Data Warehouse: Wie du alle Datenquellen in deine Daten- und Systemarchitektur integrierst

Für ein datengetriebenes Unternehmen ist ein Data Warehouse das Herz der Daten- und Systemarchitektur. Datenbereitstellung und Datenintegration sind Erfolgskriterien.

Data Warehouse Definition

Ein Data Warehouse (DWH oder DW) ist in einem datengetriebenen Unternehmen eine zentrale Sammelstelle von Daten. Es konsolidiert Daten aus verschiedenen Quellen (z. B. aus dem Warenwirtschaftssystem, dem Support und dem CRM) und dient damit als Hilfe für informierte betriebswirtschaftliche Entscheidungen.

Ein Data Warehouse wird insbesondere dann im Data Management benötigt, wenn verschiedene Programme, Tools und Systeme zur Datenerhebung genutzt werden. Diese erzeugen Daten und speichern sie in unterschiedlichen Formaten auf verschiedenen Datenbanken ab. Für eine Auswertung, Veredlung oder weitere Verarbeitung der Daten müssen diese jedoch erst vereinheitlicht und auf eine gleiche Basis angepasst werden.

Das Data Warehouse ermöglicht also, heterogene und verteilte Datenbestände in einen konsistenten Datenstand zusammenzuführen. Diese klare Strukturierung der Daten ist eine wesentliche Voraussetzung für eine konsolidierte Datenqualität, für Datenintegrität und für ein effizientes Wissensmanagement. Gerade für ein erfolgreiches Customer Relationship Management (CRM) ist ein gut funktionierendes Data Warehouse integrierender Bestandteil einer Daten- und Systemarchitektur. Eine Voraussetzung, um zielgerichtete Analysen für kundenzentrische Kommunikation durchzuführen – inklusive personalisierter Botschaften und/oder Angebote.

Wie baut man ein Data Warehouse auf?

Rom wurde nicht an einem Tag gebaut. Und der Kölner Dom wird nie fertig. Mindestens seit 753 v. Chr. wächst und wandelt sich die Stadt am Tiber, seit 1258 baut Köln am Dom. Man munkelt, dass die Welt untergehen würde, sollte das Bauwerk jemals fertiggestellt werden*. So ist das mit der Architektur, mit großen Strukturen in einer sich verändernden Welt: Neue Herausforderungen und Chancen treiben permanent Anpassungen voran. Und das gilt natürlich auch für dein Data Management. Eine Daten- und Systemarchitektur wird nie endgültig sein, insbesondere wenn durch die Digitalisierung ständig neue Datenquellen zu integrieren, ständig neue Daten etwa für Automatisierungen bereitzustellen sind. In einem datengetriebenen Unternehmen geht also den Baumeistern, den Data Architects, nie die Arbeit aus. Ihr wichtigstes Objekt: das Data Warehouse. Sehen wir uns mal an, wie sie vorgehen …

1. Evaluierung der Systemarchitektur

Der Hildebold-Dom war quasi der Vorgängerbau des heutigen Kölner Doms und hatte selbst seine Vorgänger. Und Rom ist auch älter als die erste urkundliche Erwähnung, ist ja schließlich die ewige Stadt. So darf man auch im Data Management davon ausgehen, dass es in aller Regel schon etwas gibt – und wenn es nur ein Karteikasten ist. Diese bereits existierende Daten- und Systemarchitektur gilt es zu evaluieren. Ein strukturierter Report wird dir einen Überblick verschaffen, welche Daten schon bereitstehen und bestens integriert sind. Aber auch: wo noch nachgebessert werden muss. Da wird immer etwas zu tun sein, Stichwort stetiger Wandel.

2. Entwicklung eines Zielbildes

Ein guter Data Architect ist kein Hellseher. Er weiß aber, was State-of-the-Art ist. Und welche Anforderungen und Möglichkeiten sich aktuell im Data Management entwickeln. Er kann also ein Zielbild in Form eines funktionellen Konzepts zeichnen. Dieses sieht etwa die Datenbereitstellung für die automatisierte Datenverarbeitung oder die Datenintegration für die Erstellung von Kundenprofilen oder Scorings vor. Die Verbindung der verschiedenen Datenquellen in deinem Unternehmen ist ein wertvolles Asset für die Weiterentwicklung effizienter, intelligenter, kundenzentrischer Kundenkommunikation.

3. Konzept für die technische Integration

Bei der Verbindung verschiedener Datenquellen geht es auch sehr stark um Technik. Um Schnittstellen. Vielleicht auch um Clouds oder Server. Ein technisches Konzept des Data Architects wird zeigen, was deiner Daten- und Systemarchitektur konkret fehlt. Vielleicht ist es sogar das schon genannte Data Warehouse mit der Art und Weise, wie die verschiedenen Datenbanken technisch angebunden, wie Datenintegrität und Datenqualität sichergestellt werden.

