{
 "id": "topic:data-vault",
 "name": "Data Vault",
 "typ": "thema",
 "slug": "data-vault",
 "stand": "2026-09-07",
 "build": "20260907-1949",
 "zitieren_als": "Daten-WG, <Dokumenttitel>, <mm:ss>, <url>",
 "url": "https://datenwgknowledgekitchen.com/wissensgraph/thema/data-vault.html",
 "canonical": "https://datenwgknowledgekitchen.com/wissensgraph/thema/data-vault.html",
 "markdown": "https://datenwgknowledgekitchen.com/wissensgraph/library/data-vault.md",
 "json": "https://datenwgknowledgekitchen.com/wissensgraph/library/data-vault.json",
 "dokumente_gesamt": 3,
 "kernaussagen_gesamt": 23,
 "mit_kernaussagen": 3,
 "aliase": [
  "Datavault",
  "Hub",
  "Satellite"
 ],
 "einordnung": "Data Vault besteht laut Volker Nürnberg aus den drei Komponenten Modellierung, Architektur und Vorgehensweise. (Stand 2025-07) Data-Vault-Modelle sind wegen ihrer wenigen, einfachen und wiederholbaren Muster ideal für Automatisierungstools geeignet. (Stand 2025-07) Bei Änderungen an Quellsystemen kann ein Data-Vault-Automatisierungssystem im Moment nur bei sogenannten Non-Breaking-Changes automatisch reagieren, bei Breaking Changes muss noch ein Mensch eingreifen. (Stand 2025-07)",
 "nachbarn": [
  {
   "id": "topic:datenmodellierung",
   "name": "Datenmodellierung",
   "kantentyp": "teil-von",
   "belastbarkeit": "automatisch extrahiert, Quellenstelle vorhanden",
   "gemeinsame_segmente": 0,
   "beleg": "Data W ist z.B. auch so eine entsprechende Modellierungsmethode... eine der Art, wie man erstmal Daten vormodellieren kann",
   "datei": "datenmodellierung.md"
  },
  {
   "id": "tool:warehouse",
   "name": "Warehouse",
   "kantentyp": "teil-von",
   "belastbarkeit": "automatisch extrahiert, Quellenstelle vorhanden",
   "gemeinsame_segmente": 4,
   "beleg": "Data Volt ist das Data Warehouse, wo wirklich Warehousing und Delivery komplett werden",
   "datei": "warehouse.md"
  },
  {
   "id": "topic:sternschema",
   "name": "Sternschema",
   "kantentyp": "gegensatz",
   "belastbarkeit": "automatisch extrahiert, Quellenstelle vorhanden",
   "gemeinsame_segmente": 0,
   "beleg": "was ist ein Sternschema überhaupt für die Enduser ... Data World ist ja jetzt nicht unbedingt ein Modell",
   "datei": "sternschema.md"
  },
  {
   "id": "topic:performance",
   "name": "Performance",
   "kantentyp": "ko-vorkommen",
   "belastbarkeit": "Heuristik, gezählt",
   "gemeinsame_segmente": 4,
   "beleg": "",
   "datei": "performance.md"
  },
  {
   "id": "tool:power-bi",
   "name": "Power BI",
   "kantentyp": "ko-vorkommen",
   "belastbarkeit": "Heuristik, gezählt",
   "gemeinsame_segmente": 3,
   "beleg": "",
   "datei": "power-bi.md"
  }
 ],
 "kernaussagen": [
  {
   "typ": "Fakt",
   "dokument": "27 Jahre in 10 Minuten - Peter Gluchowski beim Daten-WG Offsite",
   "dokument_id": "yt:dKA-38gRD8Q",
   "sekunde": 488,
   "zeit": "08:08",
   "url": "https://www.youtube.com/watch?v=dKA-38gRD8Q&t=488s",
   "aussage": "Größere Unternehmen setzen auf der Ebene des Kern-Data-Warehouse heute häufig entweder auf normalisierte Datenhaltung oder auf Data Vault."
  },
  {
   "typ": "Meinung",
   "dokument": "27 Jahre in 10 Minuten - Peter Gluchowski beim Daten-WG Offsite",
   "dokument_id": "yt:dKA-38gRD8Q",
   "sekunde": 492,
   "zeit": "08:12",
   "url": "https://www.youtube.com/watch?v=dKA-38gRD8Q&t=492s",
   "aussage": "Data Vault bietet gegenüber klassischen Cube-Strukturen laut Peter Gluchowski eine deutlich höhere Änderungsflexibilität."
