{"id":11351,"date":"2026-08-27T09:00:00","date_gmt":"2026-08-27T09:00:00","guid":{"rendered":"https:\/\/iwis.io\/?p=11351"},"modified":"2026-08-27T23:53:14","modified_gmt":"2026-08-27T23:53:14","slug":"data-platform-for-business","status":"publish","type":"post","link":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/","title":{"rendered":"Data Platform f\u00fcr Unternehmen: ein einheitliches Daten\u00f6kosystem aufbauen"},"content":{"rendered":"","protected":false},"excerpt":{"rendered":"<p>Verstreute Daten in CRM, Werbung und ERP f\u00fchren dazu, dass Abteilungen dieselben Kennzahlen unterschiedlich berechnen. Wir zeigen, was eine Data Platform ist, worin sie sich vom Data Warehouse unterscheidet und wie man sie Schritt f\u00fcr Schritt aufbaut.<\/p>\n","protected":false},"author":9,"featured_media":11330,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[364,358],"tags":[527],"class_list":["post-11351","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-analytics","category-business-intelligence","tag-datenarchitektur"],"acf":{"blog_custom_title":"","blog_featured_image":11355,"blog_custom_excerpt":"Verstreute Daten in CRM, Werbung und ERP f\u00fchren dazu, dass Abteilungen dieselben Kennzahlen unterschiedlich berechnen. Wir zeigen, was eine Data Platform ist, worin sie sich vom Data Warehouse unterscheidet und wie man sie Schritt f\u00fcr Schritt aufbaut.","blog_external_url":"","blog_categories":[358,364],"blog_tags":[527],"blog_featured_post":false,"blog_author":9886,"blog_faq_questions":[11331,11334,11337,11340,11343,11346],"blog_content_blocks":[{"acf_fc_layout":"text_block","text_content":"In der biblischen Geschichte vom Turmbau zu Babel kam der Bau nicht deshalb zum Erliegen, weil Material oder Arbeitskr\u00e4fte fehlten. Die Menschen verstanden die Sprache der anderen nicht mehr, konnten nicht mehr gemeinsam handeln \u2014 und stellten den Bau schlie\u00dflich ein. Es war der Bruch in der Kommunikation, der das gemeinsame Vorhaben zerst\u00f6rte.\r\n\r\nIn Unternehmen spielt sich dieselbe Geschichte regelm\u00e4\u00dfig ab, nur ohne g\u00f6ttliches Eingreifen. Das Marketing z\u00e4hlt Conversions \u00fcber Klicks im Werbekonto, der Vertrieb \u00fcber Deals im CRM, die Finanzabteilung \u00fcber 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.\r\n\r\nGenau diese Zersplitterung ist h\u00e4ufig der Anlass f\u00fcr den Umstieg auf eine <strong>Data Platform f\u00fcr Unternehmen<\/strong>: eine Infrastruktur, die Daten aus verschiedenen Quellen zusammenf\u00fchrt, sie einer gemeinsamen Logik unterwirft und f\u00fcr Analytik und Entscheidungen verf\u00fcgbar 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 Daten\u00f6kosystem im Unternehmen Schritt f\u00fcr Schritt aufbauen l\u00e4sst.\r\n<h2>Was eine Data Platform ist und worin sie sich vom Data Warehouse unterscheidet<\/h2>\r\n<strong>Eine Data Platform einfach erkl\u00e4rt<\/strong> ist die Gesamtheit der Technologien und Prozesse, die Daten aus allen Systemen des Unternehmens sammeln, in ein gemeinsames Format bringen und f\u00fcr Analytik und automatisierte Entscheidungen verf\u00fcgbar machen.\r\n\r\nHier entsteht die Verwirrung: Die Datenplattform wird oft als Synonym f\u00fcr das Data Warehouse verwendet. Das ist sie nicht. Das Warehouse ist nur eine Komponente der Plattform \u2014 diejenige, die f\u00fcr die Speicherung zust\u00e4ndig ist. Die <strong>Data Platform<\/strong> selbst umfasst mehr: Datenquellen, Integrationsmechanismen, die Verarbeitungsschicht, Analysewerkzeuge und die Qualit\u00e4tskontrolle.