Jedes Unternehmen hat Daten.
Die Frage ist, ob sie für Sie arbeiten.
Sie haben wahrscheinlich gehört, dass Sie ein „Data Warehouse“, ein „Lakehouse“ oder einen „modernen Data Stack“ brauchen. Aber was bedeuten diese Begriffe eigentlich, und warum sollte sich ein Unternehmen Ihrer Größe dafür interessieren? Dieser Guide erklärt die Idee in einfachen Worten und zeigt, was es braucht, um ein Datenfundament aufzubauen, auf das sich Ihr Unternehmen wirklich verlassen kann.
Wenn man die Buzzwords weglässt, bleibt ein Engineering-Muster übrig, das es seit den frühen 1990er-Jahren gibt. Im Kern geht es darum, Ihre verschiedenen Datenquellen zusammenzuführen: Ihr ERP (SAP, Microsoft Dynamics, BMD), Ihr CRM (Salesforce, HubSpot), Exporte aus Buchhaltung und Bank, Ihren Webshop und die Excel-Dateien, die still und leise das halbe Unternehmen zusammenhalten. Daten aus den wichtigsten dieser Systeme werden in sogenannte Data Marts gezogen, die sich gegenseitig ergänzen und eine einheitliche analytische Sicht auf Ihr Unternehmen liefern: eine Single Source of Truth, auf die Sie sich tatsächlich verlassen können. Eine Historikerin, die einen einzigen Verkauf rekonstruiert, steht vor derselben Aufgabe. Ein Hauptbuch, ein Brief, ein Zollregister und eine Stadtchronik erwähnen ihn, nennen den Händler aber Bianchi, Weiß, Bianco und Weiss. Ihr Unternehmen führt dasselbe Archiv: Das ERP ist das Hauptbuch, das CRM mit seinen E-Mails die Korrespondenz, die Zahlungsdaten der Bank das Register und der Excel-Report, den jemand fürs letzte Management-Meeting gebaut hat, die Chronik. Bevor jemand sagen kann, was geschah, müssen die Quellen abgeglichen werden.
Ein Data Mart ist im Grunde einfach eine saubere, detaillierte Sammlung von Tabellen, die einen bestimmten Bereich Ihres Unternehmens beschreiben, ohne auf ein einzelnes Quellsystem begrenzt zu sein. Sie können sich ein Data Warehouse als modulares System vorstellen, das aus solchen Marts besteht. Jeder davon kann sich mit Ihrem Unternehmen weiterentwickeln. In diesen Marts steckt die Geschäftslogik, auf die sich Menschen in Ihrem Unternehmen ohnehin schon beziehen, wenn sie Berichte bauen, Ad-hoc-Analysen durchführen oder eine Fachfrage beantworten wollen. Der Unterschied ist: Hier wird diese Logik nachvollziehbar, steuerbar und sauber abgebildet. Zum Abgleichen gehört auch, die Konventionen jeder Quelle zu kennen: Wer den Verkauf datieren will, muss wissen, dass das venezianische Jahr am 1. März begann, während der Brief einem älteren Kalender folgt, der zehn Tage zurückliegt. Ein Data Mart hält dieselbe Art von Entscheidungen fest: welcher Konvention jede Quelle folgt und wie die Quellen aufeinander abgestimmt wurden.
Weil jeder Mart die maßgebliche Quelle für einen Bereich Ihres Unternehmens bildet, wird Reporting innerhalb der Fachbereiche standardisierter und Abweichungen in Zahlen werden erklärbar, sobald sie in einem Meeting auftauchen. Geschäftshypothesen lassen sich gegen reale Daten prüfen. AI- und BI-Strategien werden zu etwas, das man wirklich umsetzen kann, statt nur darüber zu sprechen. Auch für neue Mitarbeitende sinkt die Hürde deutlich. Statt Zugriff auf fünf verschiedene Systeme zu beantragen und drei Kolleginnen oder Kollegen nach Kontext zu fragen, können sie sich an einheitlichen Definitionen für KPIs und Geschäftsvorfälle orientieren und von Anfang an belastbare Antworten auf echte Probleme liefern. Wenn sich zwei Quellen widersprechen, wählt eine Historikerin nicht stillschweigend eine aus. Die Fußnote erklärt den Unterschied, und eine Quelle, die beeindrucken wollte, wird mit Vorsicht gelesen.
