Im thinkBI Podcast ging es zuletzt darum, dass ein Datenmodell nicht mit Tabellen beginnt, sondern mit fachlichen Objekten. Die nächste Frage liegt deshalb nahe: Wie wird aus diesen Objekten ein Analysemodell, das tatsächlich trägt? Genau an dieser Stelle kommen Sternschema und Bus-Matrix ins Spiel.
Das klingt zunächst technisch. Und natürlich sind beides Modellierungsformen. Ihr eigentlicher Wert liegt aber nicht in der Form der Tabellen, sondern in der Klarheit, die sie erzwingen. Sie zwingen dazu, Kennzahlen, Perspektiven und Begriffe sauber zu ordnen, bevor man Auswertungen baut.
Das sichtbare Problem ist oft nur ein Tabellenproblem
Viele Datenmodelle scheitern nicht erst in der Visualisierung. Sie scheitern schon dort, wo Kennzahlen und Begriffe unsauber zusammengeführt werden. Dann wird eine Zahl zwar angezeigt, aber es bleibt unklar, worauf sie sich eigentlich bezieht. Ein Umsatz ist da. Ein Lagerbestand auch. Vielleicht sogar offene Bestellungen. Aber welche Perspektiven diese Kennzahlen teilen und wo ihre Grenzen liegen, bleibt im Modell selbst unscharf.
Genau deshalb ist das Sternschema mehr als eine bekannte Modellierungsregel. Es schafft eine einfache Grundordnung. In der Mitte stehen die Fakten. Dort liegen die Bewegungsdaten, also die Kennzahlen oder messbaren Ereignisse, die später analysiert werden sollen. Darum herum liegen die Dimensionen. Sie beschreiben die Perspektiven, nach denen diese Fakten gelesen werden: etwa Produkt, Datum oder Kunde.
Diese Unterscheidung ist nicht banal. Sie beantwortet eine der wichtigsten Fragen analytischer Arbeit: Was wird hier gemessen und wonach wird es unterschieden?
Fakten ohne Dimensionen bleiben stumm
Eine Kennzahl allein erklärt noch wenig. Erst durch eine Dimension wird sie anschlussfähig. Ein Umsatzwert wird interessant, wenn er nach Produkt, Zeitraum oder Kundengruppe gelesen werden kann. Ein Lagerbestand wird erst dann steuerungsrelevant, wenn er sich in einen Zeitpunkt, ein Produkt oder einen Standort einordnen lässt.
Das Sternschema ist deshalb keine technische Spielerei, sondern eine Lesbarkeitsstruktur. Es trennt die Messgröße von den Blickrichtungen auf diese Messgröße. Genau diese Trennung schafft Stabilität. Denn sie macht sichtbar, welche Perspektiven wirklich Teil einer Kennzahl sind und welche eben nicht.
Das ist wichtig, weil Organisationen sonst leicht zu viel in ein Modell hineinlesen. Wenn eine Kennzahl nicht mit einer bestimmten Dimension verbunden ist, dann darf sie darüber auch nicht selbstverständlich ausgewertet werden. Ein Einkaufsfakt hat in vielen Fällen keine Kundendimension. Ein Lagerbestand ebenfalls nicht. Wer trotzdem erwartet, Lagerbestände direkt nach Kunden aufzuschlüsseln, verwechselt Analysewunsch mit Modellrealität.
Ein gutes Modell schützt genau vor solchen Missverständnissen. Es zeigt nicht nur, was möglich ist. Es zeigt auch, was bewusst nicht verbunden wurde.
Begriffe müssen verständlich sein, nicht systemtreu
An dieser Stelle bekommt auch die Benennung eine größere Bedeutung, als viele Modellierungsdiskussionen vermuten lassen. Dimensionen sind nicht bloß Tabellen mit Schlüsseln. Sie sind die sprachlichen Anker, mit denen Nutzer ein Modell verstehen.
Deshalb ist ein nutzerfreundlicher Name keine kosmetische Frage. Er entscheidet mit darüber, ob ein Modell anschlussfähig bleibt. Wenn Begriffe zu eng an ein bestimmtes ERP-System gebunden sind, trägt das Modell unbemerkt die Sprache dieses Systems weiter. Das funktioniert so lange, bis ein weiteres System hinzukommt oder ein bestehendes ersetzt wird.
Dann zeigt sich die eigentliche Schwäche: Die Organisation denkt noch in alten Bezeichnungen, obwohl sich die operative Struktur bereits verändert hat. Das Analysemodell wird damit semantisch träge. Es konserviert Systemhistorie, statt fachliche Klarheit zu schaffen.