\r\n\r\nEin Unternehmen kann jahrelang ein Data Warehouse betreiben und trotzdem kein <strong>einheitliches Daten\u00f6kosystem<\/strong> haben: Im Warehouse liegen die Finanzberichte, w\u00e4hrend Daten aus Werbung, CRM und Lager weiterhin getrennt existieren und einmal pro Woche jemand sie von Hand in Excel zusammenf\u00fchrt. Ein Netz aus Quellen, Speichern und Diensten, die nach einheitlichen Regeln fortlaufend Daten austauschen \u2014 das ist das <strong>Data Ecosystem<\/strong> eines Unternehmens.\r\n\r\nUnternehmen, die das <a href=\"https:\/\/iwis.io\/de\/blog\/reporting-automation-enterprise\/\">Berichtswesen im Unternehmen<\/a> bereits automatisiert haben, gehen in der Regel von der punktuellen Automatisierung einzelner Berichte zu einer <strong>unternehmensweiten Datenplattform<\/strong> \u00fcber, die alle Quellen auf einmal abdeckt.\r\n<h2>Aus welchen Komponenten eine moderne Datenplattform besteht<\/h2>\r\nVereinfacht l\u00e4sst sich die <strong>Datenarchitektur<\/strong> einer modernen Plattform in vier Hauptbausteine gliedern: Quellen und Integrationen, Speicher, Analyseschicht und Datenverwaltung. Die konkrete <strong>Data Architecture<\/strong> kann je nach Unternehmensgr\u00f6\u00dfe, Datentypen und Sicherheitsanforderungen komplexer ausfallen.\r\n<h3>Datenquellen und Integrationen<\/h3>\r\nDas sind die Systeme, aus denen die Plattform Daten bezieht: CRM, Werbekonten, ERP, Website, Lager. F\u00fcr die \u00dcbertragung und Transformation von Daten zwischen Systemen werden h\u00e4ufig zwei Ans\u00e4tze eingesetzt:"},{"acf_fc_layout":"list_block","list_title":"","list_type":"ul","list_items":[{"item_text":"ETL (Extract, Transform, Load): Die Daten werden zuerst bereinigt und transformiert und erst danach ins Warehouse geladen. Der Klassiker bei strengen Qualit\u00e4tsanforderungen."},{"item_text":"ELT (Extract, Load, Transform): Die Daten werden zuerst in das Zielsystem geladen, die Transformation erfolgt erst nach dem Laden. Dieser Ansatz funktioniert gut mit modernen Cloud-Plattformen, die es erlauben, die Rechenressourcen des Warehouse selbst zu nutzen."}]},{"acf_fc_layout":"text_block","text_content":"Die Wahl h\u00e4ngt vom Datenvolumen ab und davon, wie komplex die Transformationen vor der Analyse sein m\u00fcssen.\r\n<h3>Speicher (Data Warehouse, Lakehouse)<\/h3>"},{"acf_fc_layout":"table_block","table_header":[{"header_text":"Typ"},{"header_text":"Was gespeichert wird"},{"header_text":"Wann es passt"}],"table_rows":[{"row_cells":[{"cell_content":"Data Warehouse"},{"cell_content":"Strukturierte Daten in einem festen Schema"},{"cell_content":"Finanzberichte, klar definierte BI-Dashboards"}]},{"row_cells":[{"cell_content":"Data Lake (Datensee)"},{"cell_content":"Strukturierte, semistrukturierte und unstrukturierte Daten, oft im Ursprungsformat"},{"cell_content":"Analyse gro\u00dfer Datenmengen, ML und Szenarien, in denen sich die Datenstruktur \u00e4ndern kann"}]},{"row_cells":[{"cell_content":"Data Lakehouse"},{"cell_content":"Hybrid: Rohdaten + strukturierte Abfragen"},{"cell_content":"Wenn sowohl Flexibilit\u00e4t als auch Geschwindigkeit gefragt sind"}]}]},{"acf_fc_layout":"text_block","text_content":"Das Lakehouse-Modell kommt in Szenarien zum Einsatz, in denen die Arbeit mit gro\u00dfen Mengen unverarbeiteter Daten mit der M\u00f6glichkeit strukturierter analytischer Abfragen verbunden werden muss. Die Wahl zwischen Warehouse, Lake und Lakehouse h\u00e4ngt dabei von den Datentypen, den Analyseaufgaben und der vorhandenen Infrastruktur des Unternehmens ab.\r\n<h3>Analytik- und BI-Schicht (Power BI)<\/h3>\r\nDas ist der Teil der Plattform, mit dem F\u00fchrungskr\u00e4fte und Analysten unmittelbar arbeiten: Dashboards, Berichte und automatisierte Analytik. Die aufbereiteten Daten aus dem Warehouse werden an BI-Werkzeuge wie Power BI \u00fcbergeben.