Die Datenplattform betreiben und steuern
Wie ein modernes Data Warehouse als dauerhaftes Produkt mit klarer Verantwortung, kontrollierter Dev-/Test-/Produktionsüberführung, Monitoring, Datenqualität, Lineage, Kostensteuerung, Behandlung von Störungen, Versionierung und Stilllegung betrieben wird.
Ein Warehouse ist mit dem ersten produktiven Bericht nicht fertig
Ein Warehouse kann am Tag der Veröffentlichung technisch korrekt sein und wenige Monate später trotzdem unzuverlässig werden.
Quellen ändern sich. Fachliche Definitionen entwickeln sich weiter. Pipelines schlagen fehl. Datenmengen wachsen. Kosten verändern sich. Verantwortliche Personen wechseln ihre Rolle. Nutzer erzeugen Abhängigkeiten, die während des ursprünglichen Projekts nicht sichtbar waren. Alte Views bleiben aktiv, weil niemand weiß, ob sie noch verwendet werden. Eine Kennzahl erhält eine neue Definition, während eine Qlik-Anwendung, ein Power-BI-Modell und mehrere Excel-Arbeitsmappen weiterhin die vorherige Logik verwenden.
Der technische Aufbau ist deshalb nur ein Teil der Architektur.
Kapitel 9, Eine Architektur – mehrere Plattformen, hat gezeigt, dass dieselben logischen Warehouse-Verantwortlichkeiten mit einer vorhandenen SQL-Plattform, Microsoft Fabric, Snowflake, Databricks oder bewusst gewählten Hybridkombinationen umgesetzt werden können. Dieser letzte Kapitel behandelt, was jede Umsetzung nach dem Aufbau benötigt: ein Betriebsmodell.
Eine nachhaltige Datenplattform muss folgende Fragen beantworten können:
Wer verantwortet die fachliche Bedeutung?
Wer betreibt den technischen Service?
Welche Version ist in Produktion?
Welche Tests müssen vor der Veröffentlichung bestehen?
Wie aktuell sind die Daten?
Welche Nutzer hängen vom Produkt ab?
Was passiert, wenn ein Lauf fehlschlägt?
Wie wird eine Änderung freigegeben und ausgerollt?
Wie kann ein Release zurückgesetzt oder korrigiert werden?
Was kostet die Plattform?
Wann wird eine alte Schnittstelle abgekündigt und stillgelegt?
Hängen diese Antworten vom Gedächtnis einer einzelnen Person ab, ist die Plattform nicht governt.
Ein Warehouse ist ein Produkt mit Lebenszyklus, Nutzern und Serviceerwartungen — kein einmaliges Projekt, das nach dem Go-live endet.
Architekturprinzip: explizite Verträge betreiben
Betrieb und Governance werden häufig als getrennte Disziplinen behandelt.
Betrieb wird mit Zeitplänen, Logs, Alerts und Support verbunden. Governance wird mit Definitionen, Verantwortung, Richtlinien und Freigaben verbunden. In der Praxis treffen sich beide am Datenprodukt.
Ein Produkt kann nicht zuverlässig betrieben werden, wenn seine erwartete Bedeutung und sein Service Level unbekannt sind. Eine Definition kann nicht wirksam governt werden, wenn niemand feststellen kann, ob ihre Implementierung gelaufen ist, die Quality Gates bestanden hat und bei den Nutzern angekommen ist.
Ein praktikabler Betriebsvertrag enthält mindestens:
| Vertragselement | Erforderliche Entscheidung |
|---|---|
| Fachlicher verantwortliche Person | Wer trägt die Verantwortung für Bedeutung, fachliche Abnahme und Priorität? |
| Data Steward | Wer pflegt Definitionen, Qualitätserwartungen, Klassifizierungen und Issue-Nachverfolgung? |
| Technical Custodian | Wer baut und ändert Pipelines, Modelle und Tests? |
| Plattform-verantwortliche Person | Wer betreibt Umgebungen, Zugriffe, Zeitplanung, Monitoring, Wiederherstellung und Kapazität? |
| Produktgranularität | Was repräsentiert eine Zeile und welche Schlüssel definieren sie? |
| Aktualitätsziel | Wann muss das Produkt verfügbar sein und wie spät darf es sein? |
| Quality Gates | Welche Prüfungen blockieren die Veröffentlichung und welche erzeugen nur Warnungen? |
| Veröffentlichungsregel | Wie wird eine Version als freigegeben und sicher nutzbar markiert? |
| Nutzungsvertrag | Welche Tabellen, Views, Felder, Semantikmodelle, QVDs oder APIs werden unterstützt? |
| Incident-Pfad | Wer wird alarmiert, wer entscheidet, wer kommuniziert und wer behebt? |
| Wiederherstellung-Ziel | Reicht ein Retry, ist ein Rollback möglich und wie viele Daten können rekonstruiert werden? |
| Kostenerwartung | Welche Grenzen für Kapazität, Compute, Speicherung und Datentransfer sind akzeptabel? |
| Versionsrichtlinie | Was gilt als kompatible Änderung und was benötigt eine neue Produktversion? |
| Stilllegungsrichtlinie | Wie werden inaktive Assets erkannt, abgekündigt, archiviert und entfernt? |
Der Vertrag setzt keine dedizierte Governance-Suite voraus. Ein kleines Team kann ihn in versioniertem Markdown, einem Ticketsystem, einem Katalog, einem Repository und einigen Control-Tabellen pflegen.
