เมื่อบริษัทต่างๆ สร้างข้อมูลมากขึ้นเรื่อยๆ แนวทางดั้งเดิมในการจัดทำคลังข้อมูลก็กลายเป็นเรื่องยากมากขึ้นและมีค่าใช้จ่ายสูงในการบำรุงรักษา Data Vault ซึ่งเป็นแนวทางที่ค่อนข้างใหม่สำหรับคลังข้อมูล นำเสนอวิธีแก้ปัญหานี้ด้วยการจัดเตรียมวิธีที่ปรับขนาดได้ คล่องตัว และคุ้มค่าในการจัดการข้อมูลปริมาณมาก
ในโพสต์นี้ เราจะสำรวจว่า Data Vaults เป็นอนาคตของคลังข้อมูลได้อย่างไร และเหตุใดบริษัทจำนวนมากขึ้นจึงนำแนวทางนี้ไปใช้ นอกจากนี้เรายังจะจัดหาแหล่งการเรียนรู้สำหรับผู้ที่ต้องการเจาะลึกในหัวข้อ!
Data Vault คืออะไร
Data Vault เป็นเทคนิคการสร้างแบบจำลองคลังข้อมูลที่เหมาะกับคลังข้อมูลที่คล่องตัวโดยเฉพาะ มันให้ความยืดหยุ่นในระดับสูงสำหรับการขยาย การกำหนดประวัติศาสตร์แบบหน่วย-ชั่วขณะของข้อมูลอย่างสมบูรณ์ และช่วยให้กระบวนการโหลดข้อมูลขนานกันอย่างมาก Dan Linstedt พัฒนาการสร้างแบบจำลอง Data Vault ในปี 1990
หลังจากตีพิมพ์ครั้งแรกในปี 2543 เธอได้รับความสนใจมากขึ้นในปี 2545 ผ่านบทความหลายชุด ในปี 2550 Linstedt ได้รับการรับรองจาก Bill Inmon ซึ่งอธิบายว่าเป็น “ตัวเลือกที่เหมาะสมที่สุด” สำหรับสถาปัตยกรรม Data Vault 2.0 ของเขา
ใครก็ตามที่เกี่ยวข้องกับคำว่าคลังข้อมูลที่คล่องตัวจะจบลงด้วย Data Vault อย่างรวดเร็ว สิ่งที่พิเศษเกี่ยวกับเทคโนโลยีนี้คือการมุ่งเน้นไปที่ความต้องการของบริษัทต่างๆ เนื่องจากช่วยให้ปรับเปลี่ยนคลังข้อมูลได้อย่างยืดหยุ่นและออกแรงน้อย
Data Vault 2.0 พิจารณากระบวนการพัฒนาทั้งหมดและสถาปัตยกรรม และประกอบด้วยวิธีส่วนประกอบ (การใช้งาน) สถาปัตยกรรม และแบบจำลอง ข้อดีคือวิธีการนี้พิจารณาทุกด้านของข่าวกรองธุรกิจด้วยคลังข้อมูลพื้นฐานในระหว่างการพัฒนา
โมเดล Data Vault นำเสนอโซลูชันที่ทันสมัยสำหรับการเอาชนะข้อจำกัดของวิธีการสร้างโมเดลข้อมูลแบบดั้งเดิม ด้วยความสามารถในการปรับขนาด ความยืดหยุ่น และความคล่องตัว ทำให้เป็นรากฐานที่มั่นคงสำหรับการสร้างแพลตฟอร์มข้อมูลที่สามารถรองรับความซับซ้อนและความหลากหลายของสภาพแวดล้อมข้อมูลสมัยใหม่
สถาปัตยกรรมแบบฮับและแบบพูดของ Data Vault และการแยกเอนทิตีและแอตทริบิวต์ช่วยให้สามารถรวมข้อมูลและประสานกันระหว่างระบบและโดเมนต่างๆ อำนวยความสะดวกในการพัฒนาที่เพิ่มขึ้นและคล่องตัว
บทบาทสำคัญของ Data Vault ในการสร้างแพลตฟอร์มข้อมูลคือการสร้างแหล่งข้อมูลความจริงแหล่งเดียวสำหรับข้อมูลทั้งหมด มุมมองรวมของข้อมูลและการสนับสนุนสำหรับการบันทึกและติดตามการเปลี่ยนแปลงข้อมูลในอดีตผ่านตารางดาวเทียมช่วยให้ปฏิบัติตามข้อกำหนด การตรวจสอบ ข้อกำหนดด้านกฎระเบียบ ตลอดจนการวิเคราะห์และการรายงานที่ครอบคลุม