\r\n\r\nDas Problem: Die BI-Schicht wird oft f\u00fcr sich allein aufgebaut, ohne ein ordentliches Warehouse darunter. Dann zeigt das Dashboard schlicht dieselben zersplitterten Daten, nur sch\u00f6ner. Deshalb sollte die <a href=\"https:\/\/iwis.io\/de\/service\/business-analytics-bi\/\">Einf\u00fchrung von Business Analytics auf Basis von Power BI<\/a> von vornherein mit Blick auf die Datenarchitektur geplant werden.\r\n<h3>Governance und Sicherheit<\/h3>\r\n<strong>Data Governance<\/strong> 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 <strong>Data Quality<\/strong> \u2014 die Kontrolle von Vollst\u00e4ndigkeit, Genauigkeit und Konsistenz \u2014 und <strong>MDM (Master Data Management)<\/strong>, das hilft, einheitliche Regeln f\u00fcr zentrale Stammdaten wie Kunden oder Produkte aufrechtzuerhalten.\r\n\r\nOhne klare Regeln f\u00fcr die Datenverwaltung kann selbst ein technisch sauberes BI-Projekt auf ein Vertrauensproblem sto\u00dfen: Die Nutzer sehen Zahlen, verstehen aber weder deren Herkunft noch die Berechnungslogik. Weitere Risiken solcher Projekte haben wir im Beitrag <a href=\"https:\/\/iwis.io\/de\/blog\/why-bi-projects-fail\/\">warum die meisten Business-Intelligence-Projekte scheitern<\/a> beleuchtet.\r\n<h2>Die Phasen beim Aufbau einer Data Platform<\/h2>\r\n<h3>Audit der bestehenden Systeme<\/h3>\r\nBevor Technologien ausgew\u00e4hlt werden, muss klar sein, was bereits vorhanden ist: wie viele Systeme Daten erzeugen, wer sie nutzt und wie verl\u00e4sslich sie sind. Das Audit beantwortet drei Fragen:"},{"acf_fc_layout":"list_block","list_title":"","list_type":"ul","list_items":[{"item_text":"welche Quellen kritisch sind und welche Ballast;"},{"item_text":"an welchen Stellen die Daten zwischen den Systemen auseinanderlaufen;"},{"item_text":"welche Prozesse bereits automatisiert sind und welche auf manuell zusammengestellten Berichten beruhen."}]},{"acf_fc_layout":"text_block","text_content":"<h3>Wahl der Architektur und der Werkzeuge<\/h3>\r\nAuf Basis des Audits wird die <strong>Data Architecture<\/strong> festgelegt: der Weg der Daten von den Quellen bis zu den Berichten. F\u00fcr 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 w\u00e4chst der Bedarf an einer <strong>einheitlichen Datenplattform<\/strong> mit durchdachter, skalierbarer Architektur.\r\n<h3>Aufbau von ETL\/ELT<\/h3>\r\nPassend zur Architektur werden Datenpipelines gebaut, die regelm\u00e4\u00dfig Daten aus den Quellen ins Warehouse \u00fcbertragen, und die Transformationsregeln festgelegt: wie mit doppelten Kundendatens\u00e4tzen umzugehen ist, nach welchen Regeln Deal-Status gez\u00e4hlt werden. In dieser Phase werden Probleme mit der <strong>Data Quality<\/strong> besonders sichtbar: etwa wenn ein und derselbe Kunde im CRM als Iwan Petrenko und im ERP als Petrenko I. gef\u00fchrt wird, sodass das System beide als unterschiedliche Datens\u00e4tze behandeln kann.\r\n<h3>Anbindung der BI-Schicht<\/h3>\r\nDie 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 Qualit\u00e4tsregeln definiert, wird die Anbindung der BI-Schicht deutlich planbarer. Wie aufwendig diese Phase ist, h\u00e4ngt dennoch von der Zahl der Berichte, der Gesch\u00e4ftslogik, dem Berechtigungsmodell und den Performance-Anforderungen ab.\r\n<h2>Typische Fehler beim Aufbau einer Data Platform<\/h2>"},{"acf_fc_layout":"list_block","list_title":"","list_type":"ul","list_items":[{"item_text":"Mit BI beginnen statt mit den Daten: Das Dashboard wird direkt an zersplitterte Quellen angebunden, und das Ergebnis ist eine sch\u00f6ne Visualisierung ungenauer Zahlen."