Data Warehouse
Ein Data Warehouse ist eine zentrale, für Auswertungen optimierte Datenbank, die Daten aus verschiedenen Quellsystemen wie ERP, Shop oder CRM bereinigt, historisiert und themenorientiert zusammenführt – als verlässliche Grundlage für Reporting und Business Intelligence.
Ein Data Warehouse (DWH) ist eine zentrale, für Analysen ausgelegte Datenbank, die Daten aus mehreren operativen Quellsystemen – etwa ERP, Onlineshop, CRM oder Finanzbuchhaltung – extrahiert, bereinigt, vereinheitlicht und dauerhaft speichert. Anders als eine operative Datenbank, die auf schnelles Erfassen und Ändern einzelner Vorgänge ausgelegt ist, dient das Data Warehouse dem Lesen und Verdichten großer Datenmengen über lange Zeiträume. Es ist damit das gemeinsame, historisierte Fundament, auf dem Berichte, Dashboards und Business-Intelligence-Auswertungen aufsetzen.
Der Begriff geht auf Bill Inmon zurück, der ein Data Warehouse als subjektorientierte, integrierte, zeitbezogene und nicht-flüchtige Sammlung von Daten definiert hat. Diese vier Eigenschaften beschreiben den Kern: Die Daten sind nach Geschäftsthemen wie Kunde, Artikel oder Umsatz geordnet, systemübergreifend zusammengeführt, mit einem Zeitstempel versehen und werden nicht überschrieben, sondern historisch fortgeschrieben. So entsteht eine konsistente „einzige Wahrheit", auf die sich alle Abteilungen beziehen können.
Auf einen Blick
- Zentrale, für Auswertungen optimierte Datenbank statt operatives Tagesgeschäft
- Führt Daten aus ERP, Shop, CRM und weiteren Systemen bereinigt zusammen
- Historisiert Daten: Vergangenheitswerte bleiben erhalten und auswertbar
- Wird per ETL/ELT befüllt und über OLAP, Reporting und Dashboards genutzt
- Entlastet das operative ERP und ermöglicht Analysen über Systemgrenzen hinweg
Wie funktioniert ein Data Warehouse?
Ein Data Warehouse steht am Schnittpunkt zwischen den operativen Systemen und den Auswertungswerkzeugen. Aus den Quellsystemen werden Daten regelmäßig – oft nächtlich oder in kurzen Intervallen – extrahiert, transformiert und geladen. Dieser Vorgang wird als ETL-Prozess (Extract, Transform, Load) bezeichnet; bei modernen Cloud-Architekturen wird häufig zuerst geladen und danach transformiert (ELT). Im Warehouse selbst liegen die Daten in einem für Lesezugriffe und Verdichtung optimierten Modell, auf das Reporting-, OLAP- und Dashboard-Werkzeuge zugreifen.
Die Schichten einer DWH-Architektur
Ein typisches Data Warehouse ist mehrschichtig aufgebaut. In einer Staging-Ebene landen die Rohdaten der Quellsysteme zunächst unverändert. Von dort werden sie bereinigt, dedupliziert und in ein konsolidiertes Kernmodell überführt, das die integrierte, historisierte Wahrheit bildet. Auf dieser Basis entstehen fachlich zugeschnittene Data Marts – kleinere Ausschnitte für einzelne Bereiche wie Vertrieb oder Einkauf. Diese Trennung sorgt dafür, dass Auswertungen schnell und konsistent bleiben, ohne die produktiven Systeme zu belasten.
Sternschema, Fakten und Dimensionen
Für Analysen werden Daten im Warehouse meist dimensional modelliert, klassisch als Sternschema. Im Zentrum steht eine Faktentabelle mit den messbaren Größen – etwa Umsatz, Menge oder Deckungsbeitrag je Verkaufsvorgang. Darum gruppieren sich Dimensionstabellen mit den beschreibenden Merkmalen wie Zeit, Artikel, Kunde oder Region. Diese Struktur erlaubt es, Kennzahlen flexibel entlang beliebiger Dimensionen zu filtern und per Drill-down von der Gesamtsumme bis zur einzelnen Position zu navigieren.
Warum ein Data Warehouse wichtig ist
Der Nutzen eines Data Warehouse liegt in Konsistenz, Historie und Entlastung. Werden Auswertungen direkt auf den operativen Systemen gefahren, konkurrieren rechenintensive Abfragen mit dem Tagesgeschäft und bremsen es aus. Zudem liefert jedes System eigene Zahlen, oft mit abweichenden Definitionen – das Warehouse führt sie in einem abgestimmten Modell zusammen und schafft eine belastbare Faktenbasis.
Entscheidend ist die Historisierung: Operative Systeme überschreiben Werte, sobald sich etwa ein Preis, eine Kundenadresse oder ein Bestand ändert. Ein Data Warehouse bewahrt den jeweiligen Stand mit Zeitbezug auf und kann so Entwicklungen über Monate und Jahre nachzeichnen. Erst dadurch lassen sich Trends, Saisonalitäten und Jahresvergleiche verlässlich auswerten. Voraussetzung für aussagekräftige Ergebnisse ist eine hohe Datenqualität – fehlerhafte oder uneinheitliche Quelldaten führen auch im Warehouse zu falschen Kennzahlen.