ความสามารถในการรวมข้อมูลแบบเกือบเรียลไทม์ของ Data Vault ผ่านการโหลดเดลต้าช่วยอำนวยความสะดวกในการจัดการข้อมูลปริมาณมากในสภาพแวดล้อมที่เปลี่ยนแปลงอย่างรวดเร็ว เช่น แอปพลิเคชัน Big Data และ IoT
Data Vault เทียบกับ Data Warehouse Models แบบดั้งเดิม
Third-Normal-Form (3NF) เป็นหนึ่งในโมเดลคลังข้อมูลแบบดั้งเดิมที่มีชื่อเสียงที่สุด ซึ่งมักนิยมใช้ในการใช้งานขนาดใหญ่จำนวนมาก อนึ่ง สิ่งนี้สอดคล้องกับแนวคิดของ Bill Inmon ซึ่งเป็นหนึ่งใน “บรรพบุรุษ” ของแนวคิดคลังข้อมูล
สถาปัตยกรรม Inmon ใช้โมเดลฐานข้อมูลเชิงสัมพันธ์และขจัดความซ้ำซ้อนของข้อมูลโดยแบ่งแหล่งข้อมูลออกเป็นตารางขนาดเล็กที่จัดเก็บไว้ใน data mart และเชื่อมต่อกันโดยใช้คีย์หลักและคีย์นอก ช่วยให้มั่นใจได้ว่าข้อมูลมีความสอดคล้องและถูกต้องโดยการบังคับใช้กฎความสมบูรณ์ของการอ้างอิง
เป้าหมายของรูปแบบปกติคือการสร้างแบบจำลองข้อมูลที่ครอบคลุมทั่วทั้งบริษัทสำหรับคลังข้อมูลหลัก อย่างไรก็ตาม มันมีปัญหาด้านความสามารถในการปรับขนาดและความยืดหยุ่นเนื่องจาก data mart ที่เชื่อมต่อกันสูง ความยุ่งยากในการโหลดในโหมดเกือบเรียลไทม์ คำขอที่ลำบาก และการออกแบบจากบนลงล่าง และการนำไปใช้งาน
แบบจำลอง Kimbal ที่ใช้สำหรับ OLAP (การประมวลผลเชิงวิเคราะห์ออนไลน์) และ data mart เป็นแบบจำลองคลังข้อมูลที่มีชื่อเสียงอีกรูปแบบหนึ่ง ซึ่งตารางข้อเท็จจริงประกอบด้วยข้อมูลรวมและตารางมิติอธิบายข้อมูลที่จัดเก็บไว้ในการออกแบบสคีมารูปดาวหรือสคีมาเกล็ดหิมะ ในสถาปัตยกรรมนี้ ข้อมูลจะถูกจัดระเบียบเป็นตารางแฟคท์และไดเมนชันที่ไม่ปกติเพื่อทำให้การสืบค้นและการวิเคราะห์ง่ายขึ้น
Kimbal ใช้แบบจำลองมิติที่ปรับให้เหมาะสมสำหรับการสอบถามและการรายงาน ทำให้เหมาะสำหรับแอปพลิเคชันข่าวกรองธุรกิจ อย่างไรก็ตาม มีปัญหาเกี่ยวกับการแยกข้อมูลเชิงหัวเรื่อง ความซ้ำซ้อนของข้อมูล โครงสร้างคิวรีที่เข้ากันไม่ได้ ความยากลำบากในการขยายขนาด ความละเอียดของตารางข้อเท็จจริงที่ไม่สอดคล้องกัน ปัญหาการซิงโครไนซ์ และความจำเป็นในการออกแบบจากบนลงล่างพร้อมการใช้งานจากล่างขึ้นบน
ในทางตรงกันข้าม สถาปัตยกรรม Data vault เป็นวิธีการแบบผสมผสานที่ผสมผสานลักษณะต่างๆ ของทั้งสถาปัตยกรรม 3NF และ Kimball เป็นแบบจำลองที่อิงตามหลักการเชิงสัมพันธ์ การทำให้เป็นมาตรฐานของข้อมูล และคณิตศาสตร์สำรองที่แสดงถึงความสัมพันธ์ระหว่างเอนทิตีที่แตกต่างกัน และจัดโครงสร้างฟิลด์ตารางและการประทับเวลาต่างกัน
