Semantic Layer und klassische Data Marts im Vergleich

Der Semantic Layer und der klassische Data Mart sind zwei Antworten auf dieselbe dauerhafte Frage: Wie geben Sie den Fachbereichen einheitliche, verständliche und analysefertige Daten? Der Data Mart war die klassische Antwort, nämlich für jedes Team eine kuratierte, fachlich zugeschnittene Teilmenge des Warehouse zu bauen. Der Semantic Layer ist die moderne Antwort, nämlich Kennzahlen und fachliche Bedeutung einmal zu definieren, in einer zentralen Schicht, die jedes Werkzeug nutzt. Den Unterschied zu verstehen, heißt im Kern zu verstehen, wie die Architektur der Analytik die größte Schwäche der Mart-Ära behoben hat: uneinheitliche Kennzahlen.

Dieser Vergleich zählt, weil die Wahl darüber entscheidet, ob eine Organisation eine Version der Wahrheit hat oder viele. Beide Ansätze machen Daten nutzbarer; nur einer von ihnen hält die Definitionen im ganzen Unternehmen von sich aus einheitlich. In dem Maß, in dem Unternehmen BI, Augmented Analytics und KI einsetzen, die sich alle darüber einig sein müssen, was „Umsatz“ bedeutet, haben die Grenzen der Marts je Team den Semantic Layer von einer netten Idee zu einer nahezu zwingenden Notwendigkeit gemacht.

Das Problem, das beide lösen

Rohe Tabellen im Warehouse sind nichts, was eine Analystin direkt abfragen sollte. Sie sind für die Integration modelliert, voller kryptischer Spaltennamen und Join-Logik, und sie enthalten keine vereinbarte Vorstellung davon, was „aktiver Kunde“ oder „Nettoumsatz“ bedeutet. Sich selbst überlassen, schreiben zehn Analysten zehn leicht verschiedene Abfragen für dieselbe Kennzahl und bekommen zehn leicht verschiedene Antworten. Sowohl den Data Mart als auch den Semantic Layer gibt es, um diese Lücke zwischen rohen Daten und vertrauenswürdigen fachlichen Antworten zu schließen, nur schließen sie sie an grundlegend verschiedenen Stellen.

Der klassische Weg über Data Marts

Ein Data Mart schließt die Lücke physisch. Für jede Funktion, also Vertrieb, Finanzen, Marketing, baut ein Team eine eigene, dimensional modellierte Teilmenge des Warehouse, die nur die Daten dieser Funktion enthält, vorgeformt zu den Tabellen und Kennzahlen, die sie braucht. Die Analystin fragt den Mart ab und nicht das Warehouse und bekommt schnelle, passende, vereinfachte Daten.

Innerhalb eines Teams funktioniert das gut, über Teams hinweg hat es aber einen strukturellen Fehler: Jeder Mart verschlüsselt seine eigenen Definitionen in seinen eigenen physischen Tabellen. Der Mart des Vertriebs berechnet „Umsatz“ auf eine Weise; der Mart der Finanzen berechnet ihn anders. Beide sind in sich stimmig, aber sie widersprechen einander, und weil die Logik in getrennte physische Bauten eingebacken ist, ist das Abgleichen mühsam. Je mehr Marts entstehen, desto mehr überlappende, leicht abweichende Versionen der Wahrheit sammeln sich an. Diese Zersplitterung der Kennzahlen ist die klassische, gut dokumentierte Schwäche einer Architektur rund um Marts.

Der Weg über den Semantic Layer

Ein Semantic Layer schließt die Lücke logisch und zentral. Statt Definitionen in viele physische Marts einzubacken, definiert er jede Kennzahl, jede Dimension und jeden fachlichen Begriff einmal, in einer zentralen Schicht zwischen dem Warehouse und jedem nutzenden Werkzeug. Wenn irgendein BI-Werkzeug, ein Notebook oder ein KI-Agent nach „Umsatz“ fragt, bekommt es die eine kanonische Definition, einheitlich berechnet, ganz gleich, wer fragt und mit welchem Werkzeug.

