Ein semantisches Datenmodell beschreibt Daten anhand ihrer fachlichen Bedeutung, Eigenschaften und Beziehungen. Es macht verständlich, was Begriffe wie Kunde, Auftrag, Standort oder Freigabe in einem bestimmten Unternehmenskontext bedeuten.
Methodik und Funktionsweise
Das Modell definiert Entitäten, Attribute und Verknüpfungen unabhängig von einzelnen Datenbanktabellen. Es kann die Grundlage für Datenintegration, Analysen und konsistente Kennzahlen bilden. Wichtig sind vereinbarte Fachbegriffe und eindeutige Identifikatoren.
Abgrenzung und Grenzen
Ein semantisches Datenmodell ist nicht identisch mit der physischen Datenbankstruktur. Es beschreibt die fachliche Sicht, aus der verschiedene technische Strukturen abgeleitet oder zugeordnet werden können.
Praxisbeispiel
Wenn „Umsatz“ in Vertrieb und Controlling unterschiedlich verwendet wird, kann ein semantisches Modell Berechnungsgrundlage, Zeitraum und Zuordnung verbindlich definieren.
Voraussetzungen und Hinweise
Datenverantwortliche sollten Begriffe, Gültigkeitsregeln und Änderungen pflegen. Semantik allein behebt keine fehlenden oder fehlerhaften Quelldaten.
Geschäftsbegriffe statt Tabellenstrukturen in den Vordergrund stellen
Ein semantisches Datenmodell erklärt, was Daten fachlich bedeuten. Ein Kunde kann beispielsweise eine juristische Person, eine Lieferadresse oder eine Geschäftsbeziehung sein. Werden diese unterschiedlichen Konzepte nicht auseinandergehalten, entstehen bei der Integration widersprüchliche Auswertungen. Das Modell definiert Entitäten, Eigenschaften und Beziehungen aus fachlicher Sicht. Es kann unabhängig davon bestehen, wie die Informationen in einzelnen Datenbanken technisch gespeichert werden. Dadurch schafft es eine gemeinsame Verständigungsgrundlage zwischen Fachabteilungen, Datenmanagement und IT. Der Zweck ist eine klarere Bedeutung, nicht bloß eine attraktivere grafische Darstellung.
Vom Fachkonzept zum technischen Datenmodell
Auf Grundlage des fachlichen Modells kann festgelegt werden, welche konkreten Datenfelder, Schlüssel und Tabellen benötigt werden. Die technische Umsetzung kann in relationalen Datenbanken, Graphstrukturen oder analytischen Datenplattformen erfolgen. Wichtig ist eine nachvollziehbare Zuordnung zwischen fachlichem Begriff und technischem Speicherort. Bei einem Wechsel der Anwendung sollte das fachliche Verständnis möglichst erhalten bleiben, auch wenn sich Schnittstellen und Tabellen ändern. Solche Trennungen erleichtern Architekturentscheidungen und reduzieren die Gefahr, dass Geschäftsregeln ausschließlich in der Logik eines einzelnen Softwareprodukts verborgen bleiben.
Bedeutung für Kennzahlen und Datenintegration
Das semantische Modell bildet eine Grundlage für konsistente Analysen. Bei einer Kennzahl wie Umsatz muss klar sein, welcher Zeitraum gemeint ist, welche Buchungen einfließen und wie Stornierungen behandelt werden. Wenn Controlling und Vertrieb verschiedene Definitionen verwenden, sind Berichte nur eingeschränkt vergleichbar. Die semantische Modellierung schafft Klarheit über diese Unterschiede und ermöglicht abgestimmte Regeln. Ebenso hilft sie bei Schnittstellen zwischen ERP- und CRM-Systemen, die gleich benannte Felder mit unterschiedlicher Bedeutung führen. Die eigentliche Datenqualität wird dadurch nicht automatisch verbessert, aber Fehlerquellen werden leichter erkennbar.