Es gibt auch eine technische Seite. Wenn Sie analytische Lasten, die oft viel Rechenleistung brauchen, von Ihren operativen Datenbanken trennen, stellen Sie sicher, dass Reporting und Exporte nie die Systeme ausbremsen, auf denen Ihr Tagesgeschäft läuft. Historiker arbeiten genauso: Sie forschen im Lesesaal an Abschriften, während die Originale unberührt im Archiv bleiben.
Das Ergebnis nennen Historiker eine kritische Edition: ein Eintrag, bei dem jede Quelle und jede Entscheidung in den Fußnoten steht. Data Marts geben Ihrem Unternehmen genau das. Zusammen mit dem Warehouse oder Lakehouse, in dem sie liegen, bilden sie Ihr Datenfundament: die Ebene, auf der jeder Bericht, jede Analyse und jeder KI-Anwendungsfall in Ihrem Unternehmen aufbaut. Der Rest dieses Guides zeigt, wo diese Marts leben, ob in einem Warehouse, einem Lake oder einem Lakehouse, warum ein solches Fundament gerade für KMU wichtig ist, wer beim Design der Marts mit am Tisch sitzen muss und wie ein sinnvoller erster Schritt aussieht.
adì 12 febraro 1594 m.v.
Corrado Bianchi da Norimberga
panni di lana b. 400 · L. 1.240
den 2. Februar 1595, a. St.
für Herrn Conrad Weiß
416 Ellen Wolltuch gekauft
13.II.1595
Corado Bianco, Nurimberga
1 balla, br. 400
Im Frühjahr 1595 brachte
der Weiss aus Venedig
über 1000 Ellen Tuch
Analysiert wird an Kopien. Niemand beschriftet die Originale, und niemand muss warten, bis die Forscherin sie wieder freigibt.
1 Venezianisches Jahr begann am 1. März (more veneto); Brief nach altem Stil datiert.
2 Überliefert als Bianchi, Weiß, Bianco, Weiss.
3 400 venezianische Braccia ≈ 416 Nürnberger Ellen. Zahl der Chronik nicht übernommen.
Warehouse, Lake, Lakehouse: Was ist der Unterschied?
Data Marts brauchen ein Zuhause. In den letzten dreißig Jahren haben sich drei Antworten auf die Frage entwickelt, wo analytische Daten liegen sollen, und die Begriffe werden so locker verwendet, dass es sich lohnt, sie auseinanderzuhalten.
Ein Data Warehouse ist eine Datenbank, die für Analysen gebaut ist und nicht für das Tagesgeschäft. Die Daten kommen strukturiert an und werden in saubere Tabellen mit festen Definitionen überführt, bevor jemand sie liest. Es ist der Lesesaal des Archivs: geordnet, katalogisiert, verlässlich. Seine Stärke ist Konsistenz, seine Grenze, dass alles zuerst in eine Tabelle passen muss.
Der Data Lake kam später, als Unternehmen begannen, auch das zu sammeln, was nicht in Tabellen passt: PDFs und Verträge, E-Mails, Maschinen- und Sensordaten, Bilder, Rohexporte. Ein Lake speichert alles günstig im Originalformat. Er ist das Magazin des Archivs: Nichts wird weggeworfen, aber ohne Katalog wird es schwer, etwas zu finden, geschweige denn ihm zu vertrauen. Viele frühe Lakes wurden zu dem, was die Branche einen Data Swamp nennt.
