“][image_with_animation image_url=“31253″ image_size=“full“ animation_type=“entrance“ animation=“Fade In“ animation_easing=“default“ animation_movement_type=“transform_y“ hover_animation=“none“ alignment=““ border_radius=“none“ box_shadow=“none“ image_loading=“default“ max_width=“100%“ max_width_mobile=“default“][divider line_type=“No Line“][vc_column_text text_direction=“default“]Die erste Schicht<\/b> ist die Staging Area: Sie dient der reinen Extraktion der Daten aus den Quellsystemen. Die n\u00e4chste Schicht ist der Raw Data Vault. Diese Schicht bleibt wie die Staging Area funktional an den Quellen orientiert, f\u00fchrt die Daten jedoch historisiert und integriert zusammen. Dazu wird das eingehende Quelldatenmodell in modulare Komponenten zerlegt: fachliche Schl\u00fcssel (gespeichert in Hubs), Beziehungen zwischen diesen Schl\u00fcsseln (gespeichert in Links) und beschreibende Kontextdaten <\/a>(gespeichert in Satellites).<\/span> <\/p>\n

 <\/p>\n

Der Business Vault<\/span> bildet die darauf aufbauende Schicht<\/b>, wird jedoch gezielt und sparsam modelliert: Nur dort, wo Gesch\u00e4ftslogik zwingend erforderlich ist, um verwertbare Informationen zu erzeugen, wird eine Business-Vault-Entit\u00e4t implementiert. Der Business Vault schlie\u00dft die L\u00fccke zwischen den Rohdaten und dem finalen Informationsmodell. Entsprechen Rohdaten hinsichtlich Datenqualit\u00e4t<\/a>, Vollst\u00e4ndigkeit oder Formatierung noch nicht den Anforderungen der Fachbereiche, wird hier die entsprechende Berechnungs- und Transformationslogik angewendet.<\/span><\/p>\n

Die letzte Schicht<\/b> bildet der Information Mart<\/a>. Hier wird das eigentliche Zielmodell erzeugt, um die Daten im gew\u00fcnschten Format bereitzustellen, beispielsweise als dimensionales Star-Schema. Fachanwender greifen auf diese Schicht entweder direkt \u00fcber Ad-hoc-Abfragen oder \u00fcber Business-Intelligence-Tools wie Dashboarding- und Reporting-Software zu.<\/span>[\/vc_column_text][vc_column_text text_direction=“default“]Die Schichten bis hin zum Raw Data Vault bleiben quellsystemnah, da sich das Modell entweder direkt aus den Quellsystemen ableitet oder durch die Normalisierung in Hubs, Links und Satellites entsteht. Das fachliche Zielschema greift erst auf der Ebene des Information Marts. Da diese Schicht h\u00e4ufig \u00fcber SQL-Views virtualisiert wird, erfolgt die Transformation zur Laufzeit der Abfrage. Abfragen auf die Views greifen direkt auf die materialisierten Daten im Raw Data Vault zu. Somit setzt Data Vault 2.0 das Schema-on-Read-Prinzip optimal in die Praxis um. <\/span><\/p>\n

Data Vault 2.0 gew\u00e4hrleistet maximale Agilit\u00e4t<\/a>: Das Konzept hat sich in zahlreichen Projekten bew\u00e4hrt und l\u00e4sst sich flexibel erweitern, ganz gleich, ob sich Quellsystemstrukturen \u00e4ndern<\/a>, Gesch\u00e4ftsregeln angepasst werden m\u00fcssen oder neue Informationsanforderungen entstehen. Zus\u00e4tzliche Datenquellen und Gesch\u00e4ftsregeln k\u00f6nnen jederzeit ohne Ausfallzeiten integriert werden. <\/span><\/p>\n

Zudem l\u00e4sst sich das Data Vault 2.0-Modell nahtlos mit einem Data Lake kombinieren: Ein Data Lake kann f\u00fcr Staging-Zwecke genutzt werden, was der empfohlenen hybriden Architektur<\/a> f\u00fcr moderne Projekte bei Scalefree entspricht. Ebenso eignet sich der Data Lake, um semi-strukturierte oder unstrukturierte Daten f\u00fcr das Enterprise Data Warehouse aufzunehmen oder spezielle Information Marts zu speisen. <\/span><\/p>\n

Dadurch vereint Data Vault 2.0 als Best-of-Breed-Ansatz die St\u00e4rken des traditionellen Data Warehouse mit der Agilit\u00e4t des Data Lake. Unternehmen jeder Gr\u00f6\u00dfenordnung profitieren so von einer skalierbaren und zukunftssicheren Datenanalyseplattform. <\/span><\/p>\n[\/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":3,"featured_media":60208,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3948],"tags":[],"class_list":["post-60207","post","type-post","status-publish","format-standard","has-post-thumbnail","category-data-vault"],"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\t