Das erforderliche Ergebnis ist kein bestimmtes Tool. Es ist der Nachweis, dass Verantwortlichkeiten und Entscheidungen existieren.
Von der Entwicklung zur Produktion
Eine Produktionsumgebung sollte nicht der Ort sein, an dem eine ungeprüfte Geschäftsregel erstmals getestet wird.

Dev, Test und Produktion sind Verantwortlichkeiten
Umgebungstrennung benötigt nicht immer drei große, vollständig unabhängige Plattformen.
Eine kleine Umsetzung kann Folgendes verwenden:
Einen Datenbankserver
Getrennte DEV-, TEST- und PROD-Datenbanken oder -Schemas
Ein versioniertes Repository
Einen Scheduler mit getrennten Jobs
Eingeschränkte Produktionsberechtigungen
Eine dokumentierte Release-Checkliste
Eine größere Umsetzung kann Folgendes verwenden:
Getrennte Workspaces, Accounts oder Subscriptions
Infrastruktur- und Plattformkonfiguration als Code
Pull Requests und verpflichtende Reviews
Automatisierte Build- und Teststufen
Umgebungsspezifische Parameter und Secrets
Deployment-Freigaben
Validierung nach dem Deployment
Automatisierter Rollback oder kontrollierter Roll-forward
Beides kann valide sein.
Die Mindestanforderung lautet, dass Entwicklungsarbeit Produktion nicht unbemerkt verändern kann und dass ein Release identifiziert, geprüft, reproduziert und unterstützt werden kann.
Ein Release besteht aus mehr als Code
Ein vollständiges Datenprodukt-Release kann enthalten:
- Transformationscode;
- Schema- oder Tabellenänderungen;
- Qualitätsregeln und erwartete Schwellenwerte;
- Pipeline- oder Jobdefinitionen;
- Umgebungsparameter;
- Zugriffsänderungen;
- Änderungen am Semantikmodell;
- notwendige Änderungen an Qlik-, Power-BI- oder Excel-Nutzern;
- Dokumentation und Lineage-Metadaten;
- Release Notes;
- Migrationsanweisungen;
- Rückbau- oder Roll-forward-Anweisungen;
- Nutzer-Kommunikation;
- eine Deprecation-Mitteilung für ersetzte Schnittstellen.
Nur SQL oder ein Notebook auszurollen, während Vertrag, Tests und Nutzer unverwaltet bleiben, erzeugt unvollständige Releases.
Ein einfacher manueller Release-Pfad
Ein kleines Team kann mit einer disziplinierten Checkliste sicher arbeiten:
Phase A — in DEV nachweisen
Phase B — ausrollen und bestätigen
Der Prozess ist manuell, aber nicht informell.
Ein automatisierter CI/CD-Pfad
Automatisierung wird wertvoll, wenn Änderungen häufig sind, viele Mitwirkende parallel arbeiten oder das Wiederherstellung-Risiko hoch ist.
Ein erweiterter Pfad kann enthalten:
Phase A — bauen und testen
Phase B — fördern
Automatisierung sollte wiederholbares Risiko reduzieren. Sie darf Verantwortung nicht verbergen.
Eine grüne Pipeline beweist nicht, dass der geänderte Kennzahl fachlich korrekt ist. Technische Validierung und fachliche Abnahme bleiben unterschiedliche Kontrollen.
Rollback und Roll-forward
Daten-Releases lassen sich schwerer zurücksetzen als Anwendungs-Releases, weil Daten möglicherweise bereits transformiert, veröffentlicht und konsumiert wurden.
Eine Release-Strategie sollte unterscheiden:
| Situation | Bevorzugte Reaktion |
|---|---|
| Codefehler vor Veröffentlichung | Release stoppen und das zuletzt veröffentlichte Produkt erhalten |
| Fehlgeschlagenes Quality Gate | Neues Ergebnis quarantänisieren und nach Möglichkeit die vorherige gültige Veröffentlichung verfügbar halten |
| Falsche Transformation bei reproduzierbaren Quelldaten | Code korrigieren und betroffene Partition oder Produktversion neu aufbauen |
| Destruktive Schemaänderung | Backup wiederherstellen, aus Raw rekonstruieren oder die vorherige kompatible Schnittstelle aktivieren |
| Korrekte Kennzahl-Änderung, aber Nutzer sind noch nicht bereit | Alte und neue Version für einen definierten Übergangszeitraum parallel betreiben |
| nutzungsspezifischer Fehler | Qlik-App, Power-BI-Modell oder Excel-Vorlage korrigieren, ohne das gemeinsame Produkt unnötig zu verändern |
Das sicherste Design trennt Build-Status und Veröffentlichungsstatus. Ein abgeschlossener Ladevorgang ist nicht automatisch ein veröffentlichtes Datenprodukt.
Wer verantwortet was?
Governance scheitert, wenn Verantwortung als allgemeine Gruppe statt als konkretes Entscheidungsrecht formuliert wird.

Das Schaubild ist ein Referenzmuster und kein universelles Organigramm.