BI sollte hier begriffstreu sein, nicht systemtreu. Wenn die Organisation von Kunden, Produkten, Perioden oder Rechnungen spricht, dann braucht das Modell eine Sprache, die diese Wirklichkeit trägt und nicht bloß die Feldnamen eines einzelnen Systems spiegelt.
Die Bus-Matrix macht Verknüpfungen sichtbar
Genau hier hilft die Bus-Matrix. Sie ist kein Selbstzweck und auch kein Artefakt für Modellierer allein. Sie ist vor allem ein Prüfwerkzeug in der Konzeptphase.
In den Zeilen stehen Fakten oder Faktenbereiche. In den Spalten stehen die Dimensionen. An den Schnittpunkten wird sichtbar, ob und wie eine Verbindung besteht. Nicht nur die Existenz der Verbindung ist relevant, sondern auch der konkrete Schlüssel oder die Rolle, über die sie hergestellt wird.
Das klingt zunächst nüchtern, ist aber analytisch äußerst wertvoll. Denn dieselbe Dimension kann je nach Kontext unterschiedliche Rollen haben. Der Kunde, der bestellt, ist nicht zwingend derselbe wie der Kunde, der die Rechnung erhält. Wenn das Modell nur eine allgemeine Kundendimension kennt, muss dennoch eindeutig sein, auf welche Kundenrolle sich ein bestimmter Fakt bezieht.
Die Bus-Matrix zwingt zu genau dieser Klärung. Sie macht sichtbar, ob ein Rechnungsbetrag über den Rechnung-an-Kunden-Schlüssel oder über den Verkauf-an-Kunden-Schlüssel mit der Kundendimension verbunden ist. Und sie macht ebenso sichtbar, wo eine solche Verbindung gar nicht existiert.
Das sind keine Formalismen. Das sind Klarstellungen. Ohne sie entstehen später Auswertungen, die technisch korrekt aussehen, fachlich aber in die falsche Richtung filtern.
Gemeinsame Dimensionen schaffen gemeinsame Erkenntnis
Besonders stark wird diese Logik dort, wo mehrere Faktenbereiche über gemeinsame Dimensionen zusammen gelesen werden. Verkauf, Lager und Einkauf sind dafür ein gutes Beispiel. Für sich genommen beantworten diese Bereiche unterschiedliche Fragen. Über gemeinsame Dimensionen wie Produkt und Datum lassen sie sich jedoch aufeinander beziehen.
Dann wird plötzlich eine übergreifende Analyse möglich: Wie hoch ist zu einem bestimmten Zeitpunkt der Auftragsbestand eines Produkts? Wie sieht dazu der aktuelle Lagerbestand aus? Welche offenen Bestellungen sind bereits im Zulauf? Drei Faktenbereiche, zwei gemeinsame Dimensionen, eine deutlich reichere Erkenntnislage.
Genau darin liegt die Stärke eines sauber gedachten Modells. Es verbindet nicht wahllos alles mit allem, sondern schafft gezielte gemeinsame Bezugspunkte. Erkenntnis entsteht nicht aus Datenfülle, sondern aus passender struktureller Anschlussfähigkeit.
Gute Modellierung ordnet nicht nur Daten, sondern Grenzen
Die ruhigere, aber vielleicht wichtigere Pointe dieser Folge liegt deshalb an einer anderen Stelle: Ein Modell ist nicht nur dann gut, wenn es viele Auswertungen erlaubt. Es ist gut, wenn es die Reichweite seiner Aussagen klar macht.
Das Sternschema ordnet Kennzahlen in Fakten und Perspektiven. Die Bus-Matrix prüft, welche dieser Perspektiven wirklich anschlussfähig sind. Verständliche Benennungen sorgen dafür, dass diese Struktur auch über Systeme hinweg lesbar bleibt.
Damit verschiebt sich Datenmodellierung erneut weg vom rein Technischen. Sie wird zu einer Form von Informationsarchitektur. Sie entscheidet darüber, welche Begriffe stabil sind, welche Rollen unterschieden werden müssen und welche Kombinationen von Kennzahlen und Perspektiven überhaupt sinnvoll miteinander sprechen.
Vielleicht ist genau das die sachliche Zuspitzung dieser Folge: Ein gutes Analysemodell verbindet nicht einfach Tabellen. Es ordnet Bedeutung, bevor es Zahlen freigibt.
🎧 Die komplette Folge findest du im thinkBI Podcast.
Musik: Great Podcast Intro (short & long) von Lundstroem
Quelle: freemusicarchive.org (Creative Commons) – https://freemusicarchive.org/music/lundstroem/songs-for-leona/great-podcast-intro-both-short-and-long-version-included/
