Das ist einer der Gründe, warum Anpassungen oft mit hohen Aufwand und Komplexität verbunden sind. Das führt zu einem Konflikt mit dem Anspruch von Data Warehouses. Nur wenn sie zeitnah geänderte Geschäftsprozesse abbilden, stehen diese notwendigen Informationen dem Berichtswesen zur Verfügung. In Data Vault werden neue oder geänderte Strukturen in einem neuen Satellite gespeichert. Der bestehende Satellite bleibt erhalten und stellt die historischen Daten auch in Zukunft zur Verfügung. Auch der ETL-Prozess für die historischen Daten hat weiterhin Bestand. Das ermöglicht die Beladung des bereits bestehenden Satelliten – beispielsweise für den Reload der Daten aus einem Archiv. Was passiert mit den neuen Daten? Sie werden in ein neues Ziel geladen, um genau zu sein in den neu erstellten Satellite. Er ist damit eine modifizierte Kopie des "historischen" ETL-Jobs. Ein weiterer Vorteil: Es ist keine Änderung an bestehenden Prozessen notwendig. Somit entfallen das Reengineering und das umfangreiche Testen bestehender ETL-Jobs.
B. bei der die Umsetzung von Business-Anforderungen. Zudem wird ein höherer Return on Investment erzielt und das DWH durch den Einsatz von Data Vault skalierbar. Unternehmen können außerdem alle Daten bis zu ihrem Quellsystem nachverfolgen. Von Data Vault profitieren besonders Organisationen, die große Datenvolumina in kurzer Zeit laden müssen, ihre BI-Applikationen agil entwickeln wollen oder ein vorgelagertes Core Data Warehouse innerhalb einer bestehenden Silo-Architektur aufbauen möchten. Vorteile in technischer Hinsicht: Data Vault unterstützt klassische Batch-Verarbeitung ebenso wie Near-Realtime-Loads. Dabei können Unternehmen auch unstrukturierte/NoSQL-Datenbanken anbinden. Im Vergleich zu klassischen DWH-Architekturen werden die Geschäftsregeln im Business Data Vault und in der Information Mart Layer eingesetzt. Damit sind sie möglichst nah beim End-User implementiert. Entsprechend werden Geschäftsregeln "spät" abgebildet und das DWH exakt mit den Daten beladen, wie sie im Quellsystem vorliegen.
Neue Datenquellen führen zu rein additiven Änderungen. Es werden einfach Hubs, Links und Satelliten zum bestehenden Modell angehängt. Beispiel: Durch die Integration des Sales Quellsystems wird das Geschäftsobjekt Kunde erweitert. Hub_Kunde und seine Satelliten bilden eine logische Einheit und beschreiben das Geschäftsobjekt Kunde. Die Geschäftsregeln zur Datenintegration werden strikt getrennt im Business Vault implementiert. Die Links sind die Beziehungen und entkoppeln Kunde von den restlichen Geschäftsobjekten. Das macht das Datenmodell sehr flexibel. Abhängigkeitsketten im Ladeprozess werden aufgelöst und alle Quellen können gleichzeitig geladen werden. Data Vault Schichten Die Datenlandschaft eines Unternehmens mit mehreren Quellen ist komplex und umfangreich. Über mehrere Schichten wird aus den verfügbaren Daten wertvolle Information und Wissen erzeugt. Data Vault Schichtenarchitektur Auch die Architektur teilt das Datawarehouse (DWH) in mehrere Schichten mit klaren Zuständigkeiten: Die Stage enthält einen Abzug der Quelldaten.