Welche Datenarchitektur brauchen datengetriebene Unternehmen?

Viele Unternehmen verfügen über wertvolle Daten aus ERP, CRM, Projektcontrolling oder eCommerce-Plattformen, können sie aber nur mit hohem manuellem Aufwand auswerten. Gewachsene Strukturen aus Excel, Access und einzelnen Datenbanken stoßen spätestens dann an Grenzen, wenn Datenvolumen und Anforderungen zunehmen. Dieser Artikel zeigt, aus welchen Schichten eine tragfähige Datenarchitektur besteht, welche Rolle Plattformen wie Microsoft Fabric und Azure Databricks spielen und wie der Einstieg strukturiert gelingt. Er richtet sich an alle, die in ihrem Unternehmen den Aufbau der Daten- und Analyseplattform verantworten und dabei auf Eigenständigkeit statt dauerhafter Abhängigkeit von Dienstleistern setzen.

Was bedeutet datengetrieben und warum betrifft es die Architektur?

Ein datengetriebenes Unternehmen ist ein Unternehmen, das Entscheidungen systematisch auf Basis verlässlicher, aktueller Daten trifft, von der Projektsteuerung über den Vertrieb bis zur Geschäftsführung. Die wirtschaftliche Bedeutung dieses Ansatzes wächst messbar. Nach einer repräsentativen Bitkom-Befragung aus dem Jahr 2025 tragen datengetriebene Geschäftsmodelle heute in 27 Prozent der Unternehmen in Deutschland ausschließlich oder stark zum Geschäftserfolg bei. In zwei Jahren soll dieser Anteil nach Einschätzung der Unternehmen bereits bei 47 Prozent liegen.

Gleichzeitig zeigt dieselbe Befragung, wie groß die Lücke zwischen Anspruch und Realität ist. Nur 7 Prozent der Unternehmen schöpfen das Potenzial ihrer bereits vorhandenen Daten vollständig aus. Der Engpass liegt dabei selten an fehlenden Daten. Er liegt an einer Architektur, die nicht dafür gebaut wurde, diese Daten verlässlich zusammenzuführen und für Auswertungen nutzbar zu machen.

Warum stoßen Excel, Access und Insellösungen an ihre Grenzen?

Excel und Access sind für einzelne Auswertungen gut geeignet. Als Fundament eines datengetriebenen Unternehmens tragen sie jedoch nicht. In der Praxis zeigen sich drei wiederkehrende Muster. Erstens wächst der manuelle Aufwand mit jeder neuen Datenquelle, weil Exporte, Kopien und Verknüpfungen von Hand gepflegt werden. Zweitens entsteht eine hohe Abhängigkeit von einzelnen Personen, die die gewachsenen Dateien und ihre Logik kennen. Drittens fehlt die Skalierbarkeit, sowohl technisch beim Datenvolumen als auch organisatorisch, wenn mehrere Fachbereiche mit denselben Zahlen arbeiten sollen.

Wer im Alltag mehr Zeit mit Datenaufbereitung als mit Analyse verbringt, kennt diese Muster aus eigener Erfahrung. Das Problem liegt nicht an den Werkzeugen selbst, sondern daran, dass eine Architekturebene fehlt, die Daten zentral integriert, harmonisiert und bereitstellt.

Die vier Schichten einer modernen Datenarchitektur

Eine Datenarchitektur ist der strukturelle Bauplan, der festlegt, wie Daten in einem Unternehmen erfasst, zusammengeführt, gespeichert und genutzt werden. Unabhängig von der konkreten Technologie hat sich dafür ein Aufbau in vier logischen Schichten bewährt.

Die erste Schicht bilden die Datenquellen. Dazu zählen ERP- und CRM-Systeme, Projektcontrolling, Webshops und Plattformen sowie zunehmend Maschinen- und Sensordaten. Die zweite Schicht ist die Integration. Automatisierte Datenpipelines, also regelmäßig laufende Prozesse zur Übertragung und Aufbereitung von Daten, ersetzen manuelle Exporte und Kopien. Die dritte Schicht ist die zentrale Datenplattform. Hier werden Daten gespeichert, historisiert, bereinigt und in ein gemeinsames Datenmodell überführt. Die vierte Schicht ist die Nutzung. Sie umfasst Reporting und Dashboards, Self-Service-Analysen der Fachbereiche und darauf aufbauende KI-Anwendungen.

Entscheidend ist, dass die Schichten sauber getrennt sind. Neue Datenquellen lassen sich dann anbinden, ohne bestehende Berichte zu gefährden, und neue Anwendungsfälle wie ein KI-Assistent greifen auf dieselbe geprüfte Datenbasis zu wie das Standardreporting.