Ein Lakehouse verbindet beides. Die Daten liegen in günstigem Speicher in offenen Dateiformaten wie Apache Iceberg oder Delta Lake, und eine Schicht darüber ergänzt, was Warehouses verlässlich gemacht hat: Tabellen mit definierter Struktur, Änderungshistorie, Zugriffsregeln und schnelle Abfragen. Strukturierte ERP-Daten und unstrukturierte Dokumente liegen nebeneinander, und dasselbe Fundament dient Reporting, Analyse und KI.
Für ein KMU ist der Name weniger wichtig als das Prinzip. Ob Warehouse oder Lakehouse: Was Sie aufbauen, ist Ihr Datenfundament. Ob Ihre Marts in einem klassischen Warehouse oder in einem Lakehouse landen, hängt von Ihren Daten, Ihren bestehenden Systemen und Ihren Plänen ab. Bei neuen Projekten ist das Lakehouse inzwischen der Standard, weil es Optionen offenhält, ohne Sie an einen einzelnen Anbieter zu binden. Entscheidend ist in beiden Fällen dasselbe: Originale bleiben unberührt, Kopien werden abgeglichen, und jede Zahl lässt sich bis zu ihrer Quelle zurückverfolgen.
Warum KMU ein Datenfundament brauchen
Großunternehmen haben seit Jahrzehnten Datenteams und Warehouses. KMU sind meist ohne ausgekommen, und lange hat das funktioniert: Das Unternehmen war klein genug, dass einige wenige die Zahlen im Kopf behalten konnten.
Viele arbeiten immer noch hauptsächlich mit Tabellen und manuellen Exporten. Die meisten anderen liegen irgendwo dazwischen: Es gibt eine zentrale Datenbank, aber Finance definiert Umsatz anders als der Vertrieb, am Montagmorgen ist sich niemand einig, welchem Dashboard man trauen kann, und niemand kann erklären, warum die Zahlen auseinanderliegen, selbst wenn der Grund fachlich völlig legitim ist.
Diese Lücke wird mit dem Wachstum teurer. Jedes neue System, jeder neue Standort und jede neue Produktlinie bringt eine weitere Quelle, und die Zeit für den manuellen Zahlenabgleich wächst mit. Wissen, das in einer einzigen Excel-Datei im Controlling steckt, verlässt das Unternehmen mit der Person, die sie gebaut hat. Und wenn eine Bank, ein Investor oder ein möglicher Käufer Zahlen sehen will, wird deren Zusammenstellung zum eigenen Projekt.
Ihr Datenfundament schließt diese Lücke, ohne dass Sie dafür ein großes internes Team brauchen. Es ist weniger ein Technologieprojekt als eine Disziplin, die Historiker Quellenkritik nennen: verstehen, wer eine Aufzeichnung erstellt hat, nach welchen Konventionen und was sich seither geändert hat, bevor sie als Beleg gilt. Jede der vier Fragen unten hat eine direkte Entsprechung in Ihren Daten.
adì 12 febraro 1594 m.v. · Corrado Bianchi da Norimberga
panni di lana b. 380 400 · L. 1.240
„b.“ ist ein Braccio, aber welcher?
In Venedig misst ein Woll-Braccio ≈ 68,3 cm, in Florenz ≈ 58,4 cm. Dasselbe Wort, 17 % Unterschied.
„Umsatz“ bedeutet in Finance und Sales etwas anderes
Fakturiert und nach Retouren oder bei Auftragseingang gebucht? Beides ist legitim; die Definition muss mit der Zahl mitreisen.
380 gestrichen, 400 von späterer Hand ergänzt
Welche Zahl sahen die Partner des Händlers beim Jahresabschluss?
Ein Auftrag, der nach dem Export des Vormonats geändert wurde
Ohne Änderungsverfolgung zeigen zwei korrekte Berichte unterschiedliche Summen, und niemand kann sagen, warum.