Ein praktikables Verantwortungsmodell ist:
| Rolle | Primäre Verantwortung |
|---|---|
| fachlich verantwortliche Rolle | Fachliche Bedeutung, Priorität, zulässige Nutzung, Qualitätserwartung und Freigabe wesentlicher Änderungen |
| Data Steward | Definitionen, Glossar, Klassifizierungen, Qualitätsregeln, Issue-Triage und Nutzerkommunikation |
| Datenarchitektin oder Datenarchitekt | Granularität, Grenzen, Integrationsmuster, gemeinsame Modelle, Historie, Verträge und Architekturkonformität |
| Datenentwicklerin oder Datenentwickler | Ingestion, Transformationen, Tests, technische Metadaten und reproduzierbare Builds |
| BI Developer | Nutzungsmodell, tool-spezifische Semantik, Visualisierungsverhalten, Performance und User Experience |
| Plattformbetrieb / Data Operations | Umgebungen, Anbindung des Identitätsdienstes, Zeitplanung, Monitoring, Kapazität, Wiederherstellung und Betriebsstandards |
| Security- oder Privacy-Rolle | Zugriffsrichtlinie, Kontrollen für sensible Daten, Review-Anforderungen und Nachweise |
| Business Nutzer | Korrekte Nutzung, Validierungsfeedback, Adoption und Meldung wesentlicher Fehler |
In einem kleinen Team können mehrere Rollen von derselben Person ausgefüllt werden. Die Entscheidungen entfallen dadurch nicht.
Eine Person kann für ein Produkt Datenarchitektin oder Datenarchitekt, Datenentwicklerin oder Datenentwickler und Data Operations sein. Der Vertriebsleitung kann fachlich verantwortliche Rolle sein und ein Finance-Analystin oder -Analyst als Steward agieren. Das Modell bleibt gültig, wenn die Verantwortlichkeiten explizit sind.
Verantwortung ist nicht Aufgabenausführung
Der fachlich verantwortliche Rolle muss keinen SQL-Test schreiben. Der Datenentwicklerin oder Datenentwickler wird nicht zur fachlich verantwortlichen Rolle der fachlichen Definition, nur weil er sie implementiert hat.
Eine hilfreiche Unterscheidung lautet:
Fachlich verantwortlich
Verantwortet das Ergebnis und akzeptiert die Entscheidung
Responsible
Führt die Arbeit aus
Consulted
Liefert erforderliche Expertise oder Freigabeinput
Informed
Muss das Ergebnis oder die Änderungsinformation erhalten
Für ein konkretes Ergebnis sollte möglichst nur eine Rolle verantwortlich sein.
„Data Team“ oder „Business“ ist meist zu unpräzise, um betrieblich nützlich zu sein.
Verantwortung muss Abwesenheit und Eskalation einschließen
Ein Betriebsmodell definiert außerdem:
- eine Vertretung oder Supportgruppe;
- den Eskalationspfad;
- die erwartete Reaktionszeit;
- den Entscheider während eines Incidents;
- wer eine Veröffentlichung stoppen darf;
- wer einen Emergency Fix freigeben darf;
- wer Nutzer informiert;
- wer das Issue nach der Validierung schließt.
Verantwortung, die nur während normaler Bürozeiten existiert, reicht für ein Produkt mit strengeren Verfügbarkeitsanforderungen nicht aus.
Qualität, Lineage und Observability
Nur zu überwachen, ob ein Job SUCCESS zurückgibt, erzeugt falsche Sicherheit.
Eine Pipeline kann erfolgreich sein, obwohl sie null Zeilen lädt, die Daten von gestern dupliziert, ein veraltetes Mapping anwendet, eine Quellpartition übersieht oder einen ungültigen Kennzahl veröffentlicht.

Technisches Monitoring
Technische Signale umfassen:
- Pipeline- und Jobstatus;
- Ausführungsdauer;
- Retries und fehlgeschlagene Tasks;
- Quellenkonnektivität;
- Zeilen- und Dateianzahlen;
- Schemaänderungen;
- Datenaktualität;
- Datenvolumen;
- Abfrageperformance;
- Speicherwachstum;
- Compute- oder Kapazität-Auslastung;
- Kosten und Ressourcenverbrauch;
- Authentifizierungs- und Autorisierungsfehler.
Diese Signale beantworten, ob das System wie vorgesehen arbeitet.
Fachliches Monitoring und Datenqualität
Fachliche Signale umfassen:
- Vollständigkeit von Pflichtschlüsseln;
- Eindeutigkeit auf der definierten Granularität;
- gültige Referenz- und Dimensionszuordnungen;
- zulässige Wertebereiche;
- Abstimmung mit Quell-Kontrollsummen;
- Kennzahl-Bewegungen außerhalb erwarteter Bereiche;
- fehlerhafte Datensätze nach Regel und Schweregrad;
- Quality Score nach Datenprodukt;
- Verantwortung und Behebungsstatus der Regeln;
- SLA-Erfüllung;
- Veröffentlichungsstatus.
Ein Quality Score kann für Priorisierung nützlich sein, darf die zugrunde liegenden Regeln aber nicht verbergen. Ein Score von 98 Prozent ist bedeutungslos, wenn die fehlgeschlagenen zwei Prozent alle umsatzstarken Kunden oder den vollständigen aktuellen Geschäftstag enthalten.
Lineage
Lineage sollte mindestens folgenden Pfad sichtbar machen:
Quelle
Ingestion
Raw- oder Staging-Objekt
Transformation
Core-Tabelle
Datenprodukt
Semantik- oder Nutzungsmodell
Bericht, Anwendung oder Extrakt
Eine minimale Umsetzung kann versionierte Abhängigkeitsdokumentation und generierte Metadaten aus SQL, Skripten oder Pipeline-Definitionen verwenden.
Eine größere Umsetzung kann Tabellen- und Spalten-Lineage automatisiert erfassen, mit einem Katalog kombinieren und für Impact-Analysen nutzen.
