Data Architecture: Definition, Muster und Abgrenzung

Data Architecture (Datenarchitektur) ist der verbindliche Bauplan, nach dem eine Organisation ihre Daten speichert, verarbeitet und für die Nutzung bereitstellt. Sie legt fest, wo Daten liegen (Speicher-Systeme), wie sie zusammengeführt und aufbereitet werden (Verarbeitungs-Schichten) und wer sie unter welchen Regeln nutzen darf (Governance). Konkrete Ausprägungen sind Data Warehouse, Data Lake, Lakehouse, Data Mesh oder Data Fabric.

Was ist Data Architecture?

Die Datenarchitektur ist der Bauplan für die Datenlandschaft einer Organisation. Sie beantwortet vier Grundfragen: Woher kommen die Daten (Quell-Systeme wie ERP, CRM, Website)? Wie werden sie zusammengeführt (Integration)? In welchen Zwischenständen liegen sie (Rohdaten, bereinigte Daten, ausgewertete Daten)? Und wer nutzt sie am Ende (Auswertungen, Berichte, KI-Modelle)? Data Engineering (der technische Aufbau), Analytics (die Auswertung) und Governance (die Regeln) richten sich nach diesem Bauplan aus. Der Begriff etablierte sich in den 1970er Jahren mit dem ANSI/SPARC-Modell (einem Standard für drei getrennte Sichten auf Daten: die Sicht der Endnutzer, die fachliche Gesamtsicht und die technische Speichersicht) und wurde später von Rahmenwerken wie Zachman, TOGAF und dem DAMA-DMBOK (der Referenz-Sammlung für Datenmanagement) als eigene Disziplin beschrieben.

Klassische Bausteine sind die Datenmodelle auf konzeptioneller, logischer und physischer Ebene, die Datenschichten von Rohdaten über integrierte bis zu aggregierten Beständen (etwa Bronze, Silber und Gold der Medaillon-Architektur), die Integrations-Muster ETL, ELT, Change Data Capture und Streaming, die Speicher- und Verarbeitungs-Systeme, die Governance-Objekte wie Kataloge, Lineage, Berechtigungen und Datenprodukte sowie die Konsumenten-Anbindung für BI-Werkzeuge, Notebooks, APIs und KI-Agenten.

Historisch dominierten von den 1990er bis in die 2010er Jahre zentrale Data-Warehouse-Architekturen in den beiden prägenden Schulen: die Corporate Information Factory nach Bill Inmon und das Dimensional Warehouse nach Ralph Kimball. Mit dem Aufkommen von Big Data traten in der Hadoop-Ära Data Lakes hinzu, die Rohdaten in beliebigem Format auf verteiltem Speicher ablegen. Aktuell konsolidieren Data-Lakehouse-Plattformen beide Welten: sie kombinieren Objekt-Speicher mit Transaktionalität, Katalog und BI-Anbindung. Parallel etablieren sich mit Data Mesh und Data Fabric zwei organisatorische bzw. metadaten-zentrierte Ergänzungen der Architektur-Diskussion.

Moderne Datenarchitektur ist selten ein einmaliger Wurf. Sie beschreibt ein Zielbild mit klar benanntem Migrations-Pfad und steht in wechselseitiger Abhängigkeit zur Applikationslandschaft, zur Cloud-Strategie und zum Betriebsmodell. Governance-Anforderungen wie Datenschutz, Auditierbarkeit und Lineage sowie Betriebsanforderungen wie Skalierung, Latenz und Kosten bestimmen die konkrete Umsetzung mit.

Abgrenzung zu Data Modeling, Data Management und Enterprise Architecture

Der Begriff Data Architecture wird häufig mit benachbarten Disziplinen vermischt, die entweder eine andere Detailstufe beschreiben oder das übergeordnete Rahmenwerk darstellen.

Begriff	Achse	Kernunterschied
Data Modeling	Detailstufe	Datenmodellierung ist die Detailschicht der Datenarchitektur und beschreibt einzelne Entitäten, Attribute und Beziehungen (Star-Schema, Data Vault, 3NF). Data Architecture legt das Gesamtbild fest, Data Modeling füllt die Modelle.
Data Management	Umfang	Datenmanagement (nach DAMA-DMBOK) ist die organisatorische Klammer um alle Daten-Disziplinen: Governance, Qualität, Sicherheit, Stammdaten, Lifecycle, Architektur. Data Architecture ist eine Disziplin darin.
Enterprise Architecture	Ebene	Die Unternehmensarchitektur (Zachman, TOGAF) beschreibt Geschäfts-, Applikations-, Daten- und Technologie-Sicht einer Organisation. Data Architecture ist der Daten-Layer der Enterprise Architecture.
Solution Architecture	Ausschnitt	Die Lösungsarchitektur beschreibt Datenflüsse und -objekte eines konkreten Systems (z. B. CRM, Reporting). Data Architecture ist die übergeordnete Ebene, in die Lösungen einsortiert werden.
Referenz-Architektur	Herkunft	Referenz- oder Plattform-Architekturen (Databricks Lakehouse Reference, Azure CAF) sind generische Vorlagen vom Hersteller. Die Datenarchitektur einer Organisation entscheidet, welche Referenz übernommen oder angepasst wird.

Die wichtigste Trennung verläuft zwischen Data Architecture und Data Modeling. Beide Begriffe werden im Sprachgebrauch oft synonym verwendet, unterscheiden sich aber in der Flughöhe: die Architektur bestimmt, welche Modelle in welchen Schichten leben und wie sie zusammenspielen, die Modellierung beschreibt die Modelle selbst. Analog gilt für Data Management: das Datenmanagement ist der Rahmen, in dem Datenarchitektur, Datenqualität, Governance und Sicherheit gemeinsam betrieben werden.

Beispiel: Datenarchitektur eines Handelsunternehmens

Ein Handelsunternehmen bündelt in seiner Datenarchitektur drei parallele Baustellen zu einem konsistenten Zielbild. Es ersetzt sein historisch gewachsenes On-Premises-Data-Warehouse durch ein Data Lakehouse auf Objekt-Speicher mit Delta-Tabellen in Bronze-, Silber- und Gold-Schichten. Es führt einen zentralen Katalog (Unity Catalog) ein, der Berechtigungen, Lineage und Tabelleneigentum plattform-übergreifend verwaltet. Und es strukturiert die Fach-Domänen Vertrieb, Logistik und Finance nach Data-Mesh-Prinzipien als eigenständige Datenprodukte mit klar benannten Owner-Teams.

Das Zielbild kombiniert damit ein technisches Muster (Lakehouse), ein Governance-Modell (zentraler Katalog) und ein organisatorisches Muster (dezentrale Datenprodukte). Genau darin liegt die Aufgabe einer Datenarchitektur: die Bausteine so kombinieren, dass sie zusammen ein tragfähiges Zielbild ergeben, das sich in Iterationen umsetzen lässt und Governance, Betrieb sowie Fachbereich gleichermaßen bedient.