EDW (Enterprise Data Warehouse): Definition und Abgrenzung

Ein EDW (Enterprise Data Warehouse) ist die zentrale Auswertungs-Datenbank eines Unternehmens: Zahlen aus allen wichtigen Arbeits-Systemen (etwa Warenwirtschaft, Kundenverwaltung, Finanzbuchhaltung) laufen dort zusammen, werden auf einheitliche Begriffe gebracht und über die Zeit aufbewahrt, damit Auswertungen und Berichte (Reporting, Business Intelligence) aus einer gemeinsamen Grundlage entstehen. Der Zusatz Enterprise (unternehmensweit) betont: ein EDW gilt für die ganze Organisation, nicht nur für eine Abteilung.

Was ist ein EDW?

Ein Enterprise Data Warehouse ist die zentrale Datensammlung für Auswertungen einer Organisation. Zahlen aus mehreren Arbeits-Systemen (Quellsystemen wie Warenwirtschaft, CRM oder Buchhaltung) werden dort zusammengeführt, bereinigt (unterschiedliche Schreibweisen und Codes angeglichen), über die Zeit aufbewahrt (historisiert) und in ein gemeinsames Datenmodell (einheitliches Ordnungsschema) gebracht. Der Zusatz Enterprise markiert die Reichweite: ein EDW deckt idealerweise sämtliche relevanten Vorsysteme einer Organisation ab und bildet damit die einheitliche Grundlage für Berichte, Auswertungen und übergreifende Kennzahlen (KPIs). Frühere, an einzelne Fachbereiche oder Systeme gebundene Auswertungs-Speicher werden im EDW gebündelt oder als abgeleitete Teil-Auszüge (Data Marts, thematische Ausschnitte pro Fachbereich) an das EDW angebunden.

Der Begriff EDW ist eng mit Bill Inmons Konzept der Corporate Information Factory (CIF) verknüpft, die er in „Building the Data Warehouse" (Erstauflage 1992) systematisierte. Inmons vier Warehouse-Eigenschaften gelten unverändert: subject-oriented (Daten nach Geschäftsobjekten wie Kunde oder Produkt organisiert, nicht nach Quellsystem), integrated (heterogene Schlüssel, Codes und Einheiten werden vereinheitlicht), non-volatile (Daten werden geschrieben und gelesen, nicht laufend überschrieben) und time-variant (jede Beladung ist versioniert, historische Zustände bleiben abfragbar). Der Enterprise-Zusatz ergänzt die Anforderung, dass die integrierte Datenbasis unternehmensweit gilt und nicht auf eine Fachdomäne oder ein Vorsystem beschränkt bleibt.

Architektonisch besteht ein EDW klassisch aus drei Schichten: einer Staging-Zone für Roh-Extrakte aus den Quellsystemen, einer integrierten Kernschicht mit dem historisierten Unternehmensmodell (traditionell in dritter Normalform, alternativ als Data Vault) und einer Auswertungsschicht mit dimensional modellierten Fakten- und Dimensions-Tabellen für BI-Werkzeuge. ETL- oder ELT-Prozesse übernehmen Extraktion, Transformation und Beladung; ein Katalog dokumentiert Modell, Kennzahl-Definitionen und Berechtigungen.

Moderne Cloud-Data-Warehouses (Snowflake, Google BigQuery, Amazon Redshift, Azure Synapse) und Lakehouse-Plattformen (Databricks SQL, Microsoft Fabric, Snowflake auf Iceberg) tragen die logische EDW-Rolle mit entkoppeltem Compute und Storage. Die integrierte Kernschicht materialisiert sich häufig als Silver-Layer, die abgeleiteten Marts als Gold-Layer einer Medaillon-Architektur. Der Enterprise-Anspruch bleibt gleich, die Speicher- und Betriebs-Ökonomie hat sich verschoben.

Abgrenzung zu Data Warehouse, Data Mart, Data Lake und Data Lakehouse

Der Begriff EDW wird häufig synonym zu Data Warehouse verwendet und mit angrenzenden Speicher-Konzepten verwechselt, die entweder auf einer anderen Architektur-Ebene liegen oder eine andere Reichweite haben.