Brief und Fondaco-Register nennen denselben Käufer
Drei unabhängige Aufzeichnungen nennen denselben Händler. Die Chronik stimmt beim Namen überein, nicht bei der Menge.
ERP-Summe vs. eingegangene Zahlungen
Validierung vergleicht unabhängige Systeme, bevor eine Zahl im Management-Meeting belastbar ist.
„1594 m.v.“ bedeutet Februar 1595
Regel: Bei Datierung more veneto wird Januar und Februar ein Jahr addiert.
Geschäftsjahr ab 1. April
Geschäftslogik: Welche Monate gehören zum GJ 2025, welcher Wechselkurs gilt, welche Aufträge zählen?
Marts entstehen mit den Menschen, die das Geschäft kennen
Ein Data Mart ist nur so gut wie die Geschäftslogik darin, und diese Logik steckt selten in den Quellsystemen. Sie steckt in Menschen: im Controlling, wo man weiß, dass Gutschriften aus dem Vorjahr im Januar gebucht werden; im Vertrieb, wo man weiß, welche drei Kundenkonten eigentlich ein Konzern sind; in der Logistik, wo man weiß, dass „versendet“ im ERP nicht heißt, dass der Lkw schon vom Hof ist.
Eine Historikerin, die ein Hauptbuch aus dem 16. Jahrhundert bearbeitet, rät auch nicht, was „b.“ bedeutet. Sie fragt die Fachleute für venezianische Maße, die Paläografie, das Archivpersonal, das den Bestand kennt. Die kritische Edition trägt deren Urteil in ihren Fußnoten.
Deshalb binden wir bei MoLo Ihre Fachexpertinnen und Fachexperten direkt in das Design jedes Marts ein, nicht nur bei der Anforderungsaufnahme und der finalen Abnahme. Konkret heißt das: kurze Arbeitssessions mit den Menschen, die einen Prozess verantworten. Wir gehen gemeinsam echte Datensätze aus Ihren Systemen durch, vereinbaren Definitionen in ihrer Sprache und halten die Regeln und Ausnahmen fest, die sie täglich anwenden. Sie prüfen die ersten Zahlen gegen das, was sie als richtig kennen, und sie verantworten die Definitionen danach.
Die Wirkung geht über korrekte Zahlen hinaus. Wenn Finance und Vertrieb den Umsatz gemeinsam definiert haben, wird eine Abweichung im Management-Meeting zur Fußnote statt zur Grundsatzdebatte. Wissen, das bisher im Kopf einer einzelnen Person steckte, wird dokumentiert und geteilt. Und Menschen vertrauen Berichten, deren Logik sie selbst mitgestaltet haben, und nutzen sie auch. Genau das entscheidet am Ende, ob sich ein Datenfundament auszahlt.
Vom Fundament zur KI, ein Mart nach dem anderen
Fast jedes Gespräch über KI in KMU landet irgendwann am selben Punkt: Das Modell ist bereit, die Daten sind es nicht. Ein Assistent, der Fragen zu Ihren Margen beantwortet, eine Prognose für die Nachfrage im nächsten Quartal, ein Score, der abwanderungsgefährdete Kunden markiert: Sie alle brauchen ein Datenfundament: saubere, verbundene und klar definierte Daten. Ohne sie wiederholt KI die Widersprüche Ihrer Tabellen, nur schneller und selbstsicherer.
Die gute Nachricht: Ein solches Fundament aufzubauen, muss kein mehrjähriges Programm mehr sein. In den letzten zehn Jahren haben Entwickler-Communities viele Werkzeuge stark verbessert und als Open Source verfügbar gemacht, von Konnektoren, die Daten aus gängigen ERP- und CRM-Systemen holen, bis zu Frameworks, die Transformationslogik versionieren und testen. Damit wird ein schrittweises Vorgehen für KMU realistisch.
