Analytic Models: Definition, Abgrenzung, Beispiele

Analytic Models (analytische Modelle) sind Beschreibungen von Geschäftsdaten für Auswertungen und Berichte. Ein solches Modell definiert drei Kern-Bausteine: Kennzahlen (die Zahlen, die man auswertet, etwa Umsatz oder Menge), Dimensionen (die Sichten, aus denen man auswertet, etwa Kunde, Produkt, Zeit) und Hierarchien (die Ebenen einer Dimension, etwa Land, Region, Filiale). Damit steht das Modell als Verständigungs-Schicht zwischen den Rohdaten einer Plattform und den Werkzeugen der Anwender: Dashboards, Ad-hoc-Auswertungen (freie Abfragen ohne festen Report) oder BI-Assistenten (Chat-Werkzeuge, die auf Zuruf antworten).

Was ist ein Analytic Model?

Ein Analytic Model beschreibt, was analytische Daten bedeuten, nicht wo sie physisch liegen. Es legt fest, wie sich eine Kennzahl berechnet, aus welchen Blickwinkeln (Dimensionen) sie ausgewertet werden darf, welche Hierarchien gelten (also die Ebenen wie Jahr, Quartal, Monat) und welche Filter erlaubt sind. Damit ist das analytische Modell der Ort, an dem eine Organisation ihre Fach-Definitionen zentral durchsetzt: eine einheitliche Umsatz-Definition für alle Berichte, eine gemeinsame Kundensicht, ein zentraler Zeitkalender.

Klassische Ausprägungen sind die dimensionalen Modelle nach Kimball mit Star- oder Snowflake-Schema, OLAP-Cubes in MOLAP- oder ROLAP-Umsetzung sowie die semantischen Layer der BI-Werkzeuge: Power BI Semantic Model, Tableau Data Model, Looker LookML, Cube.js. Neuere plattformnahe Ausprägungen sind SAP Datasphere Analytic Models, Databricks Metric Views und der dbt Semantic Layer.

Analytische Modelle erfüllen vier Aufgaben. Sie zentralisieren Berechnungen, sodass jede Kennzahl genau einmal definiert ist und in allen Werkzeugen gleich erscheint. Sie ermöglichen Governance, indem Zugriffs- und Zeilenfilter auf Modell-Ebene liegen und nicht in jedem Report neu implementiert werden. Sie beschleunigen Abfragen über Aggregation, Materialisierung oder Query-Rewrite. Und sie stellen sicher, dass Dashboards, Notebooks und Agenten dieselbe Sicht auf die Daten haben.

Typische Bestandteile sind Fact-Tabellen mit Measures wie Umsatz, Menge oder Marge, Dimensions-Tabellen mit Attributen und Hierarchien für Kunde, Produkt, Zeit und Region, berechnete Kennzahlen wie Deckungsbeitrag, YTD oder Rolling-90-Tage sowie Sicherheits-Rollen und Row-Level-Security. Der Trend geht dahin, die semantische Schicht aus dem einzelnen BI-Tool in die Plattform zu ziehen (Universal Semantic Layer, Metric Layer), damit auch neue Konsumenten wie AI-Agenten und natural-language-Query-Werkzeuge dieselben Kennzahlen sehen.

Abgrenzung zu verwandten Begriffen

Der Begriff Analytic Model wird in zwei Bedeutungen verwendet: als konkrete Modellklasse für Analytik (die primäre Bedeutung hier) und als Sammelbegriff für die vier Reifegrad-Stufen der Analytik (descriptive, diagnostic, predictive, prescriptive). Die zweite Sicht ist eine Methoden-Taxonomie und wird unter Advanced Analytics geführt.

Begriff	Achse	Kernunterschied
AI Models / ML-Modelle	Zweck	KI-/ML-Modelle lernen Muster und sagen vorher; Analytic Models beschreiben und aggregieren strukturierte Daten für menschliche Auswertung.
Data Model (allgemein)	Umfang	Datenmodelle umfassen auch OLTP-Schemata; Analytic Models sind die Teilmenge für Auswertung (denormalisiert, mit expliziten Measures und Dimensionen).
Semantic Layer	Ebene	Der Semantic Layer ist die werkzeug-übergreifende Abstraktions-Schicht eines analytischen Modells; ein Semantic Layer bündelt in der Regel mehrere Analytic Models.
OLAP Cube	Umsetzung	Ein OLAP-Cube ist eine konkrete technische Umsetzung mit vorberechneten Aggregaten; moderne Analytic Models arbeiten häufiger virtuell per Query-Rewrite.
Planning Model (SAP)	Modus	Analytic Models sind read-only für Auswertung; Planning Models erlauben Write-back mit Version- und Datums-Dimensionen für Planungs-Szenarien.

Am wichtigsten ist die Trennung zu KI- und ML-Modellen: Beide Modellklassen leben oft auf derselben Plattform, gehören aber zu unterschiedlichen Disziplinen. Ein Analytic Model zählt und schneidet definierte Kennzahlen; sobald ein Modell aus Daten Muster lernt und Vorhersagen oder Empfehlungen produziert, gehört es in die Kategorie AI Model oder Machine-Learning-Model.

Beispiel: Analytic Model für einen Vertriebs-Report

Ein Handelsunternehmen definiert im Databricks Lakehouse ein analytisches Modell für das zentrale Vertriebs-Reporting. Grundlage ist eine Fact-Tabelle sales_order_lines mit den Measures Umsatz, Menge und Marge. Angebunden sind die Dimensionen Kunde, Produkt, Zeit und Region mit ihren Hierarchien: Land, Region, Filiale für den Standort, Produktgruppe, Marke, Artikel für das Sortiment, Jahr, Quartal, Monat, Woche für die Zeit. Ergänzt wird das Modell durch zentral definierte Kennzahlen wie Deckungsbeitrag-DB2, Rolling-90-Tage-Umsatz und Kundenanteil am Regional-Umsatz.

Das Modell wird als Metric View im Unity Catalog registriert und über den Semantic Layer der Plattform mehreren Konsumenten gleichzeitig verfügbar gemacht: Power BI zieht die Kennzahlen für die Standard-Dashboards, der AI/BI-Genie-Chat beantwortet natürlichsprachige Fragen auf denselben Definitionen, und ein Data-Science-Notebook nutzt die Umsatz-Kennzahl als Feature für ein Churn-Modell. Eine Umsatz-Definition, drei Werkzeuge, keine Divergenz zwischen Report, Chat-Antwort und ML-Feature.