},{"item_text":"Das Audit \u00fcberspringen: Die Plattform wird nur f\u00fcr einen Teil der Daten gebaut, der Rest lebt weiter in Excel."},{"item_text":"Governance von Anfang an ignorieren: Zugriffsregeln werden erst nach dem Start eingef\u00fchrt, und die Pipelines m\u00fcssen \u00fcberarbeitet werden."},{"item_text":"Die Architektur nach Mode w\u00e4hlen: Ein Data Lake wird eingef\u00fchrt, weil gro\u00dfe Unternehmen es so machen, obwohl ein gew\u00f6hnliches Warehouse gereicht h\u00e4tte."},{"item_text":"Keine Verantwortlichen f\u00fcr Datenqualit\u00e4t benennen: MDM und Dublettenkontrolle bleiben ein Bereich, f\u00fcr den sich niemand zust\u00e4ndig f\u00fchlt."}]},{"acf_fc_layout":"text_block","text_content":"Schon einer dieser Fehler kann das Projektergebnis erheblich beeinflussen. H\u00e4ufen sich die Probleme, riskiert das Unternehmen ein teures System, dem die Nutzer nicht vertrauen und das sie weiterhin mit Excel und manuellen Berichten umgehen.\r\n<h2>IWIS-Case: Aufbau einer Datenplattform f\u00fcr ein Pharmaunternehmen<\/h2>\r\n<a href=\"https:\/\/iwis.io\/de\/results\/planeta-kino-mobile-application\/yuria-farm\/\"><strong>Yuria-Pharm<\/strong><\/a> ist eines der Top-5-Pharmaunternehmen der Ukraine, seit \u00fcber 20 Jahren am Markt und exportiert in mehr als 40 L\u00e4nder. Die Daten des Unternehmens verteilten sich auf Dutzende getrennte Quellen, die nicht in ein einheitliches System integriert waren. Im Projekt auditierte das IWIS-Team \u00fcber 15 Quellen, darunter ERP-, CRM- und BI-Systeme.\r\n\r\nDie zersplitterten Quellen erschwerten die Analytik und verz\u00f6gerten die Erstellung der Berichte, von denen ein Teil manuell aufgebaut wurde. Das Fehlen eines einheitlichen Warehouse und einer schl\u00fcssigen Architekturvision bremste zudem den Start neuer Dateninitiativen.\r\n\r\nDas IWIS-Team begann mit Interviews mit den wichtigsten Stakeholdern und f\u00fchrte anschlie\u00dfend ein Audit der bestehenden Datenquellen durch. Auf Basis der gesammelten Informationen entstand die Architekturvision f\u00fcr das neue Data Warehouse, dazu ein stufenweiser Migrationsplan, eine Budgetsch\u00e4tzung und Empfehlungen f\u00fcr die Weiterentwicklung der Dateninfrastruktur.\r\n\r\nDieses Projekt zeigt, wie die <strong>Phasen beim Aufbau einer Data Platform<\/strong> aussehen k\u00f6nnen: zuerst die Analyse des Ist-Zustands und das Audit der Quellen, dann der Entwurf der Zielarchitektur und die Planung der technischen Umsetzung."},{"acf_fc_layout":"cta_block","cta_title":"Kostenlose Beratung von IWIS","cta_text":"Die Architekturentscheidungen, die beim Aufbau einer Data Platform getroffen werden, bestimmen, wie leicht ein Unternehmen sp\u00e4ter neue Quellen anbinden, seine Analytik skalieren und die Datenqualit\u00e4t sichern kann. Das IWIS-Team auditiert Ihre bestehenden Systeme, hilft bei der Wahl einer Architektur, die zu Ihrem Gesch\u00e4ft passt, und begleitet das Projekt von Discovery bis zur Anbindung der BI-Schicht. Senden Sie uns eine Anfrage, und wir schlagen Ihnen konkrete Schritte f\u00fcr Ihren Fall vor.","cta_button_label":"Beratung anfragen","cta_button_url":"https:\/\/iwis.io\/de\/contact\/"}]},"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Data Platform f\u00fcr Unternehmen: Daten\u00f6kosystem aufbauen 2026 | IWIS<\/title>\n<meta name=\"description\" content=\"Was eine Data Platform ist und worin sie sich vom Data Warehouse unterscheidet. Komponenten, Phasen und typische Fehler \u2014 mit IWIS-Case.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Data Platform f\u00fcr Unternehmen: Daten\u00f6kosystem aufbauen 2026 | IWIS\" \/>\n<meta property=\"og:description\" content=\"Was eine Data Platform ist und worin sie sich vom Data Warehouse unterscheidet. Komponenten, Phasen und typische Fehler \u2014 mit IWIS-Case.