Welche Rolle spielen Lakehouse, Microsoft Fabric und Azure Databricks?

Für die dritte Schicht, die zentrale Datenplattform, hat sich in den vergangenen Jahren der Lakehouse-Ansatz durchgesetzt. Ein Data Lakehouse verbindet die flexible, kostengünstige Speicherung eines Data Lake mit den Struktur- und Qualitätsmerkmalen eines klassischen Data Warehouse. Rohdaten, bereinigte Daten und analysefertige Datenmodelle liegen dabei auf einer gemeinsamen Plattform, häufig organisiert in aufeinander aufbauenden Qualitätsstufen.

Im Microsoft-Umfeld stehen dafür vor allem zwei Plattformen zur Verfügung. Microsoft Fabric bündelt Datenintegration, Lakehouse-Speicherung und Auswertung mit Power BI in einer durchgängigen Umgebung und eignet sich besonders, wenn ein Unternehmen bereits mit Microsoft 365 und Power BI arbeitet. Azure Databricks spielt seine Stärken aus, wenn neben dem Reporting auch anspruchsvollere Data-Science- und Machine-Learning-Anwendungen geplant sind. Machine Learning bezeichnet dabei Verfahren, mit denen Modelle Muster aus Daten lernen, etwa für Prognosen. Beide Ansätze schließen sich nicht aus und lassen sich kombinieren.

Wichtiger als die Plattformentscheidung im Detail ist die Zukunftsfähigkeit der Gesamtarchitektur. Wie leicht lassen sich neue Datenquellen anbinden, wie gut wächst die Lösung mit dem Datenvolumen mit, und kann das interne Team die Plattform eigenständig weiterentwickeln. An diesen Fragen entscheidet sich, ob eine Architektur über Jahre trägt.

Governance und Datenqualität als Fundament

Eine leistungsfähige Plattform allein macht noch keine verlässlichen Zahlen. Data Governance, also verbindliche Regeln und Zuständigkeiten für den Umgang mit Daten, gehört deshalb von Anfang an in die Architektur. Dazu zählen einheitliche Definitionen zentraler Kennzahlen, geregelte Zugriffsrechte und dokumentierte Verantwortlichkeiten für einzelne Datenbereiche.

Hinzu kommen regulatorische Anforderungen. Die DSGVO, also die europäische Datenschutz-Grundverordnung, setzt den Rahmen für personenbezogene Daten. Der EU Data Act regelt seit September 2025 zusätzlich Rechte an Daten aus vernetzten Geräten und betrifft damit auch produzierende Unternehmen. Eine Architektur mit klaren Berechtigungen und nachvollziehbarer Datenherkunft erleichtert es, diese Anforderungen ohne Sonderlösungen zu erfüllen.

Ein Punkt, der in der Praxis oft übersehen wird, ist die Datenqualität an der Quelle. Fehler, die bereits im ERP-System entstehen, lassen sich nachgelagert nur mit hohem Aufwand korrigieren. Qualitätsprüfungen gehören deshalb in die Integrationsschicht, nicht erst in den fertigen Bericht.

Wie viel Datenpotenzial bleibt derzeit ungenutzt?

Der Handlungsbedarf lässt sich beziffern. Nach der repräsentativen Bitkom-Befragung von 605 Unternehmen ab 20 Beschäftigten aus dem Jahr 2025 nutzen nur 7 Prozent der Unternehmen das Potenzial ihrer bereits vorhandenen Daten vollständig aus. Weitere 30 Prozent schöpfen es eher stark aus. Dem stehen 41 Prozent gegenüber, die ihre Möglichkeiten eher wenig ausschöpfen, und 19 Prozent, die sie überhaupt nicht nutzen.

Bemerkenswert ist die Dynamik in der zweiten Gruppe. Von den Unternehmen, die ihr Potenzial bisher nicht nutzen, haben 26 Prozent bereits Maßnahmen ergriffen und weitere 49 Prozent planen dies derzeit. Der Wettbewerb um die bessere Datennutzung hat damit längst begonnen, auch im Mittelstand.

Wie gelingt der Einstieg? Anforderungen vor Technologie

Der häufigste Fehler beim Aufbau einer Datenarchitektur ist der Start bei der Technologie. Tragfähiger ist der umgekehrte Weg, der bei den fachlichen Anforderungen beginnt. Welche Entscheidungen sollen künftig datenbasiert getroffen werden, welche Kennzahlen braucht die Steuerung dafür, und aus welchen Quellen stammen die zugrunde liegenden Daten. Erst aus diesen Antworten leiten sich Datenmodell, Plattformwahl und Ausbaustufen ab.