Das Ziel ist nicht der komplexeste Graph. Das Ziel ist, folgende Fragen zu beantworten:
Was hat diesen Wert erzeugt?
Welche Quelle und Regel haben dazu beigetragen?
Welche Produkte hängen von diesem Objekt ab?
Welche Nutzer werden von einer Änderung betroffen?
Wer verantwortet jede Abhängigkeit?
Observability ohne Aktion ist nur Reporting
Jedes kritische Signal benötigt:
- einen erwarteten Bereich oder ein Serviceziel;
- eine verantwortliche Person;
- einen Schweregrad;
- einen Alert-Pfad;
- ein Runbook;
- eine Reaktionserwartung;
- einen Lösungsnachweis;
- eine Überprüfung wiederkehrender Ursachen.
Ein Dashboard, das drei Wochen rot bleibt, ist kein Betriebsprozess.
Behandlung von Störungen
Eine praktikable Incident-Sequenz lautet:
Phase A — eingrenzen
Phase B — wiederherstellen und lernen
Das Team sollte unterscheiden zwischen:
- Plattform-Incident;
- Quellsystem-Incident;
- Datenqualitäts-Incident;
- Semantik- oder Reportingfehler;
- Security Incident;
- erwarteter fachlicher Anomalie.
Reaktion und verantwortliche Person sind nicht immer identisch.
Konkretes Beispiel: das Sales Data Product betreiben
Angenommen, das governte Produkt bleibt Sales by Customer, das in dieser Serie durchgehend verwendet wurde.
Sein Betriebsvertrag kann so aussehen:
| Vertragselement | Beispiel |
|---|---|
| Produkt | Sales by Customer |
| Granularität | Eine Zeile je gebuchter Auftragsposition und Business-Datum |
| fachlich verantwortliche Rolle | Leitung Vertriebscontrolling |
| Data Steward | Sales Analytics Lead |
| Technical Custodian | Data-Engineering-Team |
| Plattform-verantwortliche Person | Data Platform Operations |
| Zeitplan | Täglich nach ERP-Abschluss |
| Freshness SLA | Veröffentlichung an Geschäftstagen bis 06:30 Uhr |
| Kritische Quality Gates | Quellabstimmung, gültiger Kunde, gültiges Produkt, gültiger Wechselkurs, eindeutige Auftragsposition |
| Warning-Regeln | Fehlendes optionales Segment, verspätetes beschreibendes Attribut, ungewöhnliche regionale Abweichung |
| Veröffentlichungsobjekt | Governte Sales-Faktentabelle, Kundendimension und unterstützte Nutzung Views |
| Nutzer | Qlik-Sales-App, Power-BI-Managementmodell und kontrollierter Excel-Extrakt |
| Support | Operations-Triage, Qualitätsprüfung durch Steward und verantwortliche Person-Entscheidung bei wesentlichen fachlichen Ausnahmen |
| Aufbewahrung | Raw- und Produkthistorie entsprechend der freigegebenen Richtlinie |
| Produktversion | Vertragsversion plus Release-ID |
| Stilllegungsregel | Nutzungsinventar, Ankündigungsfrist, Parallelversion und verifizierte Stilllegung |
Täglicher Veröffentlichungsablauf
Der Veröffentlichungsschritt sollte Folgendes protokollieren:
product_name
product_version
release_id
business_date
build_started_at
build_completed_at
published_at
source_control_total
product_control_total
critical_rule_status
warning_count
record_count
publication_status
approved_by
Das kann als Control-Tabelle, Katalogeintrag, Release-Datensatz oder gleichwertige Plattformmetadaten umgesetzt werden.
Was passiert, wenn das Produkt fehlschlägt?
Fehlender Wechselkurs
Fehlt für fünf Sales-Positionen der erforderliche EUR-Wechselkurs, darf das Team nicht stillschweigend null veröffentlichen oder einen beliebigen früheren Wert wiederverwenden.
Mögliche Richtlinie:
Kritische Regel schlägt fehl
Betroffene Datensätze werden persistiert
Produktveröffentlichung wird blockiert
Data Steward validiert das Referenzdatenproblem
Finance oder der Referenzdaten-verantwortliche Person liefert den freigegebenen Kurs
Betroffene Partition wird neu aufgebaut
Abstimmung und Quality Gates laufen erneut
Produkt wird mit dokumentierter Verspätung veröffentlicht
Nutzer erhalten einen SLA-Hinweis
Optionales Kundensegment fehlt
Ist das Segment nur beschreibend und für den zentralen Sales-Kennzahl nicht erforderlich, kann das Produkt mit Warnung veröffentlicht werden:
Produkt wird pünktlich veröffentlicht
Betroffene Datensätze erhalten einen expliziten Qualitätsstatus
Steward verantwortet die Behebung
Nutzer-Dokumentation zeigt die Einschränkung
Trend und offenes Issue bleiben sichtbar
Der Schweregrad richtet sich nach der fachlichen Auswirkung und nicht nur nach technischer Bequemlichkeit.
Pipeline schlägt nach einer gültigen vorherigen Veröffentlichung fehl
Bleibt die letzte erfolgreiche Version für das vorherige Business-Datum gültig, können Nutzer sie mit einer Freshness-Warnung weiterverwenden. Sie durch eine unvollständige aktuelle Version zu ersetzen, würde das Vertrauen verringern.
Der Produktvertrag entscheidet, ob veraltet-aber-gültig besser ist als aktuell-aber-unvollständig.