Die Verschiebung geht von der physischen Duplikation zur logischen Wiederverwendung. Es gibt eine Definition je Kennzahl, an einer Stelle gesteuert, und jeder Nutzer erbt sie. Das löst das Problem der Zersplitterung unmittelbar: Es kann keine drei Versionen von „Umsatz“ geben, weil es nur eine Definition gibt, die alle nutzen. Es ist auch der Grund, warum der Semantic Layer für die Analytik mit KI zentral geworden ist: Ein KI-Agent, der Fragen in natürlicher Sprache beantwortet, ist nur dann vertrauenswürdig, wenn er sich auf gesteuerte, einheitliche Definitionen stützt, statt zu raten.

Direkter Vergleich

Die beiden Ansätze unterscheiden sich in genau den Dimensionen, die für vertrauenswürdige Analytik am meisten zählen:

• Wo die Logik liegt. Mart: physisch, in Tabellen je Team. Semantic Layer: logisch, in einer zentralen Definition.
• Einheitlichkeit. Mart: anfällig für widersprüchliche Kennzahlen zwischen Teams. Semantic Layer: eine Definition, überall einheitlich, und das ist seine Kernstärke.
• Duplikation. Mart: Daten und Logik je Mart dupliziert. Semantic Layer: einmal definieren, wiederverwenden.
• Autonomie gegen Governance. Mart: hohe Autonomie der Teams, schwache zentrale Governance. Semantic Layer: starke zentrale Governance, gemeinsame Standards.
• Bereitschaft für KI. Mart: Die KI muss raten, welche Definition welches Marts die richtige ist. Semantic Layer: Die KI stützt sich auf eine gesteuerte Definition, was weit vertrauenswürdiger ist.

Wichtig ist, dass die beiden kein striktes Entweder-oder sind: Data Marts können weiterhin als ausliefernde Schicht unter einem Semantic Layer bestehen, und viele reale Architekturen mischen sie. Doch der Schwerpunkt der Governance hat sich klar zum Semantic Layer verschoben, weil Einheitlichkeit im großen Maßstab das ist, was die Mart-Ära nie verlässlich liefern konnte.

Wie Dawiso es angeht

Ein Semantic Layer ist nur so vertrauenswürdig wie die Definitionen darin, und diese Definitionen sind Einträge im Business Glossary, also die vereinbarte, gesteuerte Bedeutung von „Umsatz“, „aktiver Kunde“ und „Abwanderung“. Genau hier fügt sich Dawiso unmittelbar in die Geschichte von Semantic Layer und Marts ein. Im Business Glossary von Dawiso werden die Definitionen von Kennzahlen und Begriffen einmal festgehalten, mit Verantwortung und Freigabeprozessen gesteuert und zu der einheitlichen Datenbasis gemacht, auf die sich Werkzeuge für BI und KI-Agenten gleichermaßen stützen können, also genau die Zentralisierung, die die Zersplitterung der Marts beendet. Die interaktive Data Lineage verbindet dann jede fachliche Definition mit den physischen Tabellen und Marts, die sie umsetzen, sodass Sie sehen, ob ein bestimmter Mart der kanonischen Definition tatsächlich entspricht. Aus „wessen Umsatz stimmt?“ wird damit eine nachvollziehbare, beantwortbare Frage. Ob Ihre ausliefernde Schicht nun aus Marts besteht, aus einem modernen Semantic Layer oder aus beidem: Gesteuerte Definitionen sind das, was die Zahlen zur Deckung bringt.

Fazit

Der Weg von klassischen Data Marts zum Semantic Layer ist die Geschichte davon, wie die Analytik gelernt hat, ihre Definitionen einheitlich zu halten. Marts gaben den Teams schnellen, autonomen Zugang, ließen aber jedes Team still seine eigene Version der Wahrheit erfinden; der Semantic Layer beantwortet denselben Bedarf und definiert jede Kennzahl einmal für alle, sodass das ganze Unternehmen und jeder KI-Agent, der daraus liest, dieselbe Bedeutung von „Umsatz“ teilen. Beide können nebeneinander bestehen, doch die Lehre steht fest: Einheitlichkeit kommt daher, dass Definitionen zentral gesteuert werden, und nicht daher, dass Logik je Team dupliziert wird. Legen Sie die Definitionen in ein gesteuertes Business Glossary, verbinden Sie sie über die Lineage mit den Daten, und die Ära der widersprüchlichen Zahlen ist vorbei.