ในสถาปัตยกรรมนี้ ข้อมูลทั้งหมดจะถูกจัดเก็บในคลังข้อมูลดิบหรือ Data Lake ในขณะที่ข้อมูลที่ใช้กันทั่วไปจะถูกจัดเก็บในรูปแบบปกติในคลังข้อมูลธุรกิจซึ่งมีข้อมูลเชิงประวัติและบริบทเฉพาะที่สามารถใช้ในการรายงานได้
Data Vault แก้ไขปัญหาในรูปแบบดั้งเดิมโดยมีประสิทธิภาพมากขึ้น ปรับขยายได้ และยืดหยุ่น ช่วยให้โหลดได้ใกล้เคียงเวลาจริง มีความสมบูรณ์ของข้อมูลดีขึ้น และขยายได้ง่ายโดยไม่กระทบต่อโครงสร้างที่มีอยู่ โมเดลยังสามารถขยายได้โดยไม่ต้องย้ายตารางที่มีอยู่
วิธีการสร้างแบบจำลองโครงสร้างข้อมูลแนวทางการออกแบบการสร้างแบบจำลอง 3NFTables ใน 3NFBottom-upKimbal ModelingStar Schema หรือ Snowflake SchemaTop-downData VaultHub-and-SpokeBottom-up
สถาปัตยกรรมของ Data Vault
Data Vault มีสถาปัตยกรรมแบบฮับและแบบพูด และโดยพื้นฐานแล้วประกอบด้วยสามเลเยอร์:
Staging Layer: รวบรวมข้อมูลดิบจากระบบต้นทาง เช่น CRM หรือ ERP
Data Warehouse Layer: เมื่อสร้างแบบจำลองเป็น Data Vault เลเยอร์นี้ประกอบด้วย:
- Raw Data Vault: เก็บข้อมูลดิบ
- Business Data Vault: รวมถึงข้อมูลที่สอดคล้องกันและแปลงตามกฎทางธุรกิจ (ไม่บังคับ)
- Metrics Vault: เก็บข้อมูลรันไทม์ (ไม่บังคับ)
- Operational Vault: เก็บข้อมูลที่ส่งโดยตรงจากระบบปฏิบัติการไปยังคลังข้อมูล (ทางเลือก)
Data Mart Layer: เลเยอร์นี้จะจำลองข้อมูลเป็นสกีมาแบบดาวและ/หรือเทคนิคการสร้างแบบจำลองอื่นๆ ให้ข้อมูลสำหรับการวิเคราะห์และการรายงาน
ที่มาของภาพ: ลาเมีย เยสซาด
Data Vault ไม่ต้องการสถาปัตยกรรมใหม่ ฟังก์ชันใหม่สามารถสร้างแบบขนานได้โดยตรงโดยใช้แนวคิดและวิธีการของ Data Vault และส่วนประกอบที่มีอยู่จะไม่สูญหายไป กรอบสามารถทำให้งานง่ายขึ้นอย่างมาก: พวกเขาสร้างเลเยอร์ระหว่างคลังข้อมูลและผู้พัฒนา และลดความซับซ้อนของการนำไปใช้งาน
ส่วนประกอบของ Data Vault
ในระหว่างการสร้างโมเดล Data Vault จะแบ่งข้อมูลทั้งหมดที่เป็นของออบเจกต์ออกเป็นสามประเภท ซึ่งตรงกันข้ามกับการสร้างโมเดลฟอร์มปกติแบบคลาสสิกที่สาม ข้อมูลนี้จะถูกจัดเก็บแยกออกจากกันอย่างเคร่งครัด สามารถแมปพื้นที่การทำงานใน Data Vault ในสิ่งที่เรียกว่าฮับ ลิงก์ และดาวเทียม:
#1. ฮับ
ฮับเป็นหัวใจของแนวคิดธุรกิจหลัก เช่น ลูกค้า ผู้ขาย การขาย หรือผลิตภัณฑ์ ตารางฮับถูกสร้างขึ้นรอบๆ คีย์ธุรกิจ (ชื่อร้านค้าหรือตำแหน่งที่ตั้ง) เมื่อมีการแนะนำอินสแตนซ์ใหม่ของคีย์ธุรกิจนั้นในคลังข้อมูลเป็นครั้งแรก