Einen Kennzahl versionieren, ohne jeden Nutzer zu brechen
Angenommen, die vorhandene Definition lautet:
Nettoumsatz v1
Bruttobetrag
abzüglich freigegebenem Positionsrabatt
ohne stornierte Positionen
Umrechnung nach EUR anhand des Business-Datums
Finance genehmigt anschließend eine neue Definition:
Nettoumsatz v2
Nettoumsatz v1
abzüglich zugeordneter nachträglicher Rückvergütung
Die bestehende Spalte über Nacht zu ändern, würde jeden historischen Vergleich unbemerkt verändern.
Eine kontrollierte Änderung kann Folgendes verwenden:
sales_net_revenue_v1
sales_net_revenue_v2
net_revenue_definition_version
valid_from
valid_to
release_id
Der Übergang kann so erfolgen:
- v2 definieren und freigeben;
- v2 parallel zu v1 aufbauen;
- beide Versionen abstimmen und die erwartete Differenz dokumentieren;
- v2 an Test-Nutzer veröffentlichen;
- Abhängigkeiten in Qlik, Power BI und Excel aktualisieren;
- beide Versionen für einen vereinbarten Zeitraum parallel betreiben;
- Deprecation-Datum für v1 kommunizieren;
- unterstützte Standardverträge auf v2 umstellen;
- prüfen, dass kein aktiver Nutzer noch v1 verwendet;
- Definition archivieren und alte Schnittstelle stilllegen.
Auswirkungen auf Qlik, Power BI und Excel
| Nutzer | Kontrollierte Änderung |
|---|---|
| Qlik | v2-Feld oder governte View ergänzen, Master Measure aktualisieren, Set Analysis validieren und v1 während des Übergangs erhalten |
| Power BI | Freigegebenes Measure und Modellmetadaten ergänzen oder aktualisieren, Filterkontext validieren, Release Notes veröffentlichen und v1 bei benötigter Kompatibilität erhalten |
| Excel | Zertifizierte View, Verbindung zum Semantikmodell oder Power-Query-Vertrag aktualisieren; Ersatzvorlage bereitstellen, wenn Formeln von der alten Spalte abhängen |
| API oder Anwendung | Versioniertes Feld oder Endpoint einführen und den vorherigen Vertrag bis zum angekündigten Stilllegungsdatum erhalten |
Die gemeinsame fachliche Definition darf nicht in jedem Nutzer unabhängig neu implementiert werden.
Nutzungsmodelle übersetzen das governte Produkt in tool-spezifisches Verhalten. Sie verantworten nicht die autoritative Zuordnung der Rückvergütung.
Eine View oder ein QVD abkündigen
Eine View oder ein QVD sollte nicht unbegrenzt in Produktion bleiben, nur weil seine Entfernung riskant ist.
Ein kontrollierter Stilllegungsprozess lautet:
Phase A — entscheiden und ankündigen
Phase B — migrieren und Abwesenheit nachweisen
Bei einem QVD müssen außerdem geprüft werden:
- Generator-Anwendungen;
- Reload-Ketten;
- Binary- oder Dateiabhängigkeiten;
- nachgelagerte Qlik-Anwendungen;
- extern bereitgestellte Kopien;
- Namenskonventionen, die die tatsächliche Nutzung verbergen;
- Aufbewahrungs- und Backupkopien.
Nur die sichtbare Datei zu löschen, während ein Generator sie erneut erstellt, ist keine Stilllegung.
Der Lebenszyklus des Datenprodukts
Ein Datenprodukt sollte einen definierten Weg von der Idee bis zur Stilllegung besitzen.

Idee und Discovery
Zu klären sind:
- fachliche Entscheidung;
- erwarteter Nutzen;
- Nutzer;
- Datenquellen;
- Granularität;
- Verantwortung;
- Aktualität;
- Qualität;
- Sicherheit;
- Aufbewahrung;
- erwarteter Lebenszyklus.
Eine Idee ohne plausiblen verantwortliche Person oder Nutzer ist nicht bereit für Plattforminvestition.
Design
Zu definieren sind:
- logisches Modell;
- Schlüssel und Historie;
- Produktvertrag;
- Zugriffsmodell;
- Teststrategie;
- Umgebungspfad;
- Release-Methode;
- Monitoring;
- Wiederherstellung;
- Kostenerwartung;
- Stilllegungskriterien.
Build und Test
Der einfachste vollständige vertikale Slice umfasst:
- Ingestion;
- Transformation;
- Produktmodell;
- Qualitätsnachweise;
- Metadaten;
- Nutzungsvertrag;
- Deployment;
- Monitoring.
Release
Ein Release benötigt:
- freigegebene Version;
- bestandene Gates;
- vorbereiteten Zugriff;
- Dokumentation;
- Release Notes;
- Nutzer-Kommunikation;
- Wiederherstellung-Plan;
- Veröffentlichungsnachweis.
Betrieb
Zu überwachen sind:
- SLA und Aktualität;
- Fehler;
- Qualität;
- Nutzung;
- Performance;
- Sicherheit;
- Kapazität und Kosten;
- Incidents;
- ungelöste Risiken.
Änderung
Änderungen können sein:
Kompatible Erweiterung
Technische Optimierung
Quellenmigration
Änderung einer Qualitätsregel
Sicherheitsänderung
Semantische Änderung
Breaking Contract Change
nutzungsspezifische Änderung
Der Änderungstyp bestimmt Test-, Freigabe- und Versionierungspfad.