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/\" \/>\n<meta property=\"og:site_name\" content=\"iwis\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/IWIS.UKRAINE\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-08-27T09:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-08-27T23:53:14+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/iwis.io\/wp-content\/uploads\/2026\/08\/Background-1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1080\" \/>\n\t<meta property=\"og:image:height\" content=\"1080\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Olena Levkivska\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Olena Levkivska\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"1\u00a0Minute\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Data Platform f\u00fcr Unternehmen: Daten\u00f6kosystem aufbauen 2026 | IWIS","description":"Was eine Data Platform ist und worin sie sich vom Data Warehouse unterscheidet. Komponenten, Phasen und typische Fehler \u2014 mit IWIS-Case.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/","og_locale":"de_DE","og_type":"article","og_title":"Data Platform f\u00fcr Unternehmen: Daten\u00f6kosystem aufbauen 2026 | IWIS","og_description":"Was eine Data Platform ist und worin sie sich vom Data Warehouse unterscheidet. Komponenten, Phasen und typische Fehler \u2014 mit IWIS-Case.","og_url":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/","og_site_name":"iwis","article_publisher":"https:\/\/www.facebook.com\/IWIS.UKRAINE\/","article_published_time":"2026-08-27T09:00:00+00:00","article_modified_time":"2026-08-27T23:53:14+00:00","og_image":[{"width":1080,"height":1080,"url":"https:\/\/iwis.io\/wp-content\/uploads\/2026\/08\/Background-1.png","type":"image\/png"}],"author":"Olena Levkivska","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Olena Levkivska","Gesch\u00e4tzte Lesezeit":"1\u00a0Minute"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/#article","isPartOf":{"@id":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/"},"author":{"name":"Olena Levkivska","@id":"https:\/\/iwis.io\/de\/#\/schema\/person\/cd9747920f4acca42ae2425ce2974572"},"headline":"Data Platform f\u00fcr Unternehmen: ein einheitliches Daten\u00f6kosystem aufbauen","datePublished":"2026-08-27T09:00:00+00:00","dateModified":"2026-08-27T23:53:14+00:00","mainEntityOfPage":{"@id":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/"},"wordCount":10,"publisher":{"@id":"https:\/\/iwis.io\/de\/#organization"},"image":{"@id":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/#primaryimage"},"thumbnailUrl":"https:\/\/iwis.io\/wp-content\/uploads\/2026\/08\/Background-1.png","keywords":["Datenarchitektur"],"articleSection":["Analytik","Business Intelligence"],"inLanguage":"de"},{"@type":"WebPage","@id":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/","url":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/","name":"Data Platform f\u00fcr Unternehmen: Daten\u00f6kosystem aufbauen 2026 | IWIS","isPartOf":{"@id":"https:\/\/iwis.io\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/#primaryimage"},"image":{"@id":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/#primaryimage"},"thumbnailUrl":"https:\/\/iwis.io\/wp-content\/uploads\/2026\/08\/Background-1.png","datePublished":"2026-08-27T09:00:00+00:00","dateModified":"2026-08-27T23:53:14+00:00","description":"Was eine Data Platform ist und worin sie sich vom Data Warehouse unterscheidet. Komponenten, Phasen und typische Fehler \u2014 mit