Was ist ein Data Mart?

Ein Data Mart ist eine fokussierte Teilmenge eines Data Warehouse, entworfen und optimiert für den Bedarf einer einzelnen Funktion, eines Teams oder eines Themengebiets, also Vertrieb, Finanzen, Marketing oder Lieferkette. Wo ein Data Warehouse die integrierten Daten einer ganzen Organisation hält, schneidet ein Data Mart genau die Daten heraus, die eine Gruppe braucht, geformt zu den Kennzahlen und Strukturen, die diese Gruppe täglich nutzt. Er ist die „abteilungsnahe“ Schicht der Analytik: kleiner, enger und auf schnelle, passende Antworten auf die Fragen einer Domäne abgestimmt.

Data Marts zählen, weil sie ein echtes Problem der Nutzbarkeit lösen. Ein Warehouse im Unternehmen ist groß, komplex und auf Allgemeinheit hin modelliert; einen Analysten der Finanzen durch dieses Modell navigieren zu lassen, um den Monatsabschluss zu bauen, ist langsam und fehleranfällig. Ein Data Mart der Finanzen gibt ihm genau die Tabellen, Kennzahlen und die Granularität, die er braucht, also schnellere Abfragen, einfachere Modelle und weniger Wege zur falschen Zahl. Doch dieselbe Fokussierung, die Marts nützlich macht, ist auch ihr klassisches Risiko: Baut jedes Team seinen Mart für sich, endet die Organisation bei widersprüchlichen Versionen von „Umsatz“, und genau diese Zersplitterung ist es, zu deren Behebung später der Semantic Layer entstand.

Data Mart im Überblick

Ein Data Mart wird typischerweise um ein einzelnes Thema herum gebaut und dimensional modelliert: eine zentrale Faktentabelle (Bestellungen, Transaktionen, Ereignisse), umgeben von Dimensionstabellen (Kunde, Produkt, Zeit), in einem Sternschema, das für Analysten eingängig und für BI-Werkzeuge schnell abzufragen ist. Sein Zuschnitt ist bewusst eng: Er enthält die Daten, die eine Funktion braucht, und schließt alles andere aus, was ihn klein und leistungsfähig hält.

In der klassischen Architektur des Warehouse sind Data Marts die konsumierende Schicht. Rohdaten werden im zentralen Warehouse integriert und bereinigt; die Data Marts stellen dann kuratierte Ausschnitte dieser integrierten Daten für bestimmte Zielgruppen bereit. Der Mart ist der Ort, an dem der durchschnittliche Nutzer aus dem Fachbereich den Daten tatsächlich begegnet, denn das Warehouse berührt er selten direkt.

Data Mart und Data Warehouse

Die beiden werden oft verwechselt, doch der Unterschied liegt in Zuschnitt und Zielgruppe:

• Zuschnitt. Ein Warehouse spannt sich über die ganze Organisation und integriert viele Themen; ein Mart deckt ein einzelnes Thema oder eine einzelne Funktion ab.
• Größe. Warehouses sind groß (Terabyte bis Petabyte); Marts sind kleine Teilmengen.
• Zielgruppe. Ein Warehouse bedient das Unternehmen und die zentralen Datenteams; ein Mart bedient eine Abteilung.
• Entwurf. Ein Warehouse ist auf Integration und Allgemeinheit hin modelliert; ein Mart auf die konkreten Abfragen einer Gruppe.

Das Verhältnis ist hierarchisch: Das Warehouse ist die integrierte, einheitliche Quelle, und die Marts sind daraus gezogene kuratierte Sichten. Ein nützliches Bild: Das Warehouse ist das zentrale Verteilzentrum der Supermarktkette, die Data Marts sind die einzelnen Läden im Viertel, die von dort für ihre Kundschaft bestückt werden.