4. Zugriffsrechte und Sicherheitskonzept

Wenn dann alles definiert ist, geht es um Rechte. Wer darf auf welche Daten im Data Warehouse zugreifen? Wer darf welche Daten hinzufügen oder ändern? Die Zugriffsrechte sind ganz wesentliche Fragen für Datenqualität und Datensicherheit. Sie sind zentraler Bestandteil eines Sicherheitskonzepts, das ein System Architect für ein datengetriebenes Unternehmen zu erstellen hat. Datenbereitstellung bedeutet nicht die Öffnung aller Tore. Datenschutzanforderungen und die Sicherung der Datenqualität bedingen die Regulierung des Zugriffs auf die einzelnen Datenbanken und auf das Data Warehouse.

Die Daten- und Systemarchitektur zukunftssicher gestalten

Deine Systemarchitektur wird im besten Fall dafür sorgen, dass alle deine Datenquellen komplett integriert sind und kollaborieren können. Sie ermöglicht betriebswirtschaftliche Entscheidungen, die maximal informiert sind. Die intelligent den nachhaltigen Geschäftserfolg ermöglichen. Das ist nur sehr selten tatsächlich der Fall. Aufgrund des stetigen Wandels durch die Digitalisierung, durch neue Chancen und Herausforderungen, wird es sich für dich lohnen, den Status quo zu evaluieren, ein Zielbild in Form eines funktionellen Konzepts zu entwerfen, die Umsetzung mithilfe eines technischen Konzepts anzugehen und schließlich deine Daten- und Systemarchitektur über ein Sicherheitskonzept zu schützen. Es gibt ja neben der ewigen Stadt Rom auch Fälle wie die Stadt Troja, die nach heutiger Lehrmeinung in der Landschaft Troas im Nordwesten der heutigen Türkei liegt. Man weiß es nicht genau. Man sagt aber, dass die Stadt ein Sicherheitsproblem hatte.

Fazit

Das Data Warehouse stellt ein zentrales Datenbanksystem dar, das zu Analysezwecken im Unternehmen einsetzbar ist. Wie beim Städtebau ist eine gute Architektur unerlässlich und ein DHW für dein datengetriebenes Unternehmen also eine absolute Bereicherung, um deine Flut an Daten zu beherrschen und strategische Entscheidungen zu treffen.

Gerne unterstützen dich unsere erfahrenen Data Architects im Implementierungsprozess: bei der Planung und Ausführung, beim Monitoring aller Arbeitsschritte und bei der Qualitätssicherung sowie im Betrieb deiner Daten- und Systemarchitektur. Vereinbare hier einen unverbindlichen Gesprächstermin mit uns.

Data Mart

Während an ein Data Warehouse (DWH) der Anspruch gestellt wird, die Gesamtheit aller relevanten Unternehmensdaten an einer Stelle zusammenzuführen und somit die Datengrundlage für alle Analyse- und Reporting-Fragestellungen im Unternehmen bereitzustellen, ist ein Data Mart in der Regel für einen spezifischen Anwendungszweck ausgelegt. Als typisches Beispiel wäre hier ein Data Mart zu nennen, der für die Belange des analytischen CRM konzipiert ist. Als Datenbasis für einen derartigen Data Mart dient das DWH, wobei jedoch die Daten nach der Extraktion aus dem DWH einen Aggregations- und Transformationsprozess durchlaufen. Im Data Mart liegen die Daten dann in verdichteter und veredelter Form vor, sodass sie unmittelbar für bestimmte Arten von Analysen nutzbar sind. So können beispielsweise die umfangreichen Transaktionsrohdaten aus dem DWH in wenige Merkmale überführt werden, die das Kaufverhalten der Kunden über die letzten drei Jahre beschreiben. Diese kompakte Form der Datenhaltung führt einerseits bei Datenbankabfragen zu einem enormen Effizienzgewinn und zu einer signifikanten Performance-Steigerung. Andererseits erleichtert sie den Datenzugriff und die Erkenntnisgewinnung aus Daten.

Data Lake

Bei einem Data Lake handelt es sich um einen großen Datenspeicher, der – im Unterschied zum herkömmlichen DWH – Daten aus den unterschiedlichsten Quellen in ihrem Rohformat aufnimmt. Somit kann ein Data Lake sowohl unstrukturierte als auch strukturierte Daten enthalten. Dadurch werden zum einen verteilte Datensilos vermieden; zum anderen werden nicht schon bei der Datenspeicherung die späteren Analysemöglichkeiten eingeschränkt. Erst wenn die Daten tatsächlich benötigt werden, erfolgt deren anwendungsorientierte Strukturierung und Formatierung. Aus dieser Sicht lässt sich ein Data Lake insgesamt als großes Datenlager und als hochflexible Data-Management-Plattform einordnen, die sich für eine vielfältige Verknüpfung der gesammelten Daten anbietet.

Mehr Beiträge zum Thema Data Management:

Mit den richtigen Analytics-Tools Customer Insights gewinnen

Die 4 Säulen des Data Management für die Geschäftsprozessoptimierung einer datengetriebenen Organisation

Effizientes Data Management braucht relevante Daten

Aus Rohdaten umfassende Kundenprofile mit operationalisierbaren Attributen berechnen

Mit Scorings zu datengetriebenen Entscheidungen und automatisierten Prozessen

Wie du die Datenqualität in deinem Data Management sicherst

Wenn du mehr News mehr zu Digitalisierung, CRM und Data Management erhalten möchtest, dann melde dich zu unserem Newsletter an.