ฮับไม่มีข้อมูลเชิงอธิบายและไม่มี FK ประกอบด้วยคีย์ธุรกิจเท่านั้น โดยมีลำดับ ID หรือคีย์แฮชที่สร้างขึ้นในคลังสินค้า การประทับวันที่/เวลาโหลด และแหล่งเรกคอร์ด
#2. ลิงค์
ลิงก์สร้างความสัมพันธ์ระหว่างคีย์ธุรกิจ แต่ละรายการในลิงค์จำลองความสัมพันธ์ nm ของฮับจำนวนเท่าใดก็ได้ ช่วยให้ data vault ตอบสนองได้อย่างยืดหยุ่นต่อการเปลี่ยนแปลงในตรรกะทางธุรกิจของระบบต้นทาง เช่น การเปลี่ยนแปลงในความสัมพันธ์อันจริงใจ เช่นเดียวกับฮับ ลิงก์ไม่มีข้อมูลอธิบายใดๆ ประกอบด้วย ID ลำดับของฮับที่อ้างอิง ID ลำดับที่สร้างโดยคลังสินค้า การประทับวันที่/เวลาโหลด และแหล่งบันทึก
#3. ดาวเทียม
ดาวเทียมประกอบด้วยข้อมูลเชิงพรรณนา (บริบท) สำหรับคีย์ธุรกิจที่จัดเก็บไว้ในฮับหรือความสัมพันธ์ที่จัดเก็บไว้ในลิงก์ ดาวเทียมทำงาน “แทรกเท่านั้น” หมายความว่าประวัติข้อมูลทั้งหมดจะถูกจัดเก็บไว้ในดาวเทียม ดาวเทียมหลายดวงสามารถอธิบายรหัสธุรกิจเดียว (หรือความสัมพันธ์) อย่างไรก็ตาม ดาวเทียมสามารถอธิบายคีย์เดียวเท่านั้น (ฮับหรือลิงค์)
ที่มาของภาพ: Carbidfischer
วิธีสร้าง Data Vault Model
การสร้างโมเดล Data Vault เกี่ยวข้องกับหลายขั้นตอน ซึ่งแต่ละขั้นตอนมีความสำคัญต่อการทำให้แน่ใจว่าโมเดลสามารถปรับขนาดได้ ยืดหยุ่น และสามารถตอบสนองความต้องการของธุรกิจได้:
#1. ระบุเอนทิตีและแอตทริบิวต์
ระบุหน่วยงานธุรกิจและแอตทริบิวต์ที่เกี่ยวข้อง มันเกี่ยวข้องกับการทำงานอย่างใกล้ชิดกับผู้มีส่วนได้ส่วนเสียทางธุรกิจเพื่อทำความเข้าใจข้อกำหนดและข้อมูลที่พวกเขาต้องการรวบรวม เมื่อระบุเอนทิตีและแอตทริบิวต์เหล่านี้แล้ว ให้แยกออกเป็นฮับ ลิงก์ และดาวเทียม
#2. กำหนดความสัมพันธ์ของเอนทิตีและสร้างลิงค์
เมื่อคุณระบุเอนทิตีและแอตทริบิวต์แล้ว ความสัมพันธ์ระหว่างเอนทิตีจะถูกกำหนด และสร้างลิงก์เพื่อแสดงความสัมพันธ์เหล่านี้ แต่ละลิงก์จะได้รับรหัสธุรกิจที่ระบุความสัมพันธ์ระหว่างเอนทิตี ดาวเทียมจะถูกเพิ่มเข้าไปเพื่อจับคุณลักษณะและความสัมพันธ์ของเอนทิตี
#3. กำหนดกฎและมาตรฐาน
หลังจากสร้างลิงก์แล้ว ควรกำหนดชุดของกฎและมาตรฐานการสร้างแบบจำลอง data vault เพื่อให้แน่ใจว่าแบบจำลองมีความยืดหยุ่นและสามารถจัดการกับการเปลี่ยนแปลงเมื่อเวลาผ่านไป กฎและมาตรฐานเหล่านี้ควรได้รับการทบทวนและปรับปรุงอย่างสม่ำเสมอเพื่อให้แน่ใจว่ายังคงมีความเกี่ยวข้องและสอดคล้องกับความต้องการทางธุรกิจ
#4. เติมโมเดล