Arten von Data Marts

Data Marts werden danach eingeteilt, woher sie ihre Daten beziehen, und diese Wahl hat große Folgen für die Governance:

• Abhängig. Aus dem zentralen Data Warehouse gespeist. Weil jeder Mart aus einer integrierten, gesteuerten Quelle zieht, bleiben die Definitionen über alle hinweg einheitlich. Das ist der empfohlene, gesteuerte Weg.
• Unabhängig. Eigenständig gebaut, direkt aus den Quellsystemen gezogen, ohne den Weg über ein Warehouse. Schnell aufgesetzt, doch jeder wird zu einem Silo mit eigenen Definitionen, der klassische Weg zu widersprüchlichen Kennzahlen.
• Hybrid. Eine Mischung, die aus einem Warehouse und aus direkten Quellen zieht, pragmatisch, aber auf sorgfältige Governance angewiesen, damit nichts auseinanderdriftet.

Die Unterscheidung zwischen abhängig und unabhängig ist in Wahrheit eine Unterscheidung der Governance: Abhängige Marts erben eine einheitliche Datenbasis; unabhängige Marts erfinden jeweils ihre eigene.

Nutzen und Abwägungen

Nutzen: schnellere Abfragen (weniger Daten zu durchsuchen), einfachere und auf eine Zielgruppe abgestimmte Modelle, geringere Kosten, Autonomie des Teams und eine sanftere Lernkurve als beim ganzen Warehouse. Für eine Abteilung, die einfach schnell ihre Zahlen braucht, ist ein Mart ideal.

Abwägungen: Das beherrschende Risiko ist die Zersplitterung, also immer mehr Marts mit je eigener Logik, die uneinheitliche Kennzahlen erzeugen und das Vertrauen aushöhlen („warum stimmt der Umsatz des Vertriebs nicht mit dem der Finanzen überein?“). Dazu kommen die Duplikation von Daten und Aufwand sowie der Pflegeaufwand, wenn sich Marts vermehren. Diese Risiken sind der Grund, warum die Branche sich zentralen Semantic Layern zugewandt hat, die Kennzahlen einmal für alle definieren, eine unmittelbare Antwort auf den Wildwuchs der Data Marts (der Gegensatz wird in Semantic Layer und klassische Data Marts im Vergleich ausgeführt).

Wie Dawiso Marts steuert

Data Marts sind nicht das Problem; ungesteuerte Data Marts sind es. Der Weg, ihr Tempo und ihre Autonomie ohne die Zersplitterung zu behalten, führt darüber, die Definitionen zu steuern, die durch sie hindurchfließen, und genau das leisten ein Datenkatalog und ein Business Glossary. Dawiso katalogisiert jeden Mart neben dem Warehouse und den Quellen, sodass die ganze Landschaft an einem Ort auffindbar ist; das Business Glossary hält fest, was jede Kennzahl bedeutet, also eine vereinbarte Definition von „Umsatz“ oder „aktiver Kunde“, sodass sich abhängige und unabhängige Marts gleichermaßen gegen eine gemeinsame Wahrheit prüfen lassen. Die interaktive Data Lineage zeigt dann, aus welchem Mart eine Zahl stammt und welche Quelle ihn gespeist hat, womit widersprüchliche Kennzahlen bis zu ihrer Ursache nachvollziehbar werden statt Gegenstand endloser Sitzungen zu bleiben. Marts bleiben schnell und lokal; die Governance hält sie ehrlich.

Fazit

Ein Data Mart ist der fokussierte, abteilungsnahe Ausschnitt der Analytik, eine Teilmenge des Warehouse, so abgestimmt, dass ein Team seine Antworten schnell und einfach bekommt. Gut eingesetzt, besonders als abhängige Marts aus einem einzigen gesteuerten Warehouse, liefern sie echtes Tempo und echte Autonomie. Nachlässig eingesetzt, als unabhängige Silos, zersplittern sie die Kennzahlen der Organisation und zerstören still das Vertrauen in die Zahlen. Den Ausschlag gibt die Governance: jeden Mart katalogisieren, jede Kennzahl einmal in einem gemeinsamen Glossar definieren und jede Zahl bis zu ihrer Quelle verfolgen. Tun Sie das, dann bleiben Data Marts ein nützliches Werkzeug, statt zum Ursprung der Debatte darüber zu werden, wessen Umsatz nun stimmt.