Im thinkBI Podcast geht es diesmal um eine Rückfrage aus der Community. Sind die Überlegungen zum Sternschema der Schlüssel zum Gold Layer und beginnt danach das semantische Modell? Um diese Begriffe zu sortieren, kommt erstmals auch ChatGPT als Gesprächspartner hinzu.
Die Frage ist wichtig, weil Schichtenmodelle schnell eine Eindeutigkeit erzeugen, die in der Praxis gar nicht vorhanden ist. Raw, Silver und Gold klingen nach einer klaren Abfolge. Rohdaten werden aufbereitet, fachlich geordnet und schließlich analytisch nutzbar gemacht. Doch spätestens beim Gold Layer beginnt die Unschärfe. Ist er bereits die fertige semantische Schicht? Gehört das Power-BI-Modell noch dazu? Oder liegt es als weitere Ebene darüber?
Die Begriffe lösen dieses Problem nicht von selbst. Entscheidend ist deshalb weniger der Name einer Schicht als ihre Aufgabe.
Der Gold Layer ist keine natürliche Endstufe
Die Medaillenarchitektur beschreibt Verarbeitungsschritte. Sie hilft dabei, Rohdaten, bereinigte Bestände und analytisch vorbereitete Strukturen voneinander zu unterscheiden. Das ist nützlich, aber keine Naturgesetzlichkeit. Eine Architektur muss nicht aus genau drei Schichten bestehen. Zwischenstufen können sinnvoll sein, und auch die Grenze des Gold Layers wird je nach Organisation und Plattform unterschiedlich gezogen.
Damit verliert die Frage „Ist das noch Silver oder schon Gold?“ etwas von ihrer scheinbaren Präzision. Wichtiger ist, welche Verantwortung übernimmt diese Schicht?
Ein Gold Layer kann Dimensionen und Fakten in einem Sternschema bereitstellen. Er kann Daten fachlich konsolidieren und für analytische Abfragen optimieren. Damit entsteht eine wichtige Grundlage. Aber eine gut vorbereitete Tabellenstruktur legt noch nicht vollständig fest, wie Geschäftsbegriffe verwendet, Kennzahlen berechnet oder Beziehungen im konkreten Analysekontext wirksam werden.
Ein Sternschema organisiert Daten. Es erklärt noch nicht jede fachliche Lesart dieser Daten.
Semantik verbindet Struktur mit fachlicher Bedeutung
An dieser Stelle wird die Unterscheidung zwischen Semantic Layer und semantischem Modell hilfreich. Sie ist nicht in jeder Werkzeugwelt gleich definiert, beschreibt aber zwei unterschiedliche Blickrichtungen.
Der Semantic Layer steht für die fachliche Vereinbarung: Was bedeutet Umsatz? Welche Entitäten kennt die Organisation? Welche Beziehungen gelten zwischen ihnen? Welche Berechnungsregeln und Hierarchien sollen unabhängig von einem einzelnen Bericht konsistent bleiben?
Das semantische Modell ist die konkrete technische Ausprägung dieser Logik in einem System. In Power BI gehören dazu beispielsweise Tabellen, Beziehungen, Measures, Hierarchien und Berechtigungen. Andere Plattformen setzen dieselbe Aufgabe mit anderen Mitteln um.
Diese Trennung ist kein Streit um Begriffe. Sie macht eine Architekturfrage sichtbar. Wenn fachliche Bedeutung ausschließlich in einem konkreten Werkzeug lebt, ist sie eng an dessen Modellierungslogik gebunden. Wechselt das Frontend oder sollen mehrere Werkzeuge dieselben Kennzahlen verwenden, muss die Semantik häufig erneut übersetzt oder sogar neu aufgebaut werden.
Das eigentliche Problem ist dann nicht fehlende Technologie. Es ist mehrfach gepflegte Bedeutung.
Eine physische Struktur ersetzt keine Geschäftslogik
Ein Sternschema im Gold Layer und ein semantisches Modell konkurrieren deshalb nicht miteinander. Sie beantworten unterschiedliche Fragen.
Das Sternschema fragt: Wie müssen Fakten und Dimensionen strukturiert sein, damit analytische Abfragen verständlich und performant möglich werden?
Die semantische Ebene fragt: Wie sollen Nutzer diese Daten fachlich lesen, filtern und berechnen?
Beides gehört zusammen. Eine beliebige Datenstruktur lässt sich nicht dauerhaft durch Workarounds im Bericht retten. Darauf weist auch die Rückmeldung aus der Community hin. Die bessere Denkbewegung besteht darin, Daten zuerst analytisch fähig zu strukturieren, statt ein unpassendes Modell mit immer komplizierterer Logik in die gewünschte Form zu zwingen.
Genauso wenig reicht aber die physische Struktur allein. Zwei Systeme können auf dieselben Fakt- und Dimensionstabellen zugreifen und trotzdem unterschiedliche Kennzahlenlogiken, Hierarchien oder Berechtigungen verwenden. Analytische Eignung schafft die Voraussetzung. Semantik schafft eine gemeinsame fachliche Lesart.
Herstellerübergreifende Semantik ist ein Organisationsversprechen
Spannend wird diese Unterscheidung dort, wo Semantik nicht mehr nur für ein einzelnes BI-Werkzeug gedacht wird. Ansätze für offene oder austauschbare Semantikbeschreibungen verfolgen die Idee, Geschäftslogik von ihrer konkreten technischen Umsetzung zu lösen. Kennzahlen und Entitäten sollen möglichst einmal beschrieben und anschließend in unterschiedlichen Systemen genutzt werden können.
Das Versprechen ist groß. Weniger doppelte Definitionen, weniger Abweichungen zwischen Werkzeugen und eine stabilere fachliche Sprache über die gesamte Datenlandschaft hinweg.
Doch auch ein Standard nimmt einer Organisation die inhaltliche Arbeit nicht ab. Jemand muss festlegen, was eine Kennzahl bedeutet. Jemand muss Beziehungen, Gültigkeiten und Verantwortlichkeiten klären. Und jemand muss entscheiden, welche Logik wirklich zentral gelten soll und wo ein spezieller Nutzungskontext bewusst abweichen darf.
Semantik wird nicht dadurch konsistent, dass sie in einem neuen Format gespeichert wird. Sie wird konsistent, wenn fachliche Vereinbarungen tragfähig sind und technisch verlässlich umgesetzt werden.
Damit führt die Diskussion zurück zum eigentlichen Kern von Business Intelligence. BI verbindet Entscheidungen systematisch mit Informationen. Dafür braucht sie Datenstrukturen, die Analyse tragen, und eine Semantik, die aus diesen Strukturen verständliche und konsistente Aussagen macht.
Ob eine Schicht Gold Layer oder semantisches Modell heißt, klärt noch wenig. Belastbar wird die Architektur dort, wo fachliche Bedeutung eindeutig definiert, verantwortlich gepflegt und über technische Grenzen hinweg konsistent gehalten wird.
🎧 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/