Begriff	Achse	Kernunterschied
Data Warehouse	Reichweite und Ausprägung	In der Praxis oft synonym verwendet. Das EDW ist die unternehmensweite Ausprägung des Warehouse-Musters. Einzelne, fachbereichsspezifische Warehouses ohne Enterprise-Umfang können parallel existieren, ein EDW ist per Definition der eine, integrierte Analyse-Bestand.
Data Mart	Reichweite	Ein Data Mart ist ein themen- oder fachbereichsspezifischer Ausschnitt eines EDW (Vertrieb, Finance, Marketing). Das EDW ist der integrierte Gesamtbestand, aus dem Marts abgeleitet oder zu dem sie zusammengeführt werden.
Data Lake	Speicher-Philosophie	Der Data Lake speichert Rohdaten formatoffen auf Objekt-Speicher mit Schema-on-Read und ohne integriertes Datenmodell. Das EDW persistiert integrierte, modellierte Daten in einem festen Schema (Schema-on-Write).
Data Lakehouse	Speicher-Ebene	Eine Speicher-Architektur (Objekt-Speicher plus offenes Tabellenformat plus Katalog), auf der die logische EDW-Rolle materialisiert werden kann. Das Lakehouse ersetzt nicht das EDW, es trägt es.
Data Virtualization	Materialisierung	Zugriff auf verteilte Quellen über eine logische Schicht ohne physische Konsolidierung. Das EDW konsolidiert physisch in einer zentralen Analyse-Datenbasis.

Die häufigste Verwechslung betrifft EDW und Data Warehouse. Beide Begriffe sind im deutschsprachigen Praxisgebrauch weitgehend deckungsgleich; der Zusatz Enterprise ist heute meist implizit, weil Cloud-Warehouse- und Lakehouse-Projekte typischerweise mehrere Vorsysteme in einer einzigen Analyse-Plattform integrieren. Historisch trägt der Enterprise-Zusatz aber eine klare architektonische Aussage: er grenzt das integrierte Unternehmensmodell gegen isolierte, fachbereichsspezifische Warehouses ab und markiert den Anspruch, konsistente Kennzahlen über Organisationsgrenzen hinweg zu liefern.

Die zweite häufige Verwechslung betrifft EDW und Data Mart. Ein Data Mart ist ein Ausschnitt eines EDW für eine Fachdomäne mit reduziertem Datenumfang und reduzierter Modellkomplexität. Kimballs Bus-Architektur fasst das EDW sogar als Verbund konformer Marts mit gemeinsamen Dimensionen auf; Inmons Corporate Information Factory baut zuerst das integrierte EDW in dritter Normalform und leitet abhängige Marts daraus ab. Beide Schulen enden bei derselben Zielarchitektur (einem integrierten Enterprise-Bestand mit thematischen Ausschnitten für Fachbereiche) auf unterschiedlichen Wegen.

Beispiel: EDW als Fundament einer konzernweiten Analyse-Plattform

Ein Konzern mit mehreren Geschäftsbereichen integriert Verkaufsdaten aus SAP ERP, Kundendaten aus einem CRM, Finanzdaten aus dem Konsolidierungssystem und Betriebsdaten aus MES-Vorsystemen in einem zentralen Enterprise Data Warehouse. Change-Data-Capture-Streams aus den Quellsystemen landen in einer Staging-Schicht als tages-partitionierte Tabellen. ELT-Prozesse überführen die Staging-Daten in eine integrierte Kernschicht in dritter Normalform mit historisierten Slowly-Changing-Dimensions. Aus diesem EDW-Kern werden fachbereichsspezifische Data Marts für Vertrieb, Finance und Produktion als dimensional modellierte Ausschnitte mit gemeinsamen Conformed Dimensions „Kunde", „Produkt", „Zeit" und „Region" abgeleitet.

BI-Werkzeuge wie Power BI und Tableau greifen ausschließlich auf die Mart-Schicht zu; Berechtigungen werden pro Schema und Fachbereich vergeben. Umsatz, Deckungsbeitrag und Auftragsvolumen sind über alle drei Marts hinweg identisch definiert, weil sie aus derselben integrierten Kernschicht abgeleitet werden. Der operative Betrieb der Quellsysteme bleibt getrennt; das EDW enthält ausschließlich historisierte Kopien der Transaktionen mit Ladezeit-Stempel und Audit-Feldern.

Wandert diese Architektur in eine Cloud- oder Lakehouse-Plattform (Snowflake, Databricks SQL, Microsoft Fabric, Snowflake auf Iceberg), bleibt die logische EDW-Rolle unverändert. Die integrierte Kernschicht materialisiert sich als Silver-Layer in Delta- oder Iceberg-Tabellen, die Marts als Gold-Layer derselben Medaillon-Architektur. Compute und Storage sind entkoppelt, offene Tabellenformate lösen proprietäre Warehouse-Speicher ab, und die Governance verlagert sich in einen Katalog wie Unity Catalog, AWS Glue oder Apache Polaris. Die Rolle der zentralen, integrierten Analyse-Datenbasis für die gesamte Organisation bleibt bestehen.