Il mondo del business è dominato dai cambiamenti, molti dei quali derivano da azioni decise in risposta all’analisi dei dati raccolti. Questi ultimi sono presenti in quantità sempre maggiori e provengono da innumerevoli “nuove” fonti (tra cui sensori, telecamere, social media, dispositivi di geo localizzazione, satelliti e molto altro), le quali comportano una notevole varietà di formati. Di conseguenza, i nuovi Data Warehouse devono essere in grado di recepire e gestire una consistente ed eterogenea mole di informazioni. Il data warehousing non è mai stato più interessante e potenzialmente capace di fornire valore aggiunto di quanto lo sia ora; nel contesto attuale, prendere decisioni basate sui dati è così fondamentale e anche ovvio che non si potrebbe più neanche immaginare un mondo senza l'accesso ai dati, il quale ci aspettiamo sia sempre più immediato, semplice e completo.
Presto, quindi, tutti i dati degli asset delle organizzazioni verranno convogliati all’interno di un Data Warehouse e si renderà necessario che gli strumenti siano in grado di gestire un’enorme quantità di flussi di dati con strutture non immediatamente comprensibili. Di conseguenza, anche il processo di ETL (Extract, Transform and Load) dovrà necessariamente andare incontro a grandi cambiamenti.
Sebbene il data warehousing ponga le sue fondamenta sui database relazionali, il RDBMS (Relational database management system) non sarà mai esteso per elaborare in modo nativo tutti i nuovi tipi di dati: per farlo si adotteranno degli strumenti analitici specifici che saranno compatibili con i database RDBMS.
Anche in questo mondo caratterizzato da strani tipi di dati ed elaborazioni non-relazionali, la modellazione dimensionale resta enormemente rilevante. Tutti i tipi di dati, anche quelli più bizzarri, infatti possono essere pensati come un insieme di osservazioni registrate nel mondo reale, il quale ha sempre un contesto: data, ora, luogo, ecc.
Le dimensioni, naturalmente, sono l'anima del Data Warehouse: i fatti sono osservazioni che sussistono sempre in un contesto dimensionale e, con il tempo, ci si aspetta che tali dimensioni aumenteranno la capacità di supportare query basate su un comportamento più sofisticato e sull’analisi predittiva. A questo proposito ci sono già state proposte per trasformare il classico schema a stella in uno schema a supernova, nel quale gli attributi dimensionali possono diventare oggetti complessi (anziché semplice testo) ed essere anche molto più malleabili ed estensibili da una analisi a un'altra.