  },
  {
   "typ": "Fakt",
   "dokument": "27 Jahre in 10 Minuten - Peter Gluchowski beim Daten-WG Offsite",
   "dokument_id": "yt:dKA-38gRD8Q",
   "sekunde": 503,
   "zeit": "08:23",
   "url": "https://www.youtube.com/watch?v=dKA-38gRD8Q&t=503s",
   "aussage": "Data Vault ist als Konzept bereits rund 25 Jahre alt, hat sich in Europa aber erst seit etwa zehn Jahren verbreitet."
  },
  {
   "typ": "Fakt",
   "dokument": "BI Thinkers Talk - Data Modelling - Fabric Data Days Edition",
   "dokument_id": "yt:mUALlPmGcEk",
   "sekunde": 557,
   "zeit": "09:17",
   "url": "https://www.youtube.com/watch?v=mUALlPmGcEk&t=557s",
   "aussage": "Data Vault ist eine Modellierungsmethode für die mittlere Datenschicht, die auf Hubs für Business Keys, Links für Beziehungen und Satelliten für zusätzliche Attribute aufbaut."
  },
  {
   "typ": "Meinung",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 172,
   "zeit": "02:52",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=172s",
   "aussage": "Data Vault ist laut Volker Nürnberg weit weg von den Endanwendern und keine Modellierungsstruktur, mit der Nutzer selbst arbeiten sollen."
  },
  {
   "typ": "Empfehlung",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 181,
   "zeit": "03:01",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=181s",
   "aussage": "Nutzer sollen laut Volker Nürnberg niemals direkt auf die Data-Vault-Modellierungsstruktur zugreifen."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 230,
   "zeit": "03:50",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=230s",
   "aussage": "Data Vault besteht laut Volker Nürnberg aus den drei Komponenten Modellierung, Architektur und Vorgehensweise."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 355,
   "zeit": "05:55",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=355s",
   "aussage": "Data-Vault-Modelle sind wegen ihrer wenigen, einfachen und wiederholbaren Muster ideal für Automatisierungstools geeignet."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 434,
   "zeit": "07:14",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=434s",
   "aussage": "Bei Änderungen an Quellsystemen kann ein Data-Vault-Automatisierungssystem im Moment nur bei sogenannten Non-Breaking-Changes automatisch reagieren, bei Breaking Changes muss noch ein Mensch eingreifen."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 470,
   "zeit": "07:50",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=470s",
   "aussage": "Ändert sich eine Quelltabelle, betrifft das im Data-Vault-Modell typischerweise nur einen kleinen Bereich der Daten, meist einen einzelnen Satelliten."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 587,
   "zeit": "09:47",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=587s",
   "aussage": "Bei neuen Anforderungen des Business kann in Data Vault ein neuer Satellit parallel zum alten aufgebaut und mit Produktionsdaten getestet werden, bevor umgeschaltet wird."
  },
  {
   "typ": "Empfehlung",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 698,
   "zeit": "11:38",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=698s",
   "aussage": "Volker Nürnberg würde ab etwa 5 bis 10 Quellsystemen mit gemeinsamen Geschäftsobjekten auf jeden Fall über den Einsatz von Data Vault nachdenken."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 744,
   "zeit": "12:24",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=744s",
   "aussage": "In Data Vault liegen alle Geschäftsschlüssel eines Objekts wie Kunde technisch in einer Tabelle, dem sogenannten Hub, mit den zugehörigen Attributen in umgebenden Satelliten."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 1006,
   "zeit": "16:46",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=1006s",
   "aussage": "Ein Hub im Data-Vault-Modell muss nicht physisch materialisiert sein, sondern kann auch virtuell als Select Distinct auf den Data Lake abgebildet werden."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 1105,
   "zeit": "18:25",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=1105s",
   "aussage": "Beziehungen zwischen Geschäftsschlüsseln verschiedener Quellsysteme, sogenannte Same-Links, sind im Data Lake nicht automatisch vorhanden und müssen aktiv hergestellt werden."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 1266,
   "zeit": "21:06",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=1266s",
   "aussage": "Die Data-Vault-Modellierung ist laut Volker Nürnberg vollständig auditierbar und lässt sich verlustfrei bis zur Quelle zurückverfolgen und refaktorieren."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 1393,
   "zeit": "23:13",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=1393s",
   "aussage": "Ein Tool namens Flowbi entsteht gerade, das für große und sehr große Unternehmen rein datengetrieben ein Data-Vault-Modell erzeugt."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 1443,
   "zeit": "24:03",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=1443s",
   "aussage": "Ein solches automatisiertes Data-Vault-Tool erkennt vermutliche Geschäftsschlüssel unter anderem an den Namen oder Inhalten von Spalten."