Deprecation und Stilllegung
Ein Produkt wird zum Stilllegungskandidaten, wenn:
- kein aktiver Nutzer verbleibt;
- ein Ersatz vollständig übernommen wurde;
- sein fachlicher Zweck entfallen ist;
- Quelle oder Vertrag nicht mehr existieren;
- Kosten im Verhältnis zum Nutzen zu hoch sind;
- Risiko oder Compliance die Entfernung verlangen;
- Verantwortung nicht nachhaltig sichergestellt werden kann.
Stilllegung ist ein geplanter Lebenszyklusstatus und keine ungeplante Löschung.
Den Produktvertrag versionieren
Ein einfaches Versionsmodell kann unterscheiden:
| Änderungstyp | Beispiel | Empfohlene Behandlung |
|---|---|---|
| Patch | Performanceoptimierung bei unverändertem Ergebnis | Gleiche Vertragsversion, neue Release-ID |
| Minor | Neues optionales Feld oder rückwärtskompatibles Aggregat | Kompatible Produktversion erhöhen |
| Major | Geänderte Granularität, Kennzahl-Bedeutung, Schlüssel, Pflichtfeld oder Entfernung | Neue Hauptversion und gesteuerte Nutzer-Migration |
| Emergency Correction | Wesentlicher Fehler in einem veröffentlichten Ergebnis | Incident-Datensatz, korrigiertes Release und expliziter Nutzer-Hinweis |
Die genaue Nummerierungskonvention ist weniger wichtig als konsistentes Verhalten.
Eine Version muss Folgendes identifizieren:
Fachliche Definition
Schema oder Schnittstelle
Qualitätsrichtlinie
Release-Artefakt
Gültigkeitsdatum
Supportstatus der Nutzungswege
Deprecation-Status
Ein Git-Tag allein sagt einem fachlichen Nutzer nicht, welche Kennzahl-Definition gültig war. Eine Katalogbeschreibung allein reproduziert die ausgerollte Implementierung nicht. Beide Perspektiven werden benötigt. Ein Überwachungsdashboard zeigt Signale; es ist weder der Katalog noch der Verantwortung-Vertrag.
Technologieoffene Umsetzungsoptionen
Dieselben Betriebsprinzipien können mit unterschiedlichen technischen Mitteln umgesetzt werden.
| Kontext | Minimale Umsetzung | Mögliche Erweiterung |
|---|---|---|
| Klassisches SQL- oder On-Premises-Warehouse | Getrennte Schemas oder Datenbanken, Repository, Scheduler, SQL-Tests, Control-Tabellen, Logs und Checkliste | Automatisiertes Datenbank-Deployment, generierte Lineage, zentrales Monitoring, Infrastrukturautomatisierung |
| Microsoft Fabric | Getrennte Workspaces oder kontrollierte Stufen, versionierte Items, Monitoring der Pipeline-Läufe, Berechtigungen und Release-Checkliste | Git-Integration und Deployment Pipelines für unterstützte Items, Workspace Monitoring, automatisierte Validierung und Kapazität-Analyse |
| Snowflake | Getrennte Datenbanken, Schemas und Rollen, versioniertes SQL, Task-Historie, Qualitätstabellen und Release-Datensätze | Automatisierte Migrationen, Task Graphs, Alerts, Resource Monitors, Nutzungsanalyse und Katalogintegration |
| Databricks | Getrennte Catalogs, Schemas oder Workspaces, versionierte Notebooks beziehungsweise Code, Jobs, Tests und Veröffentlichungstabellen | Declarative Automation Bundles, automatisiertes CI/CD, System Tables, Unity-Catalog-Lineage und zentrale Observability |
| dbt mit unterstütztem Warehouse | Modelle, Tests, Dokumentation und versioniertes Projekt | Pull-Request-CI, zustandsbasierte Auswahl, Deployment Jobs und generierte Metadaten |
| Qlik | Kontrollierte Entwicklungs- und Produktions-Apps, Reload Tasks, governte QVD- oder View-Verträge und Reload-Monitoring | Automatisierte Promotion, API-basierte Prüfungen, Abhängigkeitsinventar und zentrale Betriebsdashboards |
| Power BI | Kontrollierte Semantikmodelle und Berichte, dokumentiertes Release und Workspace-Berechtigungen | Deployment Pipeline oder automatisierte Promotion, sofern verfügbar, Modellvalidierung und Nutzungsmonitoring |
| Excel | Zertifizierte Vorlage, governte Verbindung und kontrollierte Verteilung | Automatisierte Refresh-Validierung, Workbook-Inventar und Migration auf stabile Semantik- oder SQL-Verträge |
Keine Zeile dieser Tabelle ist ein Pflicht-Stack.
Ein kleines Team kann SQL-Jobs, Git, Testabfragen, eine Veröffentlichungstabelle und ein Betriebsdashboard kombinieren. Eine große Organisation kann zentrales CI/CD, Katalog, Lineage, Alert-Routing, Kostenkontrollen und Incident-Automatisierung benötigen.
Das Betriebsmodell sollte wachsen, weil Risiko und Skalierung es erfordern und nicht, weil jede Plattformfunktion existiert.
Minimum-Betrieb und erweiterter Betrieb
Betriebliche Reife sollte schrittweise wachsen.

Minimal tragfähiger Betrieb
Ein kleines Team sollte mindestens besitzen:
Benannter verantwortliche Person und Vertretung
Getrennte Entwicklung und Produktion
Versionierte Transformationen
Dokumentierte Release-Checkliste
Kritische Datenqualitäts-Gates
Persistente Lade- und Veröffentlichungsnachweise
Freshness- und Fehler-Alerts
Nutzungsinventar
Incident-Kontakt und Runbook
Backup- oder Rekonstruktionspfad
Zugriffsreview
Deprecation- und Stilllegungsprozess
Das ist ohne dediziertes Observability-Produkt oder unternehmensweite CI/CD-Plattform möglich.
