Data Platform für Unternehmen: ein einheitliches Datenökosystem aufbauen

In der biblischen Geschichte vom Turmbau zu Babel kam der Bau nicht deshalb zum Erliegen, weil Material oder Arbeitskräfte fehlten. Die Menschen verstanden die Sprache der anderen nicht mehr, konnten nicht mehr gemeinsam handeln — und stellten den Bau schließlich ein. Es war der Bruch in der Kommunikation, der das gemeinsame Vorhaben zerstörte.

In Unternehmen spielt sich dieselbe Geschichte regelmäßig ab, nur ohne göttliches Eingreifen. Das Marketing zählt Conversions über Klicks im Werbekonto, der Vertrieb über Deals im CRM, die Finanzabteilung über bezahlte Rechnungen. In einem Meeting fragt jemand, wie viele Kunden in diesem Monat gewonnen wurden, und drei Abteilungen nennen drei verschiedene Zahlen, von denen jede auf ihre Weise richtig ist.

Genau diese Zersplitterung ist häufig der Anlass für den Umstieg auf eine Data Platform für Unternehmen: eine Infrastruktur, die Daten aus verschiedenen Quellen zusammenführt, sie einer gemeinsamen Logik unterwirft und für Analytik und Entscheidungen verfügbar macht. In diesem Artikel sehen wir uns an, aus welchen Komponenten sie besteht, worin sie sich vom Data Warehouse unterscheidet und wie sich ein einheitliches Datenökosystem im Unternehmen Schritt für Schritt aufbauen lässt.

Was eine Data Platform ist und worin sie sich vom Data Warehouse unterscheidet

Eine Data Platform einfach erklärt ist die Gesamtheit der Technologien und Prozesse, die Daten aus allen Systemen des Unternehmens sammeln, in ein gemeinsames Format bringen und für Analytik und automatisierte Entscheidungen verfügbar machen.

Hier entsteht die Verwirrung: Die Datenplattform wird oft als Synonym für das Data Warehouse verwendet. Das ist sie nicht. Das Warehouse ist nur eine Komponente der Plattform — diejenige, die für die Speicherung zuständig ist. Die Data Platform selbst umfasst mehr: Datenquellen, Integrationsmechanismen, die Verarbeitungsschicht, Analysewerkzeuge und die Qualitätskontrolle.

Ein Unternehmen kann jahrelang ein Data Warehouse betreiben und trotzdem kein einheitliches Datenökosystem haben: Im Warehouse liegen die Finanzberichte, während Daten aus Werbung, CRM und Lager weiterhin getrennt existieren und einmal pro Woche jemand sie von Hand in Excel zusammenführt. Ein Netz aus Quellen, Speichern und Diensten, die nach einheitlichen Regeln fortlaufend Daten austauschen — das ist das Data Ecosystem eines Unternehmens.

Unternehmen, die das Berichtswesen im Unternehmen bereits automatisiert haben, gehen in der Regel von der punktuellen Automatisierung einzelner Berichte zu einer unternehmensweiten Datenplattform über, die alle Quellen auf einmal abdeckt.

Aus welchen Komponenten eine moderne Datenplattform besteht

Vereinfacht lässt sich die Datenarchitektur einer modernen Plattform in vier Hauptbausteine gliedern: Quellen und Integrationen, Speicher, Analyseschicht und Datenverwaltung. Die konkrete Data Architecture kann je nach Unternehmensgröße, Datentypen und Sicherheitsanforderungen komplexer ausfallen.

Datenquellen und Integrationen

Das sind die Systeme, aus denen die Plattform Daten bezieht: CRM, Werbekonten, ERP, Website, Lager. Für die Übertragung und Transformation von Daten zwischen Systemen werden häufig zwei Ansätze eingesetzt:

Die Wahl hängt vom Datenvolumen ab und davon, wie komplex die Transformationen vor der Analyse sein müssen.

Speicher (Data Warehouse, Lakehouse)

Das Lakehouse-Modell kommt in Szenarien zum Einsatz, in denen die Arbeit mit großen Mengen unverarbeiteter Daten mit der Möglichkeit strukturierter analytischer Abfragen verbunden werden muss. Die Wahl zwischen Warehouse, Lake und Lakehouse hängt dabei von den Datentypen, den Analyseaufgaben und der vorhandenen Infrastruktur des Unternehmens ab.

Analytik- und BI-Schicht (Power BI)

Das ist der Teil der Plattform, mit dem Führungskräfte und Analysten unmittelbar arbeiten: Dashboards, Berichte und automatisierte Analytik. Die aufbereiteten Daten aus dem Warehouse werden an BI-Werkzeuge wie Power BI übergeben.

Das Problem: Die BI-Schicht wird oft für sich allein aufgebaut, ohne ein ordentliches Warehouse darunter. Dann zeigt das Dashboard schlicht dieselben zersplitterten Daten, nur schöner. Deshalb sollte die Einführung von Business Analytics auf Basis von Power BI von vornherein mit Blick auf die Datenarchitektur geplant werden.