Ein bewährtes Format dafür ist die Informationsbedarfsanalyse, ein strukturierter, workshopbasierter Prozess, der den tatsächlichen Informationsbedarf der Fachbereiche und der Geschäftsführung systematisch erhebt und priorisiert. Das Ergebnis ist eine belastbare Grundlage für die Architekturentscheidung, die sich auch gegenüber der Geschäftsführung nachvollziehbar begründen lässt.

Für das interne Datenteam hat dieses Vorgehen einen weiteren Vorteil. Wer die Architektur von den Anforderungen her mitentwickelt, baut zugleich das Know-how auf, um sie später eigenständig zu betreiben und zu erweitern, statt dauerhaft von externen Dienstleistern abhängig zu sein.

Fazit

Datengetriebene Unternehmen brauchen keine einzelne Software, sondern eine Architektur aus vier zusammenspielenden Schichten, von den Datenquellen über Integration und zentrale Datenplattform bis zur Nutzung in Reporting und KI-Anwendungen. Die Bitkom-Zahlen zeigen, dass die meisten Unternehmen in Deutschland hier noch erhebliches Potenzial haben, und zugleich, dass viele bereits konkrete Schritte planen. Wer jetzt strukturiert startet, bei den fachlichen Anforderungen beginnt und internes Know-how aufbaut, legt das Fundament für Reporting, Self-Service-Analysen und künftige KI-Anwendungen auf einer gemeinsamen, verlässlichen Datenbasis.

FAQ

Was ist eine Datenarchitektur?

Eine Datenarchitektur ist der strukturelle Bauplan, der festlegt, wie Daten in einem Unternehmen erfasst, integriert, gespeichert und genutzt werden. Sie umfasst Datenquellen, Integrationsprozesse, eine zentrale Datenplattform und die Nutzungsschicht mit Reporting und Analysen. Eine gute Datenarchitektur wächst mit dem Unternehmen mit und lässt sich um neue Datenquellen und Anwendungsfälle erweitern.

Was ist ein Data Lakehouse?

Ein Data Lakehouse ist eine Datenplattform, die die flexible Speicherung eines Data Lake mit den Struktur- und Qualitätsmerkmalen eines Data Warehouse verbindet. Rohdaten, aufbereitete Daten und analysefertige Datenmodelle liegen auf einer gemeinsamen Plattform. Damit lassen sich klassisches Reporting und Data-Science-Anwendungen ohne doppelte Datenhaltung aus derselben Quelle bedienen.

Welche Plattformen eignen sich für den Mittelstand?

Im Microsoft-Umfeld haben sich Microsoft Fabric und Azure Databricks als Basis für skalierbare Datenarchitekturen etabliert, ergänzt um Power BI für Reporting und Self-Service-Analysen. Beide Plattformen folgen dem Lakehouse-Ansatz und lassen sich schrittweise einführen. Welche Plattform passt, hängt von vorhandenen Systemen, Anforderungen und internem Know-how ab.

Warum reicht Excel für datengetriebene Unternehmen nicht aus?

Excel eignet sich für einzelne Auswertungen, stößt aber bei wachsendem Datenvolumen, vielen Datenquellen und mehreren Beteiligten an technische und organisatorische Grenzen. Auswertungen sind manuell, fehleranfällig und oft von einzelnen Personen abhängig. Eine zentrale Datenplattform automatisiert die Datenaufbereitung und schafft eine gemeinsame, verlässliche Datenbasis.

Wie startet man den Aufbau einer Datenarchitektur?

Am Anfang steht die Klärung des Informationsbedarfs, also die Frage, welche Kennzahlen und Auswertungen das Unternehmen tatsächlich zur Steuerung benötigt. Daraus leiten sich Datenquellen, Datenmodell und Plattformwahl ab. Ein workshopbasiertes Vorgehen wie die Informationsbedarfsanalyse stellt sicher, dass die Architektur an den fachlichen Anforderungen ausgerichtet ist statt an einzelnen Werkzeugen.

Quellen

• Bitkom e. V., Presseinformation „100 Tage vor dem Data Act: Kaum ein Unternehmen ist vorbereitet", Mai 2025, https://www.bitkom.org/Presse/Presseinformation/Data-Act-Kaum-Unternehmen-vorbereitet
• Bitkom e. V., Studienbericht „Data Economy", 2025, https://www.bitkom.org/Bitkom/Publikationen/Data-Economy-Studienbericht