Ein sinnvoller Start ist klein: Wählen Sie eine Geschäftsfrage, die wirklich zählt, verbinden Sie die zwei oder drei Quellen, von denen sie abhängt, und bauen Sie den ersten Mart gemeinsam mit den Menschen, die diese Frage verantworten. Sobald er genutzt wird und man ihm vertraut, baut der nächste Mart darauf auf. Jeder Schritt liefert für sich Wert, und das Fundament wächst mit Ihrem Unternehmen, statt für eine Zukunft entworfen zu werden, die vielleicht nie eintritt.
Die letzte Abbildung dieses Guides zeigt, was diese Vereinheitlichung wert ist. Sind die Quellen erst abgeglichen, wird das Glossar der Edition zur Legende einer Karte: Der Braccio wird zu einer messbaren Länge, vier Schreibweisen werden zu einem Handelshaus in Nürnberg, und ein einzelner Verkauf wird zu einer Route über den Brenner, der jeder folgen kann. Ihr Datenfundament leistet dasselbe für Ihr Unternehmen. Wenn Umsatz, Kunden, Geschäftsjahre und Prozesse jeweils nur eine Bedeutung haben, passen die Zahlen aus Finance, Vertrieb und Operations endlich auf dieselbe Karte, und Fragen, die quer durch die Abteilungen gehen, etwa welche Kunden, Produkte oder Kanäle tatsächlich Geld verdienen, lassen sich in Minuten beantworten statt nach einer Woche voller Exporte.
Die Technologie dafür gibt es, und sie war nie zugänglicher. Was sich von Unternehmen zu Unternehmen unterscheidet, ist die Geschäftslogik: welche Quellen zählen, welchen Konventionen sie folgen und mit welchen Definitionen Ihre Mitarbeitenden tatsächlich arbeiten. Das lässt sich nicht von der Stange kaufen. Es muss gemeinsam mit Ihnen erarbeitet werden.
Genau dort kommen wir ins Spiel.
Unser Ziel ist es, europäischen KMU dabei zu helfen, über Jahre gesammelte Daten in echte Datenwerte zu verwandeln, auf denen sich AI- und BI-Strategien tatsächlich aufbauen und umsetzen lassen. Wir glauben, dass alles bei den Daten beginnt und dass saubere, wartbare Dateninfrastruktur weder Trend noch Luxus ist. Sie ist ein Differenzierungsfaktor.
Wenn Sie sich darin wiederfinden oder besprechen möchten, wie ein erster Mart in Ihrem Unternehmen aussehen könnte, freuen wir uns, von Ihnen zu hören. Melden Sie sich, und lassen Sie uns über Daten sprechen.
Einen 30-minütigen Call buchen →Ein abgeglichener Datensatz sagt Ihnen, was passiert ist. Was das für Ihr Unternehmen bedeutet und wo dieses Bild noch unvollständig ist, ist die nächste Ebene: gemeinsame Definitionen und Kontext, die auf Ihrem Datenfundament aufsetzen.
Ein verlässliches Datenfundament ist der Ausgangspunkt. Meridian ist die Entscheidungsebene, die daraus kontextbezogene Antworten, Dashboards, Pulses und eine Informationsgrundlage macht, die mit Ihrem Unternehmen wachsen kann.
Erleben Sie, wie Meridian aus einem Datenfundament kontinuierliche Decision Intelligence macht.- 01Braccio (Venedig, Wolle)
≈ 68,3 cm, nicht der Florentiner Braccio. Ihr „Umsatz“.
- 02Jahr (more veneto)
Beginnt am 1. März. Ihr Geschäftsjahr.
- 03Handelshaus
Eine Einheit, viele Schreibweisen. Ihr Kunde.
- 04Route
Venedig → Brenner → Nürnberg. Ihr Prozess.
- 1 Braccio ≈ 68,3 cm
- Jahr beginnt am 1. März
- 1 Händler = 4 Schreibweisen
- Route vom 12. Feb. 1595