เมื่อสร้างแบบจำลองแล้ว ควรเติมข้อมูลโดยใช้วิธีการโหลดส่วนเพิ่ม ซึ่งเกี่ยวข้องกับการโหลดข้อมูลเข้าสู่ฮับ ลิงก์ และดาวเทียมโดยใช้การโหลดแบบเดลต้า เดลต้าจะโหลดเพื่อให้แน่ใจว่ามีการโหลดเฉพาะการเปลี่ยนแปลงที่ทำกับข้อมูล ซึ่งช่วยลดเวลาและทรัพยากรที่จำเป็นสำหรับการรวมข้อมูล
#5. ทดสอบและตรวจสอบแบบจำลอง
สุดท้าย โมเดลควรได้รับการทดสอบและตรวจสอบเพื่อให้แน่ใจว่าตรงตามข้อกำหนดทางธุรกิจ ปรับขนาดได้และยืดหยุ่นเพียงพอสำหรับรองรับการเปลี่ยนแปลงในอนาคต ควรทำการบำรุงรักษาและอัปเดตเป็นประจำเพื่อให้แน่ใจว่าโมเดลยังคงสอดคล้องกับความต้องการทางธุรกิจและยังคงให้มุมมองข้อมูลที่เป็นหนึ่งเดียว
ทรัพยากรการเรียนรู้ Data Vault
การควบคุม Data Vault สามารถมอบทักษะและความรู้อันมีค่าซึ่งเป็นที่ต้องการอย่างมากในอุตสาหกรรมที่ขับเคลื่อนด้วยข้อมูลในปัจจุบัน ต่อไปนี้เป็นรายการแหล่งข้อมูลที่ครอบคลุม รวมถึงหลักสูตรและหนังสือที่สามารถช่วยในการเรียนรู้ความซับซ้อนของ Data Vault:
#1. การสร้างแบบจำลองคลังข้อมูลด้วย Data Vault 2.0
หลักสูตร Udemy นี้เป็นการแนะนำที่ครอบคลุมเกี่ยวกับแนวทางการสร้างแบบจำลอง Data Vault 2.0 การจัดการโครงการแบบ Agile และการรวมข้อมูลขนาดใหญ่ หลักสูตรนี้ครอบคลุมพื้นฐานและพื้นฐานของ Data Vault 2.0 รวมถึงสถาปัตยกรรมและชั้นต่างๆ ธุรกิจและข้อมูล vault และเทคนิคการสร้างแบบจำลองขั้นสูง
โดยจะสอนวิธีออกแบบโมเดล Data Vault ตั้งแต่เริ่มต้น แปลงโมเดลแบบดั้งเดิม เช่น 3NF และโมเดลเชิงมิติเป็น Data Vault และเข้าใจหลักการของการสร้างโมเดลมิติใน Data Vault หลักสูตรนี้ต้องการความรู้พื้นฐานเกี่ยวกับฐานข้อมูลและพื้นฐาน SQL
ด้วยคะแนนสูงถึง 4.4 จาก 5 และบทวิจารณ์กว่า 1,700 รายการ หลักสูตรที่ขายดีที่สุดนี้จึงเหมาะสำหรับทุกคนที่ต้องการสร้างรากฐานที่แข็งแกร่งใน Data Vault 2.0 และการรวมข้อมูลขนาดใหญ่
#2. อธิบายการสร้างแบบจำลอง Data Vault พร้อมกรณีการใช้งาน
หลักสูตร Udemy นี้มุ่งเป้าไปที่การแนะนำคุณในการสร้าง Data Vault Model โดยใช้ตัวอย่างทางธุรกิจที่ใช้งานได้จริง ทำหน้าที่เป็นคู่มือเริ่มต้นสำหรับการสร้างแบบจำลอง Data Vault ซึ่งครอบคลุมแนวคิดหลัก เช่น สถานการณ์ที่เหมาะสมในการใช้แบบจำลอง Data Vault ข้อจำกัดของการสร้างแบบจำลอง OLAP แบบเดิม และแนวทางที่เป็นระบบในการสร้างแบบจำลอง Data Vault หลักสูตรนี้สามารถเข้าถึงได้โดยบุคคลที่มีความรู้ด้านฐานข้อมูลเพียงเล็กน้อย
#3. Data Vault Guru: แนวทางปฏิบัติ