Data Warehouse und das ERP-System
Für die meisten mittelständischen Unternehmen ist das ERP-System die wichtigste Datenquelle für ein Data Warehouse, weil dort Aufträge, Rechnungen, Bestände, Einkäufe und Stammdaten zusammenlaufen. Die Anbindung erfolgt üblicherweise über eine API oder einen ETL-Konnektor, der die relevanten Bewegungs- und Stammdaten in das Warehouse überträgt.
Viele moderne ERP-Systeme bringen bereits eingebaute Reporting- und Dashboard-Funktionen mit, die Standardkennzahlen direkt aus dem laufenden Betrieb liefern – für viele Alltagsfragen genügt das. Ein eigenständiges Data Warehouse lohnt sich, sobald mehrere Quellen zusammengeführt werden sollen, etwa ERP, Onlineshop und Marktplatz-Abrechnungen, oder wenn große Historien und komplexe Modelle ausgewertet werden. Das Warehouse wird dann zur systemübergreifenden Analyseschicht, während das ERP für das operative Geschäft zuständig bleibt.
Abgrenzung: Data Warehouse, Data Lake und Data Mart
Die Begriffe rund um die zentrale Datenhaltung überschneiden sich, meinen aber Unterschiedliches. Ein Data Warehouse speichert strukturierte, bereits aufbereitete und modellierte Daten – das Schema steht vor dem Laden fest (schema-on-write). Es ist auf definierte, wiederkehrende Auswertungen ausgelegt.
Data Lake und Lakehouse
Ein Data Lake speichert dagegen große Mengen roher, auch unstrukturierter Daten in ihrem Ursprungsformat und legt die Struktur erst bei der Auswertung fest (schema-on-read). Er ist flexibler und günstiger für Massendaten, verlangt aber mehr Aufbereitung im Analyseschritt. Moderne „Lakehouse"-Ansätze verbinden beide Welten. Ein Data Mart wiederum ist kein Gegenstück, sondern ein thematischer Ausschnitt eines Warehouses für einen einzelnen Fachbereich. Und während OLAP und Reporting die Auswertung beschreiben, ist das Data Warehouse die darunterliegende Speicher- und Integrationsschicht.
Data Warehouse im DACH-Mittelstand
Lange galt das Data Warehouse als Konzernthema mit hohem Infrastruktur- und Projektaufwand. Cloudbasierte Warehouse-Dienste und in ERP-Systeme integrierte BI-Werkzeuge haben die Einstiegshürde jedoch deutlich gesenkt, sodass heute auch kleinere Handels- und Fertigungsbetriebe im DACH-Raum ein Warehouse betreiben – oft als schlanke Cloud-Lösung ohne eigene Server.
Zu beachten ist der Datenschutz: Sobald personenbezogene Daten wie Kunden- oder Mitarbeiterdaten historisiert im Warehouse liegen, gelten die Vorgaben der DSGVO – insbesondere Zweckbindung, Datenminimierung und Löschkonzepte. Gerade die für ein Warehouse typische dauerhafte Historisierung steht im Spannungsfeld zum Recht auf Löschung, weshalb ein durchdachtes Konzept für Aufbewahrung und Anonymisierung nötig ist. Bei Cloud-Diensten außerhalb der EU sind zudem die Vorgaben zur Datenübermittlung in Drittländer zu prüfen.
Praxisbeispiel
Data Warehouse bei einem Multichannel-Händler
Ein mittelständischer Händler verkauft über den eigenen Onlineshop, mehrere Marktplätze und den stationären Handel. Die Umsatzdaten liegen verteilt in ERP, Shopsystem und Marktplatz-Abrechnungen; jede Abteilung wertet mit eigenen Excel-Listen aus, und die Zahlen weichen regelmäßig voneinander ab. Eine belastbare Gesamtsicht auf Umsatz und Marge je Kanal fehlt, und Auswertungen direkt im ERP bremsen zu Stoßzeiten das Tagesgeschäft.
Der Händler richtet ein cloudbasiertes Data Warehouse ein. Ein nächtlicher ETL-Prozess lädt Aufträge, Rechnungen und Bestände aus allen Systemen in ein Sternschema mit Fakten- und Dimensionstabellen. Ein Dashboard zeigt nun Umsatz, Rohertrag und Retourenquote je Kanal, Warengruppe und Monat – mit Drill-down bis auf den einzelnen Artikel und Jahresvergleich über die historisierten Daten. So wird sichtbar, dass ein umsatzstarker Marktplatz nach Retouren und Gebühren nur eine dünne Marge liefert.
Häufige Fragen
Passende Leistungen
Fragen zu Data Warehouse in deinem ERP-Projekt?
Wir beraten herstellerunabhängig – und setzen es auf Wunsch selbst um.