Medallion-Architecture: Definition und Abgrenzung erklärt

Die Medallion-Architecture ordnet Daten in einer zentralen Datenplattform (Lakehouse) in drei aufeinanderfolgende Qualitäts-Stufen: Bronze enthält die Rohdaten aus den Quellsystemen, Silver die bereinigten und vereinheitlichten Daten, Gold die fachlich verdichteten Daten für Berichte und Auswertungen. Der Ansatz stammt von Databricks und gilt heute als Standardmuster, um Verantwortung für Datenqualität an die jeweilige Verarbeitungsstufe zu binden. Beschrieben in der [Medaillon-Architektur auf Databricks](/insights/lakehouse/medallion/).

Was ist Medallion-Architecture?

Die Medallion-Architektur ist ein Ordnungsschema für Tabellen und Datenflüsse (Pipelines) in einem [Data Lakehouse](/insights/glossar/data-lakehouse/), also einer Plattform, die einen günstigen Datenspeicher (Data Lake) mit den Auswertungs-Eigenschaften eines Data Warehouse verbindet. Es handelt sich nicht um ein Datenmodell, sondern um eine Aufteilung in drei Schichten, an denen sich Datenqualität und Nutzung orientieren. Databricks prägte den Begriff um 2019/2020 als Referenzmuster für [Delta Lake](/insights/glossar/delta-lake/) und beschreibt ihn in der eigenen [Dokumentation](https://www.databricks.com/de/blog/what-is-medallion-architecture) sowie in der [Microsoft-Learn-Referenz für Azure Databricks](https://learn.microsoft.com/de-de/azure/databricks/lakehouse/medallion). Der Name spielt auf olympische Medaillen an: die Datenqualität steigt von Schicht zu Schicht, das Volumen der verarbeiteten Daten sinkt.

Der Bronze-Layer enthält rohe, weitgehend unveränderte Ingestion-Daten aus Quellsystemen wie ERP, CRM, Event-Streams oder Dateien. Historische Vollständigkeit steht im Vordergrund; das Schema wird kaum erzwungen, damit spätere Änderungen an Downstream-Logik oder Datenqualitätsregeln durch eine erneute Verarbeitung aus Bronze reproduzierbar bleiben. Der Silver-Layer nimmt diese Rohdaten auf und verarbeitet sie zu bereinigten, deduplizierten und konformen Datensätzen mit stabilem Schema und referentieller Integrität. Business-Logik bleibt zurückhaltend; das Ziel ist eine wiederverwendbare Unternehmenssicht auf Geschäftsobjekte wie Kunden, Bestellungen oder Verträge. Der Gold-Layer enthält fachlich modellierte Aggregate oder Star-Schema-Marts für konkrete Konsumfälle: BI-Dashboards, ML-Features, regulatorische Reports. Diese Schicht wird auf Leseperformance optimiert und häufig materialisiert.

Die Bewegung zwischen den Schichten erfolgt über deklarative oder imperative Pipelines, etwa Delta Live Tables, Structured Streaming oder klassische Batch-Jobs. Delta Lake liefert die transaktionale Grundlage mit ACID-Garantien, Schema Enforcement und Time-Travel, die das Wiederaufsetzen einzelner Layer nach Fehlern erst praktikabel macht. Der Verarbeitungs-Ansatz zwischen Bronze und Gold folgt dabei einem ELT-Muster (Extract, Load, Transform): Rohdaten werden zuerst persistiert und danach in Silver und Gold transformiert.

Das Muster ist nach wie vor das empfohlene Referenzmuster in der Databricks-Dokumentation und die Grundlage für Delta Live Tables. Kritik richtet sich weniger gegen die Idee der Qualitätsschichten als gegen die starre Übernahme genau dreier Layer: in der Praxis entstehen Zwischenformen wie Bronze-Plus (schwache Bereinigung) oder Silver-Aggregate, die dokumentiert und modelliert werden müssen, damit die Klarheit des Musters bestehen bleibt.

Abgrenzung: Lambda, Kappa, Data Vault und Star-Schema

Die Medallion-Architektur wird häufig mit benachbarten Architektur- und Modellierungs-Konzepten verwechselt. Die folgende Tabelle klärt die vier zentralen Abgrenzungen.

Begriff	Verhältnis zur Medallion-Architecture
Lambda-Architecture	Muster für parallele Batch-/Speed-Layer mit gemeinsamem Serving-Layer; adressiert den Zielkonflikt Vollständigkeit vs. Latenz. Orthogonal zum Medallion-Frame, der den Verarbeitungsgrad beschreibt statt der Batch/Stream-Trennung
Kappa-Architecture	Streaming-only-Alternative zu Lambda; ebenfalls orthogonal, da Medallion sowohl in Batch- als auch in Streaming-Pipelines auftritt
Data Vault	Modellierungs-Verfahren mit Hubs, Links und Satellites, Fokus auf historische Nachvollziehbarkeit und Auditfähigkeit. Typische Modellierung des Silver-Layers; ergänzt Medallion, ersetzt es aber nicht
Star-Schema	Dimensionale Modellierung mit Faktentabellen und Dimensionen (Kimball); die übliche Zielform des Gold-Layers, aber nicht mit Medallion identisch

Die wichtigste Abgrenzung betrifft die Ebene, auf der die Begriffe operieren. Medallion beschreibt die Position einer Tabelle im Verarbeitungsweg, [Lambda-Architecture](/insights/glossar/lambda-architecture/) und [Kappa-Architecture](/insights/glossar/kappa-architecture/) beschreiben, wie Batch- und Streaming-Semantik verteilt werden. [Data Vault](/insights/glossar/data-vault/) und Star-Schema wiederum beschreiben das Datenmodell selbst. Ein Lakehouse kann eine Medallion-Struktur mit Data-Vault-Modellierung im Silver-Layer und Star-Schema-Marts im Gold-Layer betreiben; die Konzepte greifen ineinander statt sich zu ersetzen.

Beispiel: Medallion-Pipeline für Bestelldaten

Ein Handelsunternehmen ingesteet Bestell-Ereignisse aus dem ERP über Auto Loader als Bronze-Tabelle in Delta Lake. Diese Tabelle enthält ein 1:1-Abbild der Quelldaten inklusive Duplikaten, Schema-Drift und historischer Versionen. Ein Structured-Streaming-Job liest die Bronze-Tabelle inkrementell, dedupliziert die Bestellungen anhand des Business-Keys, konformt Kunden- und Artikelreferenzen gegen ein Stammdaten-Verzeichnis und schreibt in eine Silver-Tabelle mit stabilem Schema und referentieller Integrität.

Ein weiterer Job aggregiert daraus in einer Gold-Tabelle die tagesgenauen Umsätze pro Kundensegment und Produktkategorie als Star-Schema-Mart, den Power BI direkt liest. Fällt der Aggregations-Job aus, lässt sich Gold aus Silver neu berechnen; fällt der Silver-Job aus, aus Bronze. Ändert sich die Bereinigungslogik im Silver-Layer, reicht ein neuer Full-Load aus der historischen Bronze-Tabelle. Genau diese Wiederaufsetzbarkeit ist der operative Kern des Musters.