Governance und laufende Weiterentwicklung
Geschäftsbegriffe verändern sich durch neue Produkte, Märkte, Rechtsanforderungen oder Organisationsstrukturen. Ein semantisches Datenmodell sollte deshalb versioniert und durch fachliche Verantwortliche gepflegt werden. Änderungen müssen dokumentiert werden, damit Berichte und Schnittstellen rechtzeitig angepasst werden können. Wichtig ist zudem die Frage, welche Datenquellen als verbindlich gelten und wie widersprüchliche Werte behandelt werden. Ohne solche Regeln kann ein Modell zwar formal konsistent aussehen, im täglichen Betrieb aber unterschiedliche Deutungen zulassen. Die Einführung sollte daher mit einem begrenzten, entscheidungsrelevanten Bereich beginnen.
Häufige Fragen
Ist ein semantisches Datenmodell dasselbe wie eine Ontologie?
Die Ansätze überschneiden sich. Eine Ontologie kann fachliche Bedeutungen formaler und mit reichhaltigeren logischen Beziehungen ausdrücken.
Kann ein Datenmodell fehlende Daten ergänzen?
Nein. Es beschreibt Bedeutung und Zusammenhänge. Die Beschaffung und Qualitätsprüfung fehlender Informationen bleiben separate Aufgaben.
Praktische Prüffragen
- Definieren Sie zentrale Geschäftsbegriffe wie Kunde, Auftrag und Umsatz gemeinsam mit den beteiligten Fachbereichen, statt Tabellenbezeichnungen ungeprüft zu übernehmen.
- Unterscheiden Sie fachliche Entitäten von ihrer physischen Speicherung, damit Anwendungswechsel nicht zwangsläufig die gesamte Begriffswelt verändern.
- Dokumentieren Sie die Zuordnung jeder relevanten Kennzahl zu Quelle, Berechnungsregel und zeitlicher Gültigkeit, um widersprüchliche Berichte zu vermeiden.
- Prüfen Sie, ob gleiche Feldnamen tatsächlich dieselbe Bedeutung tragen und wie unterschiedliche Identifikatoren bei einer Datenintegration abgeglichen werden.
- Regeln Sie die Pflege von Begriffsdefinitionen und deren Auswirkungen auf Berichte und Schnittstellen, wenn neue Produkte oder Geschäftsmodelle entstehen.
Fachliche Bedeutungen konsistent festlegen
Ein semantisches Datenmodell ist insbesondere dann hilfreich, wenn unterschiedliche Systeme gleich benannte Daten unterschiedlich interpretieren. So kann „Kunde“ im Vertrieb ein Kontakt sein, während die Buchhaltung einen abrechnungsfähigen Vertragspartner meint. Werden beide Kategorien unkritisch zusammengeführt, entstehen fehlerhafte Kennzahlen und Beziehungen. Das Modell legt daher fest, welche Entitäten existieren, wie sie sich unterscheiden und welche Eigenschaften fachlich relevant sind. Es sollte unabhängig von der jeweiligen technischen Speicherung verständlich bleiben. Ein Wechsel der Datenbank oder Anwendung muss nicht die fachliche Bedeutung der enthaltenen Information verändern. Diese Trennung unterstützt langfristige Datenarchitektur und systemübergreifende Analysen.
Rolle bei BI und Datenintegration
Bei einem Bericht zur Umsatzentwicklung muss eindeutig definiert sein, welche Geschäftsvorfälle, Zeiträume und Stornierungen in die Kennzahl eingehen. Ein semantisches Modell kann solche Regeln nachvollziehbar abbilden und mit den Quellsystemen verbinden. Damit wird aus einer Vielzahl technischer Felder eine gemeinsame fachliche Grundlage. Allerdings verbessert eine Definition allein noch keine fehlenden oder fehlerhaften Datensätze. Qualitätssicherung, Zuordnung eindeutiger Kennungen und die Klärung widersprüchlicher Quellen bleiben eigenständige Aufgaben. Fachliche Eigentümer sollten deshalb über die Bedeutung wichtiger Begriffe entscheiden und Änderungen versionieren. Erst mit dieser Verantwortung lässt sich ein semantisches Datenmodell für wiederkehrende Unternehmensentscheidungen verlässlich nutzen.
Verwandte Wiki-Begriffe
Weiterführende Erklärungen: Datenintegration, Business Intelligence, Ontologie.
Fachliche Quellen
W3C – Konzepte semantisch verknüpfter Daten. Praxisbeispiele sind hypothetische Anwendungsszenarien.