Vom schlanken Data Mart zur gemeinsamen Analysegrundlage
| KURZ GESAGT Wir empfehlen ein Data Warehouse, wenn mehrere Systeme und Teams eine verlässliche Historie und gemeinsame Definitionen brauchen. Bei einfacheren Anforderungen genügt oft ein kleinerer Einstieg. |
Ein Data Warehouse ist eine sinnvolle Grundlage, wenn Ihre Entscheidungen Daten aus mehreren Systemen, eine verlässliche Historie und gemeinsame Definitionen erfordern. Reichen eine Quelle und wenige Kennzahlen aus, ist ein einfacherer Einstieg oft sinnvoller.
Beginnen Sie mit einem beobachtbaren Problem. Verbinden Ihre Berichte Daten aus mehreren Systemen? Müssen Sie die heutige Lage mit der vor zwei Jahren vergleichen? Sollen mehrere Teams dieselben Definitionen verwenden? Je häufiger Sie mit Ja antworten, desto sinnvoller wird eine zentrale Analyseschicht.
«Data Warehouse» klingt manchmal nach einer Infrastruktur für Grossunternehmen. Der Bedarf entsteht aber in alltäglichen Situationen: Verkaufszahlen zum Zeitpunkt des Abschlusses nachvollziehen, ERP-Lagerbestände mit Bestellungen abgleichen oder eine gemeinsame Margendefinition verwenden.

Das Data Warehouse schafft eine gemeinsame Schicht zwischen operativen Systemen und Analysen.
Was ist ein Data Warehouse?
Wir beschreiben es als geordnetes Gedächtnis für Analysen. Operative Systeme verarbeiten weiterhin Bestellungen, Rechnungen und Produktionsdaten. Das Warehouse führt geprüfte Kopien zusammen, bewahrt die Historie auf und organisiert die Daten so, dass sie leichter abzufragen sind. Ihre Geschäftsanwendungen bleiben für das Tagesgeschäft zuständig.
Ein Data Warehouse ist ein Datenspeicher für Analysen. Es führt Daten aus mehreren Quellen zusammen, vereinheitlicht sie, erhält ihre Historie und strukturiert sie für fachliche Fragen. Prozesse zur Datenübernahme und Transformation laden die Daten. Semantische Modelle, Berichte und Analysewerkzeuge greifen darauf zu.
Achten Sie auf folgende Merkmale:
- Zentralisiert. Mehrere Quellen fliessen in eine gemeinsame Grundlage ein.
- Integriert. Für Kunden, Produkte, Daten und Einheiten gelten einheitliche Regeln.
- Historisiert. Für Analysen relevante Änderungen bleiben erhalten.
- Stabil. Geprüfte Daten werden durch operative Erfassungen im Alltag nicht laufend verändert.
- Entscheidungsorientiert. Die Struktur dient Analysen, Aggregationen und Vergleichen.
Operative Datenbank, Data Warehouse und Data Lake
Eine operative Datenbank verarbeitet Transaktionen einer Anwendung und stellt konsistente Schreibvorgänge im Alltag sicher. Ein Data Warehouse führt für Berichte aufbereitete Daten zusammen. Ein Data Lake speichert häufig vielfältigere strukturierte und unstrukturierte Daten im ursprünglichen Format. Moderne Plattformen können diese Ansätze verbinden. Die Aufgaben der einzelnen Komponenten bleiben unterscheidbar.
Die fünf Architekturschichten
1. Quellsysteme
ERP, CRM, MES, Buchhaltung, Dateien, APIs und operative Datenbanken liefern weiterhin die Daten. Bestimmen Sie die führenden Quellen und klären Sie deren Aktualisierungszyklen.
2. Datenübernahme
Konnektoren sowie ETL- oder ELT-Prozesse extrahieren und laden Daten. Protokollieren Sie jede Ausführung und sorgen Sie dafür, dass sie wiederholt werden kann. Eine Meldung soll auf fehlende Daten hinweisen.
3. Speicherung und Historisierung
Diese Schicht bewahrt detaillierte Daten und die benötigten Versionen auf. Regeln für Aufbewahrung, Sicherung und Speicherort richten sich nach der Sensibilität der Daten und den Anforderungen des Unternehmens.
4. Analytisches Modell
Fakten- und Dimensionstabellen übersetzen technische Quellen in fachliche Konzepte: Verkäufe, Bewegungen, Daten, Kunden, Produkte und Standorte. Eine einheitliche Granularität erleichtert Berechnungen und verbessert die Leistung.
