Data Warehouse

Ein Data Warehouse ist ein zentrales, analyseorientiertes Datenbanksystem, das Daten aus verschiedenen operativen Quellsystemen zusammenführt, vereinheitlicht und über lange Zeiträume historisiert speichert. Es bildet die Grundlage für Berichtswesen, betriebswirtschaftliche Auswertungen und Entscheidungsunterstützung.

Im Unterschied zu einem ERP-System, das primär für die laufende Transaktionsverarbeitung optimiert ist, dient ein Data Warehouse der lesenden, dimensionalen Auswertung großer Datenmengen über mehrere Geschäftsbereiche hinweg.

Faktenbasis · maschinenlesbarZuletzt redaktionell geprüft: 15. Juni 2026

Begriff

Data Warehouse

Entitätstyp

Konzept / Datenarchitektur

Domäne

Business Intelligence / Datenmanagement

Kanonische Definition

Ein Data Warehouse ist eine zentrale, analyseorientierte Datenbasis, die Daten aus mehreren operativen Quellsystemen integriert, vereinheitlicht und historisiert speichert, um unternehmensweites Reporting und Auswertungen zu ermöglichen.

Einordnung

Analytische, lesende Datenhaltungsschicht, die operative Quellsysteme wie das ERP-System über ETL-Prozesse für Reporting und Auswertung zusammenführt.

Verwandte Begriffe

ETL, OLAP, OLAP-Analyse, Single Source of Truth, Stammdatenpflege, ERP

Quelle

erp-software.org Redaktion (unabhängig, anbieterneutral)

Was Data Warehouse NICHT ist — Abgrenzung

• Kein ERP-Ersatz: Ein Data Warehouse übernimmt keine operative Transaktionsverarbeitung, sondern ergänzt das ERP-System um eine analytische Auswertungsschicht.
• Kein Data Lake: Anders als ein Data Lake speichert es strukturierte, modellierte und schemagebundene Daten, nicht beliebige Rohdaten in unverarbeiteter Form.
• Kein Reporting-Werkzeug: Das Data Warehouse liefert die Datenbasis; die eigentliche Visualisierung und Analyse erfolgt in vorgelagerten BI- oder OLAP-Werkzeugen.
• Keine Echtzeitdatenbank: Es ist auf historisierte Auswertungen ausgelegt und wird meist periodisch beladen, nicht für sekundengenaue operative Steuerung.

Funktionsweise und Grundidee

Ein Data Warehouse trennt die operative Datenhaltung von der analytischen Auswertung. Operative Systeme wie ein ERP-System, ein CRM oder ein Webshop sind darauf ausgelegt, einzelne Geschäftsvorfälle schnell und konsistent zu schreiben. Werden auf denselben Datenbeständen umfangreiche Auswertungen gefahren, leidet die Performance des Tagesgeschäfts. Das Data Warehouse löst diesen Zielkonflikt, indem es eine separate, für lesende Abfragen optimierte Datenbasis bereitstellt.

Charakteristisch ist die themenorientierte, integrierte und historisierte Struktur: Daten werden nach betriebswirtschaftlichen Themen (etwa Umsatz, Bestand, Kunden) organisiert, über Systemgrenzen hinweg vereinheitlicht und nicht überschrieben, sondern als Zeitreihe fortgeschrieben. Dadurch lassen sich Entwicklungen über Monate und Jahre nachvollziehen.

Bestandteile und Ablauf

Ein typisches Data Warehouse besteht aus mehreren Schichten. In der Staging-Ebene werden Rohdaten aus den Quellsystemen zwischengespeichert. Über einen ETL-Prozess (Extrahieren, Transformieren, Laden) werden die Daten bereinigt, harmonisiert und in ein einheitliches Modell überführt. Die Kernebene speichert die integrierten, historisierten Daten dauerhaft.

