Zum Inhalt springen
Search the hub
Native Metadaten im Data Stack

Native Metadaten im Data Stack

Wie man erkennt, was Snowflake, dbt, BI, Security und andere Plattformen bereits wissen, bevor ein weiteres Tool ergänzt wird.

Category
Data Governance
Reading time
4 min
Published
Tags
metadata native-metadata metadata-governance data-catalog data-lineage snowflake databricks microsoft-fabric dbt qlik power-bi tableau kafka mlflow data-observability
Download PDF

Einstieg

Der Data Stack ist die Gesamtheit der Systeme, mit denen Daten erzeugt, gespeichert, verarbeitet und genutzt werden. Native Metadaten entstehen in diesen Systemen selbst. Bevor ihr ein weiteres Werkzeug kauft, untersucht ihr daher, welchen Kontext ihr bereits habt und welche Verbindungen fehlen.

Im Anwendungsbeispiel kennt die Datenbank die Spalten von sales_order_line. Die Transformation kennt den Ausschluss von P3. Der Bericht kennt seine Filter. Das sind drei wertvolle Ausschnitte. Die gemeinsame Erklärung entsteht erst, wenn sie dem richtigen Objekt und dem passenden Stand zugeordnet werden.

Die Metadatenübergabe konkret nachweisen

Verfolge ein Feld vom Quellobjekt bis zum sichtbaren Bericht. Halte für jede Kante fest: Quell-ID, Ziel-ID, erzeugendes System, Lauf oder Version und Nachweisort. Fivetran betrifft dabei die Übernahme, dbt oder KNIME die ausgeführte Transformation und Power BI oder Qlik den Verbraucher. Eine Denodo-View ist nur einzutragen, wenn sie tatsächlich Teil dieses Pfads ist.

Ein fehlender Connector oder eine manuelle Zuordnung bleibt als Lücke sichtbar. Ein gezeichneter Pfeil ist kein technischer Lineage-Nachweis. Benenne einen Verantwortlichen für jede solche Lücke und entscheide, ob sie die Veröffentlichung verhindert. Wiederhole die Prüfung nach einer Umbenennung: Suche, Verbraucherbezug und Zuordnung müssen zur neuen Version passen.

Nächster Arbeitsschritt: Entscheidung im bestehenden Fachkapitel konkretisieren.

Das saubere Muster

Native Metadaten im Stack: operative Systeme, Warehouses, Lakehouse, Transformation, BI, Identity und AI wissen unterschiedliche Dinge.

Ein Inventar beantwortet mehr als „Welche Produkte haben wir?“. Für jede benötigte Information prüft ihr Verfügbarkeit, Zugriff, technische Schnittstelle und verantwortlichen Betrieb. Die Tabelle unten beschreibt typische Aufgabenbereiche, keine Garantie für eine konkrete Edition oder Installation.

Typische native Metadatenquellen

Systembereich Welche Auskunft du dort suchst Was du im Pilot überprüfst
Warehouse / Lakehouse Tabellen, Spalten, technische Objekte und angebotene Nutzungsinformationen Sichtbarkeit mit eurer Scanrolle, Grenzen der Historie
Transformation Modelle, Abhängigkeiten, Beschreibungen, Tests und Laufartefakte Richtige Code-/Artefaktversion und Verbindung zum Lauf
BI / semantische Schicht Kennzahl, Bericht, Filter und Abhängigkeiten Enthält der Export auch den zusätzlichen Berichtsfilter?
Identität / Sicherheit Gruppen, Rollen, Regeln und tatsächliche Rechte Zusammenspiel von Gruppenmitgliedschaft und lokaler Durchsetzung
Monitoring / Qualität Aktualität, Ausfälle und Messergebnisse Geltungsbereich, Messzeitpunkt und ausgefallene Prüfungen
Modellplattform Modellversion, verwendeter Datensatz und Ausführung Zuordnung zum tatsächlich freigegebenen Modellstand

Warehouse und Lakehouse bezeichnen Datenplattformen; ihre Namen allein sagen nichts über die erreichbare Metadatenabdeckung. Monitoring ist laufende Überwachung. Ein beobachteter Zugriff und ein erteiltes Zugriffsrecht sind unterschiedliche Fakten: Aus fehlenden Zugriffsereignissen folgt nicht, dass Zugriff unmöglich ist.

Welche Fragen du an eine Schnittstelle stellst

Prüfe an einem bekannten Objekt: Welche Felder kommen an? Welche fehlen? Welche Rechte und Lizenz braucht der Abruf? Wie lange reicht die Historie? Wie wird eine Umbenennung erkannt? Wie sieht ein Fehler aus? Notiere die eingesetzte Version, Edition, technische Rolle und den Zeitpunkt des Versuchs.

Ein Beispiel für native Strukturmetadaten sind die Snowflake-Information-Schema-Sichten. Welche Objekte sichtbar werden, hängt auch von der Rolle ab. Diese Sichten allein erklären keine fachlich bestätigte Kennzahl. Die aktuelle Referenz wurde am 26.10.2026 für diesen begrenzten Zusammenhang geprüft.

Mini-Fall

Die Transformation zeigt eine Abhängigkeit zur Bestelltabelle. Der BI-Export zeigt den Bericht. Dazwischen fehlt die Zuordnung zum veröffentlichten Modell. Der Graph hat damit eine Lücke; ein Pfeil von Tabelle zu Dashboard darf nicht geraten werden.

Impact Analysis ist die Untersuchung möglicher Auswirkungen einer Änderung. Für die Frage „Welche Berichte könnte eine Umbenennung von net_amount treffen?“ braucht ihr verknüpfte Abhängigkeiten und eine Liste unbekannter Wege. Im Pilot verändert ihr ein Testfeld und vergleicht beobachtete Auswirkungen mit dem Inventar. Ein fehlender Treffer wird untersucht und nicht als Beweis für „keine Abhängigkeit“ gewertet.

Anti-Patterns

Vermeidet pauschale Aussagen wie „Das Produkt hat Lineage, also kennen wir alle Auswirkungen“. Trennt Tabellen- von Spaltenebene und beobachtete von manuell gepflegten Beziehungen. Ebenso wird ein dokumentiertes Schutzlabel mit tatsächlichen Rechten und einer erlaubten sowie einer abgewiesenen Zugriffsprobe verbunden.

Das Ergebnis dieses Teils ist eine Lückenkarte: vorhanden und geprüft, vorhanden aber noch ungeprüft, oder nicht verfügbar. Erst daraus folgt die Frage, ob Konfiguration, Integration oder ein zusätzliches Produkt gebraucht wird.

Redaktioneller Stand: 26.10.2026. Beispiele sind erfundene Anwendungsbeispiele.

Metadata Deep Dive

Part 5 of 7

View series

Knowledge check

Tour