Ein Data Warehouse ist eine für Auswertung und historische Betrachtung aufgebaute Datenbasis. Es übernimmt Daten aus operativen Systemen, vereinheitlicht sie nach fachlichen Regeln und stellt sie für Berichte und Analysen bereit. Die operativen Anwendungen bleiben dabei in der Regel führend für den laufenden Vorgang.
Der wichtigste Nutzen ist nicht „alle Daten an einem Ort“, sondern eine konsistente, zeitbezogene Sicht über mehrere Quellen.
Welches Problem löst ein Data Warehouse?
Operative Systeme sind für Aufträge, Buchungen oder Kundenkontakte optimiert. Unternehmensweite Fragen überschreiten oft ihre Grenzen:
- Wie entwickelt sich die Lieferfähigkeit nach Produktgruppe und Region?
- Welche Vertriebsaktivität führt später zu welchem Auftrag?
- Wie haben sich Kennzahlen nach einer Prozessänderung entwickelt?
- Welcher damalige Kunden- oder Produktstatus galt zum Zeitpunkt eines Vorgangs?
Direkte Berichte aus mehreren Systemen liefern häufig widersprüchliche Identitäten, Zeitbezüge und Definitionen. Ein Data Warehouse kann diese Unterschiede kontrolliert zusammenführen und historische Zustände erhalten.
Typischer Informationsfluss
- Daten werden aus definierten Quellen übernommen.
- Qualität und Vollständigkeit werden geprüft.
- Identitäten, Formate und Begriffe werden vereinheitlicht.
- Fachliche Regeln erzeugen nachvollziehbare Analyseobjekte.
- Historie und Ladezeitpunkt werden erhalten.
- Freigegebene Datenmodelle versorgen Berichte und Analysen.
Rohdaten, Transformation und veröffentlichte Kennzahl sollten so verbunden sein, dass Herkunft und Berechnung nachvollziehbar bleiben.
Wann ist ein Data Warehouse sinnvoll?
Ein eigener analytischer Bestand wird wahrscheinlicher sinnvoll, wenn:
- mehrere operative Systeme gemeinsam ausgewertet werden,
- historische Zustände und Definitionen wichtig sind,
- wiederkehrende Berichte dieselben Datenaufbereitungen benötigen,
- komplexe Abfragen den operativen Betrieb belasten,
- unterschiedliche Bereiche eine verbindliche Kennzahlenbasis brauchen,
- Datenherkunft und Transformation nachweisbar sein müssen.
Wann ist es noch nicht nötig?
Kein Data Warehouse braucht es allein für ein modernes Dashboard. Eine einfachere Lösung kann reichen, wenn:
- nur eine verlässliche Quelle genutzt wird,
- wenige Auswertungen direkt in der Fachanwendung möglich sind,
- Definitionen und Verantwortliche noch ungeklärt sind,
- Datenqualität im Quellprozess nicht beherrscht wird,
- Berichte kaum genutzt werden,
- der Pflegeaufwand die betriebliche Wirkung übersteigt.
Eine zentrale Plattform repariert keine unklaren Begriffe. Sie macht Widersprüche zunächst nur sichtbarer.
Welche Verantwortung entsteht?
Ein Data Warehouse braucht fachliche und technische Eigentümerschaft:
- Wer verantwortet die Definition einer Kennzahl?
- Welches Quellsystem ist für welches Objekt führend?
- Wie werden fehlerhafte oder verspätete Lieferungen behandelt?
- Wer darf welche Detaildaten sehen?
- Wie werden Änderungen an Quellen und Modellen getestet?
- Wann werden historische und personenbezogene Daten gelöscht?
- Wie wird der Betrieb überwacht und wiederhergestellt?
Ohne diese Regeln wächst eine zweite, schwer erklärbare Wirklichkeit neben den operativen Systemen.
Data Warehouse, Data Lake und andere Begriffe
Ein Data Lake speichert häufig große Mengen unterschiedlich strukturierter Rohdaten flexibler. Ein Data Warehouse stellt stärker modellierte und kontrollierte Daten für wiederkehrende Auswertungen bereit. Moderne Plattformen können Eigenschaften kombinieren.
Für die betriebliche Entscheidung sind Produktkategorien nachrangig. Entscheidend ist, welche Schichten für Rohdaten, geprüfte Bedeutung, Historie und freigegebene Nutzung benötigt werden.
Klein und frageorientiert beginnen
Ein sinnvoller Einstieg umfasst wenige priorisierte Fragen und einen durchgängigen Datenweg:
- Entscheidung und Kennzahl definieren.
- Relevante Quellen und Verantwortliche bestimmen.
- Bedeutung, Qualität und Zeitbezug klären.
- Einen begrenzten Datenbestand aufbauen.
- Bericht und Rückverfolgung zur Quelle testen.
- Nutzung und Pflegeaufwand bewerten.
- Erst danach weitere Bereiche anbinden.
Ein Data Warehouse ist dann wertvoll, wenn es nicht nur Daten sammelt, sondern eine geteilte, nachvollziehbare Grundlage für wiederkehrende Entscheidungen schafft.