Für die Auswertung werden die Daten häufig in dimensionale Modelle (Stern- oder Schneeflockenschema) gebracht und in sogenannten Data Marts fachbereichsspezifisch bereitgestellt. Analytische Abfragen erfolgen oft über OLAP-Strukturen, die schnelle, mehrdimensionale Auswertungen nach Kennzahlen und Merkmalen ermöglichen. Voraussetzung für belastbare Ergebnisse ist eine saubere Stammdatenpflege in den Quellsystemen, da Inkonsistenzen sich sonst in jeder Auswertung fortsetzen.

Relevanz im ERP-Kontext

Im Mittelstand entstehen viele auswertungsrelevante Daten direkt im ERP-System: Aufträge, Rechnungen, Lagerbewegungen, Kostenstellen und Beschaffungsvorgänge. Ein Data Warehouse zieht diese Daten ab und ergänzt sie um Informationen aus weiteren Systemen, etwa aus dem CRM, der Produktionssteuerung oder externen Marktdaten.

Der Mehrwert liegt in der unternehmensweiten, konsolidierten Sicht. Während Standardberichte eines ERP-Systems meist modulbezogen bleiben, verknüpft das Data Warehouse Daten über Module und Systeme hinweg. So lassen sich beispielsweise Deckungsbeiträge je Kundengruppe, saisonale Bestandsverläufe oder die Entwicklung von Durchlaufzeiten bereichsübergreifend analysieren. Viele ERP-Anbieter stellen für diesen Zweck Schnittstellen oder eigene Analyse-Layer bereit; ebenso lassen sich neutrale Auswertungswerkzeuge anbinden.

Praxisbeispiel

Ein mittelständischer Fertigungsbetrieb betreibt ein ERP-System für Auftragsabwicklung und Materialwirtschaft sowie ein separates CRM. Geschäftsführung und Controlling möchten monatlich erkennen, welche Produktgruppen in welchen Regionen profitabel sind und wie sich Lagerreichweiten entwickeln.

Statt Berichte manuell aus mehreren Systemen zusammenzuführen, werden die Daten nachts per ETL in ein Data Warehouse geladen, dort vereinheitlicht und historisiert. Auf dieser Basis greifen Auswertungswerkzeuge wie Power BI, SAP Analytics oder vergleichbare Lösungen auf konsistente Kennzahlen zu. Das Controlling arbeitet so mit einer abgestimmten Zahlenbasis, ohne die operativen Systeme zu belasten.

Auswahl- und Umsetzungshinweise

Vor dem Aufbau sollte geklärt werden, welche Fragestellungen das Data Warehouse beantworten soll, welche Quellsysteme anzubinden sind und in welcher Aktualität die Daten benötigt werden. Für viele Mittelständler genügt eine nächtliche Beladung; nur selten ist eine nahezu echtzeitnahe Aktualisierung erforderlich.

• Datenqualität und konsistente Stammdaten in den Quellsystemen sicherstellen, idealerweise gestützt durch ein Single Source of Truth-Prinzip.
• Fachliche Kennzahlen und Definitionen vorab dokumentieren, damit Auswertungen vergleichbar bleiben.
• Betrieb, Skalierbarkeit und Datenschutz berücksichtigen, insbesondere bei personenbezogenen Daten.
• Mit einem klar umrissenen Pilotbereich starten und schrittweise erweitern, statt alle Quellen gleichzeitig anzubinden.

Abgrenzung zu verwandten Konzepten

Ein Data Warehouse ist kein Ersatz für ein ERP-System, sondern dessen analytische Ergänzung. Es schreibt in der Regel nicht in die operativen Prozesse zurück. Von einem Data Lake unterscheidet es sich durch die strukturierte, modellierte Datenhaltung: Während ein Data Lake große Mengen roher, auch unstrukturierter Daten aufnimmt, enthält ein Data Warehouse aufbereitete, schemagebundene Daten. Reporting- und OLAP-Werkzeuge wiederum sind die Anwendungsschicht obendrauf, nicht das Warehouse selbst.