IWIS-Case.","breadcrumb":{"@id":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/#primaryimage","url":"https:\/\/iwis.io\/wp-content\/uploads\/2026\/08\/Background-1.png","contentUrl":"https:\/\/iwis.io\/wp-content\/uploads\/2026\/08\/Background-1.png","width":1080,"height":1080},{"@type":"BreadcrumbList","@id":"https:\/\/iwis.io\/de\/blog\/data-platform-for-business\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/iwis.io\/de\/startseite\/"},{"@type":"ListItem","position":2,"name":"Data Platform f\u00fcr Unternehmen: ein einheitliches Daten\u00f6kosystem aufbauen"}]},{"@type":"WebSite","@id":"https:\/\/iwis.io\/de\/#website","url":"https:\/\/iwis.io\/de\/","name":"IWIS","description":"","publisher":{"@id":"https:\/\/iwis.io\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/iwis.io\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/iwis.io\/de\/#organization","name":"IWIS","url":"https:\/\/iwis.io\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/iwis.io\/de\/#\/schema\/logo\/image\/","url":"https:\/\/iwis.io\/wp-content\/uploads\/2026\/01\/cropped-main-favicon.png","contentUrl":"https:\/\/iwis.io\/wp-content\/uploads\/2026\/01\/cropped-main-favicon.png","width":512,"height":512,"caption":"IWIS"},"image":{"@id":"https:\/\/iwis.io\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/IWIS.UKRAINE\/","https:\/\/www.linkedin.com\/company\/iwis-ukraine\/"]},{"@type":"Person","@id":"https:\/\/iwis.io\/de\/#\/schema\/person\/cd9747920f4acca42ae2425ce2974572","name":"Olena Levkivska","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/444cefcd498456f4824115ade740b05196590bdf80f6930403141c1bb2904aeb?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/444cefcd498456f4824115ade740b05196590bdf80f6930403141c1bb2904aeb?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/444cefcd498456f4824115ade740b05196590bdf80f6930403141c1bb2904aeb?s=96&d=mm&r=g","caption":"Olena Levkivska"},"url":"https:\/\/iwis.io\/de\/author\/olena\/"}]}},"_links":{"self":[{"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/posts\/11351","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/users\/9"}],"replies":[{"embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/comments?post=11351"}],"version-history":[{"count":1,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/posts\/11351\/revisions"}],"predecessor-version":[{"id":11356,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/posts\/11351\/revisions\/11356"}],"acf:post":[{"embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/faq\/11346"},{"embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/faq\/11343"},{"embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/faq\/11340"},{"embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/faq\/11337"},{"embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/faq\/11334"},{"embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/faq\/11331"},{"embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/author_profile\/9886"}],"acf:term":[{"embeddable":true,"taxonomy":"post_tag","href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/tags\/527"},{"embeddable":true,"taxonomy":"category","href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/categories\/364"},{"embeddable":true,"taxonomy":"category","href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/categories\/358"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/media\/11330"}],"wp:attachment":[{"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/media?parent=11351"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/categories?post=11351"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/iwis.io\/de\/wp-json\/wp\/v2\/tags?post=11351"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}