Erweiterter Betrieb
Erweiterte Fähigkeiten können umfassen:
- automatisierte Bereitstellung von Umgebungen;
- Pull-Request-Validierung;
- temporäre Testumgebungen;
- automatisierte Data-Vereinbarung-Prüfungen;
- Spalten-Lineage;
- Anomalieerkennung;
- zentrales Alert-Routing;
- Service-Level-Objective-Reporting;
- automatisierter Rückbau oder Self-Healing;
- Richtlinie-as-Code;
- kontinuierliche Zugriffsprüfung;
- Kapazität Forecasting;
- Chargeback oder Showback;
- automatisierte Stilllegungskandidaten anhand der Nutzung;
- plattformübergreifende Incident-Korrelation.
Jede Fähigkeit bringt eigene Kosten, Konfiguration und Supportanforderungen mit.
Wann schafft mehr Automatisierung Mehrwert?
| Signal | Wahrscheinliche Konsequenz |
|---|---|
| Viele Mitwirkende ändern gemeinsame Modelle | Stärkeres Source Control, Review und automatisierte Test-Gates |
| Häufige Produktions-Releases | Wiederholbare Deployment-Automatisierung und Smoke Tests |
| Viele nachgelagerte Nutzer | Bessere Lineage, Verträge und Deprecation-Steuerung |
| Strenges Verfügbarkeitsziel | On-call-Verantwortung, Wiederherstellung-Automatisierung und getestete Continuity |
| Regulierte oder sensible Daten | Stärkere Nachweise, Funktionstrennung, Zugriffsreviews und Auditierbarkeit |
| Variable Cloud-Kosten | Kapazität-Dashboards, Budgets, Workload-Steuerung und Optimierung |
| Wiederkehrende Daten-Incidents | Ursachenanalyse, Observability und präventive Kontrollen |
| Mehrere Plattformen | Gemeinsame Produktverträge und plattformübergreifendes Monitoring |
| Kleiner stabiler Workload mit wenigen Änderungen | Prozess einfach, dokumentiert und zuverlässig halten |
Das Ziel ist nicht maximale Reife in jeder Kategorie. Das Ziel ist ausreichende Kontrolle für das tatsächliche Risiko.
Typische Fehlmuster
Eine Umgebung für alles
Entwickler testen direkt auf Produktionsobjekten und deployen durch Überschreiben. Das Team kann den vorherigen Zustand nicht reproduzieren und nicht bestimmen, welche Änderung den Fehler verursacht hat.
Jobstatus als einziges Qualitätssignal
Die Pipeline ist erfolgreich, aber das aktuelle Business-Datum fehlt. Technischer Abschluss wird mit fachlicher Korrektheit des Produkts verwechselt.
Das Dashboard ist die Kontrolle
Ein rotes Dashboard weist keine Verantwortung zu, startet keine Aktion und erhält keinen Nachweis. Monitoring ist sichtbar, aber nichts ändert sich.
Neustarten, bis alles grün ist
Der fehlgeschlagene Job wird wiederholt gestartet, ohne zu verstehen, ob bereits Teildaten geschrieben wurden. Der abschließende grüne Status verbirgt doppelte oder inkonsistente Ergebnisse.
Verantwortung durch Komitee
„Business und IT verantworten es gemeinsam“ lässt niemanden autorisiert zurück, eine Qualitätsausnahme zu akzeptieren, ein Release zu verschieben oder eine Schnittstelle stillzulegen.
Validierung erst in Produktion
Das vollständige Datenvolumen, Berechtigungen und Abhängigkeiten werden erstmals nach dem Deployment geprüft. Test und Release werden zum selben Ereignis.
Statische Lineage ohne Betriebsnutzen
Während des Projekts wird ein Diagramm erstellt und anschließend nie aktualisiert. Bei Modelländerungen kann es keine Impact-Fragen beantworten.
Dauerhafter Parallelbetrieb
Alte und neue Views, QVDs, Modelle und Berichte laufen unbegrenzt parallel. Nutzer wählen Versionen unabhängig und Abstimmung wird zur Daueraufgabe.
Kennzahl-Änderung ohne Vertragsversion
Eine Spalte behält denselben Namen, obwohl sich ihre Bedeutung ändert. Historische Vergleiche und Nutzer-Verhalten ändern sich unbemerkt.
Tool-spezifische Korrekturen werden gemeinsame Logik
Ein Fehler wird in einem Qlik-Skript, einem DAX-Measure oder einer Excel-Formel korrigiert, während andere Nutzer inkonsistent bleiben.
Automatisierung vor dem Betriebsmodell
Das Team baut eine komplexe CI/CD-Strecke ohne definierte verantwortliche Person, Quality Gates, Release-Entscheidungen oder Supportverantwortung. Der Prozess wird zu automatisierter Unklarheit.
Keine Stilllegung
Ungenutzte Pipelines, Tabellen, Views, QVDs, Semantikmodelle und Berichte verbrauchen weiterhin Geld, Zugriffsrechte und operative Aufmerksamkeit.