  },
  {
   "typ": "Meinung",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 1504,
   "zeit": "25:04",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=1504s",
   "aussage": "Data Vault passt laut Volker Nürnberg gut zu einem dezentralen Data-Mesh-Ansatz und ist für ihn sogar der entscheidende Weg zu dessen wirklichem Erfolg."
  },
  {
   "typ": "Empfehlung",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 1757,
   "zeit": "29:17",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=1757s",
   "aussage": "Im beschriebenen Zielbild soll der Fachbereich seine Datenprodukte über ein konzeptuelles Geschäftsmodell selbst definieren."
  },
  {
   "typ": "Empfehlung",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 1776,
   "zeit": "29:36",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=1776s",
   "aussage": "Dateningenieure sollen laut Volker Nürnberg keinen Code mehr schreiben, der selbst etwas tut, sondern nur noch Code, der Code generiert und mit Metadaten arbeitet."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 1859,
   "zeit": "30:59",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=1859s",
   "aussage": "Volker Nürnberg arbeitet seit 2005 ausschließlich mit Data Warehouses und kam in den frühen 2010er-Jahren zu Data Vault."
  },
  {
   "typ": "Fakt",
   "dokument": "Mythos Data Vault und richtig große Modelle",
   "dokument_id": "yt:rrCi0lnGrCg",
   "sekunde": 1872,
   "zeit": "31:12",
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=1872s",
   "aussage": "Es gibt weltweit nur sechs von Dan Linstedt, dem Erfinder der Methodik, zertifizierte Data-Vault-Trainer, zu denen Volker Nürnberg seit 2018 zählt."
  }
 ],
 "dokumente": [
  {
   "id": "yt:rrCi0lnGrCg",
   "titel": "Mythos Data Vault und richtig große Modelle",
   "datum": "2025-07-01",
   "abdeckung": "kernaussagen+zeitstempel",
   "anteil": 0.273,
   "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg",
   "sprungmarken": [
    {
     "label": "07:44",
     "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=464s",
     "sekunde": 464
    },
    {
     "label": "09:20",
     "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=560s",
     "sekunde": 560
    },
    {
     "label": "12:07",
     "url": "https://www.youtube.com/watch?v=rrCi0lnGrCg&t=727s",
     "sekunde": 727
    }
   ]
  },
  {
   "id": "yt:uxYFqwe_Wiw",
   "titel": "BI Thinkers Talk - Data Modeling - Fabric Data Days Edition [EN]",
   "datum": "2025-12-01",
   "abdeckung": "nur-text",
   "anteil": 0.031,
   "url": "https://www.youtube.com/watch?v=uxYFqwe_Wiw",
   "sprungmarken": [
    {
     "label": "Abschnitt",
     "url": "https://www.youtube.com/watch?v=uxYFqwe_Wiw",
     "sekunde": null
    },
    {
     "label": "Abschnitt",
     "url": "https://www.youtube.com/watch?v=uxYFqwe_Wiw",
     "sekunde": null
    }
   ]
  },
  {
   "id": "page:power_bi_einsteiger_guide_v4",
   "titel": "Power BI von A bis Z — Einsteiger-Guide (End-to-End)",
   "datum": "2026-08-31",
   "abdeckung": "nur-text",
   "anteil": 0.004,
   "url": "https://datenwgknowledgekitchen.com/power_bi_einsteiger_guide_v4.html",
   "sprungmarken": [
    {
     "label": "Abschnitt",
     "url": "https://datenwgknowledgekitchen.com/power_bi_einsteiger_guide_v4.html#:~:text=Star%20vor%20Snowflake",
     "sekunde": null
    }
   ]
  }
 ],
 "hinweise": [
  "Kernaussagen und Beziehungen sind maschinell erzeugt und nicht redigiert. Heuristische Kanten zählen Erwähnungen, keine Bedeutung. Bei Widersprüchen gilt das Video."
 ],
 "wiki_url": "https://datenwgknowledgekitchen.com/wissensgraph/#n=topic%3Adata-vault",
 "graph_url": "https://datenwgknowledgekitchen.com/wissensgraph/graph.html#n=topic%3Adata-vault&f=topic%3Adata-vault"
}