Data Vault Guru โดย Mr. Patrick Cuba เป็นคำแนะนำที่ครอบคลุมเกี่ยวกับวิธีการของ Data Vault ซึ่งมอบโอกาสพิเศษในการสร้างแบบจำลองคลังข้อมูลขององค์กรโดยใช้หลักการอัตโนมัติที่คล้ายกับที่ใช้ในการจัดส่งซอฟต์แวร์
หนังสือเล่มนี้ให้ภาพรวมของสถาปัตยกรรมสมัยใหม่ และเสนอคำแนะนำอย่างละเอียดเกี่ยวกับวิธีการส่งมอบแบบจำลองข้อมูลที่ยืดหยุ่นซึ่งปรับให้เข้ากับการเปลี่ยนแปลงในองค์กร คลังข้อมูล
นอกจากนี้ หนังสือเล่มนี้ยังขยายขอบเขตวิธีการของคลังข้อมูลโดยให้การแก้ไขไทม์ไลน์อัตโนมัติ เส้นทางการตรวจสอบ การควบคุมข้อมูลเมตา และการรวมเข้ากับเครื่องมือการนำส่งที่คล่องตัว
#4. สร้างคลังข้อมูลที่ปรับขนาดได้ด้วย Data Vault 2.0
หนังสือเล่มนี้ให้คำแนะนำที่ครอบคลุมแก่ผู้อ่านในการสร้างคลังข้อมูลที่ปรับขนาดได้ตั้งแต่ต้นจนจบโดยใช้วิธีการ Data Vault 2.0
หนังสือเล่มนี้ครอบคลุมประเด็นสำคัญทั้งหมดในการสร้างคลังข้อมูลที่ปรับขนาดได้ รวมถึงเทคนิคการสร้างแบบจำลอง Data Vault ซึ่งออกแบบมาเพื่อป้องกันความล้มเหลวของคลังข้อมูลโดยทั่วไป
หนังสือมีตัวอย่างมากมายเพื่อช่วยให้ผู้อ่านเข้าใจแนวคิดอย่างชัดเจน ด้วยข้อมูลเชิงลึกที่ใช้ได้จริงและตัวอย่างจากการใช้งานจริง หนังสือเล่มนี้เป็นแหล่งข้อมูลที่จำเป็นสำหรับทุกคนที่สนใจในคลังข้อมูล
#5. ช้างในตู้เย็น: ขั้นตอนที่แนะนำสู่ความสำเร็จของ Data Vault
ช้างในตู้เย็น โดย John Giles เป็นคู่มือเชิงปฏิบัติที่มีจุดมุ่งหมายเพื่อช่วยให้ผู้อ่านบรรลุความสำเร็จของ Data Vault โดยเริ่มต้นด้วยธุรกิจและจบลงด้วยธุรกิจ
หนังสือมุ่งเน้นไปที่ความสำคัญของ ontology ขององค์กรและการสร้างแบบจำลองแนวคิดทางธุรกิจ และให้คำแนะนำทีละขั้นตอนเกี่ยวกับวิธีการใช้แนวคิดเหล่านี้เพื่อสร้างแบบจำลองข้อมูลที่มั่นคง
ผู้เขียนเสนอคำอธิบายที่ชัดเจนและไม่ซับซ้อนเกี่ยวกับหัวข้อที่ซับซ้อนผ่านคำแนะนำที่ใช้ได้จริงและรูปแบบตัวอย่าง ทำให้หนังสือเล่มนี้เป็นแนวทางที่ดีเยี่ยมสำหรับผู้ที่ยังใหม่กับ Data Vault
คำสุดท้าย
Data Vault เป็นตัวแทนของอนาคตของคลังข้อมูล ซึ่งนำเสนอข้อได้เปรียบที่สำคัญแก่บริษัทต่างๆ ในแง่ของความคล่องตัว ความสามารถในการปรับขนาด และมีประสิทธิภาพ เหมาะอย่างยิ่งสำหรับธุรกิจที่ต้องการโหลดข้อมูลปริมาณมากอย่างรวดเร็ว และผู้ที่ต้องการพัฒนาแอปพลิเคชันข่าวกรองธุรกิจในลักษณะที่คล่องตัว
นอกจากนี้ บริษัทที่มีสถาปัตยกรรมแบบไซโลที่มีอยู่จะได้รับประโยชน์อย่างมากจากการติดตั้งคลังข้อมูลหลักต้นทางโดยใช้ Data Vault
คุณอาจสนใจเรียนรู้เกี่ยวกับสายเลือด