5. Bereitstellung
Power BI, Excel und andere Werkzeuge nutzen ein gemeinsames semantisches Modell. Anwender können Kennzahlen abrufen, ohne jede Tabelle der Quelle kennen zu müssen.

Ein KMU kann mit einem gezielten Data Mart beginnen und die Grundlage erweitern, sobald die Anwendungsfälle es rechtfertigen.
Anzeichen dafür, dass Ihr KMU ein Data Warehouse braucht
Am deutlichsten zeigt sich der Bedarf, wenn mehrere Teams denselben Abgleich wiederholen. Exportieren Finanzen, Vertrieb und Betrieb jeweils aus dem ERP, bauen eigene Regeln und erhalten unterschiedliche Summen, kann eine gemeinsame Schicht viel Aufwand sparen. Prüfen Sie zuerst, ob sich die Definitionen bereits gemeinsam nutzen lassen.
| Anzeichen | Ohne Data Warehouse | Möglicher Nutzen |
| Mehrere Quellen | Abgleiche werden in jedem Bericht wiederholt | Integration und gemeinsame Referenzdaten |
| Instabile Historie | Vergangene Werte ändern sich mit dem ERP | Momentaufnahmen und Historisierungsregeln |
| Abweichende KPIs | Jedes Team berechnet seine Zahlen selbst | Gemeinsame Definitionen und gemeinsames Modell |
| Langsame Aktualisierung | Aufwendige Transformationen auf jedem Arbeitsplatz | Zentrale, wiederverwendbare Verarbeitung |
| Mehrere Berichte | Doppelte Verbindungen und Berechtigungen | Gemeinsam verwaltete Grundlage für mehrere Anwendungen |
Wann ein Data Warehouse verfrüht wäre
Eine robustere Architektur löst keinen unklaren Bedarf. Wenn die relevanten Kennzahlen noch offen sind, die Hauptquelle jede Woche wechselt oder niemand für Tests verfügbar ist, stabilisieren Sie zuerst einen Anwendungsfall.
Ein gut aufgebautes Power-BI-Modell kann für eine stabile Quelle, wenige Anwender und eine bereits verlässliche Historie genügen. Eine vollständige Plattform würde dann zusätzlichen Betriebsaufwand verursachen. Der Bedarf soll sich aus der Nutzung ergeben.
Ein Data Mart als praktischer erster Schritt
Für viele KMU genügt ein Data Mart für Vertrieb, Lager oder Finanzen. Sie legen erste Regeln für Historisierung und Qualität in einem überschaubaren Rahmen fest. Bewährt sich dieser Ansatz, können Sie das Modell in eine umfassendere Architektur übernehmen.
Ein Data Mart deckt einen begrenzten Bereich ab, etwa Vertrieb, Lager oder Produktion. Auf dieser Ebene lassen sich bereits Qualitätsregeln, Historie und ein wiederverwendbares Modell umsetzen. Klare Standards erleichtern die spätere Integration in ein grösseres Warehouse.
Was wir vor der Wahl eines Werkzeugs mit Ihnen klären
Welche Anwendungsfälle und Zeiträume sollen abgedeckt sein? Welche Quelle ist für welche Entität führend? Welche Detailtiefe und Historie brauchen Sie? Welche Kontrollen belegen, dass die Ladung vollständig ist? Wer verantwortet die Daten und bestätigt die Definitionen? Wo werden die Daten gehostet und wie werden sie gesichert? Welches Serviceniveau ist erforderlich?
Cloud, lokale Installation oder Hybridbetrieb
Die Cloud verkürzt oft die Einrichtung und bietet anpassbare Kapazität. Eine lokale Installation kann besondere Integrations- oder Souveränitätsanforderungen erfüllen. Hybridbetrieb ist häufig, wenn Quellen vor Ort bleiben und Berichte in der Cloud bereitgestellt werden. Vergleichen Sie Gesamtkosten, Betriebskenntnisse, Sicherheit und die Möglichkeit eines späteren Wechsels.
Datavizin bietet BI-Infrastruktur und Hosting sowie ein Data Starter Pack für ein erstes Datenmodell mit klar definiertem Umfang.
| NÄCHSTER SCHRITT Listen Sie drei Berichte auf, die dieselben Abgleiche wiederholen. Wenn sie mehrere Quellen und die gleichen Definitionen nutzen, kann ein gemeinsamer Data Mart bereits messbaren Nutzen bringen. |