Data Architecture
Data & Cloud Services
Kurz erklärt
Data Architecture (Datenarchitektur) beschreibt die grundlegende Struktur, nach der Daten in einem Unternehmen erfasst, integriert, gespeichert, verarbeitet und für unterschiedliche Anwendungen bereitgestellt werden.
Sie legt fest, wie verschiedene Datenquellen, Plattformen und Anwendungen zusammenspielen und wie Daten für Analytics, Planung, Data Products oder KI verfügbar gemacht werden. Eine moderne Data Architecture umfasst dabei nicht nur technische Komponenten, sondern berücksichtigt auch Themen wie Datenqualität, Governance, Sicherheit und Verantwortlichkeiten.
Einfach gesagt beantwortet Data Architecture die Frage: „Wie müssen unsere Systeme und Daten zusammenspielen, damit Informationen zuverlässig dort verfügbar sind, wo sie benötigt werden?“
Warum ist Data Architecture relevant?
Die Datenlandschaften vieler Unternehmen sind über Jahre gewachsen. ERP-Systeme, CRM-Lösungen, Data Warehouses, Cloud-Anwendungen und individuelle Fachlösungen wurden zu unterschiedlichen Zeitpunkten eingeführt und miteinander verbunden. Mit jeder neuen Anforderung kamen weitere Schnittstellen, Datenbanken oder Plattformen hinzu.
Das Ergebnis sind häufig komplexe Landschaften mit redundanten Datenbeständen, Datensilos und hohem Integrationsaufwand. Gleichzeitig steigen die Anforderungen an Geschwindigkeit und Flexibilität. Fachbereiche möchten Daten selbstständig analysieren, Managementinformationen sollen möglichst aktuell verfügbar sein und neue Anwendungen für Analytics und KI benötigen Zugriff auf Daten aus unterschiedlichen Systemen.
Eine moderne Data Architecture schafft hierfür ein strukturelles Zielbild. Sie definiert, welche Rolle verschiedene Systeme übernehmen, wo Daten gespeichert und verarbeitet werden und wie sie sicher und effizient zwischen den einzelnen Komponenten ausgetauscht werden.
Dabei geht es heute immer weniger darum, sämtliche Daten zwingend in einem einzigen zentralen System zusammenzuführen. Moderne Architekturen kombinieren beispielsweise Cloud-Plattformen, Data Warehouses, Lakehouse-Ansätze, Data Products sowie bestehende operative Systeme. In SAP-geprägten Landschaften kommt zusätzlich die Frage hinzu, wie bestehende BW-Systeme mit neuen Plattformen und SAP- sowie Non-SAP-Daten zusammenspielen. Genau solche Herausforderungen entstehen bei historisch gewachsenen Systemen, Datensilos und steigenden Anforderungen an Analytics und KI.
Eine gute Datenarchitektur schafft damit die technische Grundlage, damit eine Data Strategy tatsächlich umgesetzt werden kann.
Wie unterstützt die celver AG?
Die celver AG unterstützt Unternehmen dabei, historisch gewachsene Datenlandschaften zu analysieren und daraus eine moderne, zukunftsfähige Zielarchitektur zu entwickeln.
Dabei betrachten wir die Architektur nicht isoliert aus technologischer Perspektive. Entscheidend ist zunächst, welche geschäftlichen Anforderungen unterstützt werden sollen: Welche Daten benötigen Analytics und Planung? Wo werden Data Products bereitgestellt? Welche Daten benötigen zukünftige KI-Anwendungen? Welche Systeme bleiben bestehen und welche sollten modernisiert werden?
Auf dieser Basis entwickeln wir eine Architektur, in der bestehende und neue Technologien sinnvoll zusammenspielen. Gerade bei heterogenen Landschaften kann dies beispielsweise die Integration von SAP-Systemen mit Plattformen wie SAP Business Data Cloud, Databricks oder Microsoft Fabric umfassen. Moderne Zielbilder können dabei Cloud-Architekturen, entkoppelte Schichten, Data Products und offene Formate berücksichtigen.
Typische Fragestellungen sind:
- Wie reduzieren wir die Komplexität unserer Datenlandschaft?
- Welche Rolle sollte unser bestehendes Data Warehouse zukünftig spielen?
- Wie integrieren wir SAP- und Non-SAP-Daten?
- Wann ist ein Lakehouse sinnvoll?
- Welche Plattform sollte welche Aufgaben übernehmen?
- Und wie schaffen wir eine Datenbasis, die sowohl Reporting und Planung als auch zukünftige KI-Anwendungen unterstützt?
Unser Ziel ist eine Data Architecture, die nicht nur technisch modern ist, sondern zur Data Strategy und zu den tatsächlichen Geschäftsanforderungen des Unternehmens passt.
Verwandte Begriffe
Weiterführende Inhalte
.avif)
Häufig gestellte Fragen
Die Data Strategy beschreibt das übergeordnete Zielbild und beantwortet vor allem die Frage, warum und wofür Daten genutzt werden sollen. Die Data Architecture beschreibt dagegen, wie Daten technisch integriert, gespeichert, verarbeitet und bereitgestellt werden.
Das hängt von der bestehenden Systemlandschaft und dem Zielbild ab. Die Technologieentscheidung sollte deshalb idealerweise aus der Data Strategy und der angestrebten Data Architecture abgeleitet werden und nicht umgekehrt.
Nein. Eine moderne Architektur kann unterschiedliche Systeme und Plattformen miteinander kombinieren. Entscheidend ist, dass ihre Rollen klar definiert sind und Daten zuverlässig zwischen ihnen ausgetauscht und genutzt werden können.
Typische Anzeichen sind stark steigender Integrationsaufwand, zahlreiche Datensilos, redundante Datenhaltung oder mangelnde Flexibilität bei neuen Analytics- und KI-Anforderungen. Gerade historisch gewachsene Architekturen können an Grenzen stoßen, wenn neue Anforderungen hinzukommen.
Data Architecture bezeichnet das gesamte strukturelle Zielbild einer Datenlandschaft. Data Fabric ist dagegen ein möglicher Architekturansatz, um verteilte Daten besser miteinander zu verbinden und verfügbar zu machen.
Data Architecture definiert die strukturelle und technische Organisation der Datenlandschaft. Data Governance regelt dagegen Verantwortlichkeiten, Standards und den vertrauenswürdigen Umgang mit den Daten. Eine nachhaltige Datenplattform benötigt beide Perspektiven.
Eine einzelne universelle „KI-Architektur“ gibt es nicht. Wichtig ist vielmehr, dass relevante Unternehmensdaten zugänglich, qualitativ verlässlich und angemessen gesteuert sind. Die dafür geeignete Architektur hängt von den vorhandenen Systemen und den konkreten Analytics- und KI-Anwendungsfällen ab.
Data Products können Daten in fachlich verständlicher und wiederverwendbarer Form für unterschiedliche Anwendungsfälle bereitstellen. In modernen Zielarchitekturen können sie deshalb die Verbindung zwischen technischen Datenplattformen und den Anforderungen der Fachbereiche bilden.