Governance und Sicherheit

Data Governance ist das System aus Regeln, Rollen und Prozessen, mit dem ein Unternehmen seine Daten steuert: Es legt Zugriffsrechte, Verantwortliche, Standards und Anforderungen an die Nutzung von Informationen fest. Wichtige Bestandteile der Arbeit mit Daten sind Data Quality — die Kontrolle von Vollständigkeit, Genauigkeit und Konsistenz — und MDM (Master Data Management), das hilft, einheitliche Regeln für zentrale Stammdaten wie Kunden oder Produkte aufrechtzuerhalten.

Ohne klare Regeln für die Datenverwaltung kann selbst ein technisch sauberes BI-Projekt auf ein Vertrauensproblem stoßen: Die Nutzer sehen Zahlen, verstehen aber weder deren Herkunft noch die Berechnungslogik. Weitere Risiken solcher Projekte haben wir im Beitrag warum die meisten Business-Intelligence-Projekte scheitern beleuchtet.

Die Phasen beim Aufbau einer Data Platform

Audit der bestehenden Systeme

Bevor Technologien ausgewählt werden, muss klar sein, was bereits vorhanden ist: wie viele Systeme Daten erzeugen, wer sie nutzt und wie verlässlich sie sind. Das Audit beantwortet drei Fragen:

Wahl der Architektur und der Werkzeuge

Auf Basis des Audits wird die Data Architecture festgelegt: der Weg der Daten von den Quellen bis zu den Berichten. Für ein Unternehmen mit wenigen Quellen kann eine vergleichsweise einfache Architektur aus Warehouse und BI-Schicht ausreichen. Mit der Zahl der Systeme, dem Datenvolumen und den Anforderungen an die Konsistenz wächst der Bedarf an einer einheitlichen Datenplattform mit durchdachter, skalierbarer Architektur.

Aufbau von ETL/ELT

Passend zur Architektur werden Datenpipelines gebaut, die regelmäßig Daten aus den Quellen ins Warehouse übertragen, und die Transformationsregeln festgelegt: wie mit doppelten Kundendatensätzen umzugehen ist, nach welchen Regeln Deal-Status gezählt werden. In dieser Phase werden Probleme mit der Data Quality besonders sichtbar: etwa wenn ein und derselbe Kunde im CRM als Iwan Petrenko und im ERP als Petrenko I. geführt wird, sodass das System beide als unterschiedliche Datensätze behandeln kann.

Anbindung der BI-Schicht

Die letzte Phase ist die Anbindung des Analysewerkzeugs an die bereits aufbereiteten Daten: Dashboards, automatische Aktualisierung der Berichte, Verteilung der Zugriffsrechte. Sind die Quellen bereits integriert und die Transformations- und Qualitätsregeln definiert, wird die Anbindung der BI-Schicht deutlich planbarer. Wie aufwendig diese Phase ist, hängt dennoch von der Zahl der Berichte, der Geschäftslogik, dem Berechtigungsmodell und den Performance-Anforderungen ab.

Typische Fehler beim Aufbau einer Data Platform

Schon einer dieser Fehler kann das Projektergebnis erheblich beeinflussen. Häufen sich die Probleme, riskiert das Unternehmen ein teures System, dem die Nutzer nicht vertrauen und das sie weiterhin mit Excel und manuellen Berichten umgehen.

IWIS-Case: Aufbau einer Datenplattform für ein Pharmaunternehmen

Yuria-Pharm ist eines der Top-5-Pharmaunternehmen der Ukraine, seit über 20 Jahren am Markt und exportiert in mehr als 40 Länder. Die Daten des Unternehmens verteilten sich auf Dutzende getrennte Quellen, die nicht in ein einheitliches System integriert waren. Im Projekt auditierte das IWIS-Team über 15 Quellen, darunter ERP-, CRM- und BI-Systeme.

Die zersplitterten Quellen erschwerten die Analytik und verzögerten die Erstellung der Berichte, von denen ein Teil manuell aufgebaut wurde. Das Fehlen eines einheitlichen Warehouse und einer schlüssigen Architekturvision bremste zudem den Start neuer Dateninitiativen.

Das IWIS-Team begann mit Interviews mit den wichtigsten Stakeholdern und führte anschließend ein Audit der bestehenden Datenquellen durch. Auf Basis der gesammelten Informationen entstand die Architekturvision für das neue Data Warehouse, dazu ein stufenweiser Migrationsplan, eine Budgetschätzung und Empfehlungen für die Weiterentwicklung der Dateninfrastruktur.

Dieses Projekt zeigt, wie die Phasen beim Aufbau einer Data Platform aussehen können: zuerst die Analyse des Ist-Zustands und das Audit der Quellen, dann der Entwurf der Zielarchitektur und die Planung der technischen Umsetzung.