Entscheidungshilfe
Verwende folgende Fragen für jedes Datenprodukt.
| Frage | Minimal akzeptable Antwort |
|---|---|
| Wer verantwortet das fachliche Ergebnis? | Benannte verantwortliche Rolle |
| Wer betreibt den technischen Service? | Benanntes Team und Supportpfad |
| Wie ist Produktion getrennt? | Explizite Grenze und eingeschränkter Änderungspfad |
| Was muss vor Veröffentlichung bestehen? | Dokumentierte kritische Qualitäts- und Abstimmungs-Gates |
| Wie wird ein Release identifiziert? | Produktversion und Release-ID |
| Wie wird der vorherige gültige Zustand geschützt? | Backup, Rekonstruktion, Rollback oder kontrollierter Roll-forward |
| Wie wird Aktualität gemessen? | Zeitstempel, Ziel und Alert-Schwelle |
| Wie wird Auswirkung ermittelt? | Abhängigkeits- oder Nutzungsinventar mit Verantwortung |
| Wie werden Nutzer informiert? | Release- und Incident-Kommunikationskanal |
| Wie werden Kosten beobachtet? | Regelmäßiges Kostenreview je Produkt oder Workload |
| Wie wird Zugriff geprüft? | verantwortliche Person, Rhythmus und Nachweis |
| Wie wird eine alte Schnittstelle entfernt? | Deprecation-Datum, Migrationspfad und verifizierte Stilllegung |
| Kann das Team die gewählte Automatisierung unterstützen? | Kompetenzen, Verantwortung und Betriebsbudget |
| Ist ein weiteres Tool notwendig? | Ein konkretes Risiko-, Skalierungs- oder Effizienzproblem wird gelöst |
Kann das Team diese Fragen nicht beantworten, löst ein weiteres Monitoring- oder Governance-Produkt die grundlegende Betriebslücke nicht.
Wichtigste Empfehlungen
- Behandle jedes produktive Datenprodukt als betriebenen Service mit verantwortliche Person, Nutzern und Serviceerwartungen.
- Trenne Entwicklung, Validierung und Produktion auch dann als Verantwortlichkeiten, wenn sie Infrastruktur teilen.
- Versioniere Transformationscode, Produktverträge, Tests und Release-Nachweise gemeinsam.
- Setze einen erfolgreichen Job nicht mit einem erfolgreich veröffentlichten Datenprodukt gleich.
- Persistiere Qualitätsergebnisse, Abstimmungsnachweise und Veröffentlichungsstatus.
- Definiere, welche Qualitätsregeln die Veröffentlichung blockieren und welche Warnungen erzeugen.
- Gib jedem kritischen Ergebnis eine verantwortliche Person und einen definierten Eskalationspfad.
- Überwache technischen Zustand, fachliche Qualität, Freshness, Nutzung und Kosten gemeinsam.
- Richte Lineage auf Impact-Analyse und Nachvollziehbarkeit statt auf dekorative Diagramme aus.
- Schütze die letzte gültige Veröffentlichung, wenn ein neuer Build fehlschlägt.
- Nutze Rollback, wo er sicher ist, und Roll-forward, wo Datenrekonstruktion zuverlässiger ist.
- Führe Kennzahl- und Schemaänderungen über explizite Produktversionen ein.
- Betreibe Breaking Versions nur für einen definierten Migrationszeitraum parallel.
- Kommuniziere Release Notes, Incidents, Deprecations und Stilllegungsdaten an die verantwortlichen Personen der Nutzungswege.
- Halte gemeinsame Geschäftsregeln außerhalb einzelner Qlik-, Power-BI- und Excel-Artefakte.
- Erlaube nutzungsspezifische Logik nur dort, wo sie tatsächlich zur Nutzererfahrung gehört.
- Beginne mit Checklisten, Control-Tabellen, Tests und klarer Verantwortung, bevor erweiterte Betriebstechnologie beschafft wird.
- Ergänze CI/CD, automatisierte Lineage und Observability, wenn Skalierung, Release-Frequenz oder Risiko sie rechtfertigen.
- Prüfe Zugriffe, Kosten, Kapazität, ungelöste Incidents und Nutzung regelmäßig.
- Lege ungenutzte Pipelines, Views, QVDs, Modelle und Berichte bewusst still.
- Teste Wiederherstellung und Continuity, statt anzunehmen, dass Backups oder Raw-Daten ausreichen.
- Bewerte das Betriebsmodell neu, wenn das Produkt kritischer wird, weitere Nutzer erhält oder sein Service Level verändert wird.
Abschluss der Serie
Diese Serie begann mit Bevor die erste Tabelle entsteht: Ausgangspunkt sind fachliche Entscheidung, Kennzahl, Granularität, Quellen, Qualität und Verantwortung.
Anschließend wurden Verantwortlichkeiten präziser als Bronze, Silver und Gold getrennt, die einfachste tragfähige Architektur ausgewählt, Neuaufbau- und bestehende Umgebung-Umsetzungen behandelt, gemeinsame Geschäftslogik aus BI-Anwendungen herausgeführt, ein governtes Produkt für mehrere Nutzer definiert, Transformationsoptionen verglichen und eine Architektur auf mehrere Plattformen abgebildet.
Der letzte Schritt ist der kontinuierliche Betrieb:
Ein modernes Warehouse wird nicht durch die Anzahl der Tools im Stack definiert.
Es wird dadurch definiert, ob die Organisation die Datenprodukte, von denen Entscheidungen abhängen, erklären, reproduzieren, vertrauen, verändern und schließlich stilllegen kann.
Building a Modern Data Warehouse – From First Source to Governed Data Products
Part 10 of 11
View series