Datenrisiken werden zu Geschäftsrisiken, wenn inkonsistente Zahlen Entscheidungsträger erreichen, sensible Daten an nicht autorisierte Nutzer gelangen oder Änderungen an Metriken nicht in alle Berichte und Tools übernommen werden. Der Artikel stellt die semantische Schicht als praktisches Mittel zur Begrenzung dieser Risiken vor, indem Definitionen von Metriken, Geschäftsregeln und Berechtigungen an einem zentralen Punkt hinterlegt werden, auf den verschiedene Tools zugreifen können.
Der Ansatz befasst sich nicht mit Risiken in einem abstrakten, mit Compliance-Rahmenwerken verbundenen Sinn, sondern konzentriert sich auf die täglichen operativen Verluste, die möglicherweise nicht sofort sichtbar werden. So kann eine regulatorische Prüfung eine Abweichung bei einer Metrik zwischen Systemen aufdecken, ein Vorstandsmitglied in zwei aufeinanderfolgenden Berichten zwei widersprüchliche Umsatzzahlen bemerken oder ein KI-Tool eine Empfehlung auf Grundlage von Daten erzeugen, die seit dem Weggang des für ihre Erstellung verantwortlichen Analysten keiner Governance mehr unterliegen.
Drei zentrale Risikobereiche
Dem Artikel zufolge konzentrieren sich Datenrisiken häufig auf drei miteinander verbundene Bereiche, denen Organisationen gleichzeitig ausgesetzt sein können.
- Genauigkeit: Mit der zunehmenden Nutzung von Tools, Dashboards und KI-gestützten Anwendungen wächst auch die Fehlerfläche. Eine Umsatzmetrik kann in einer Tableau-Arbeitsmappe auf eine Weise definiert sein, in einem Power-BI-Modell auf eine andere und in einem Python-Notebook auf eine dritte. Diese Abweichung ist nicht lediglich eine technische Unannehmlichkeit, sondern kann zu falschen strategischen Entscheidungen, einer fehlerhaften Ressourcenverteilung, dem Nichterreichen von Zielen und einem Vertrauensverlust in das Datenteam führen.
- Governance und Zugriff: Zugriffskontrollen sind gewöhnlich auf das Data Warehouse, Business-Intelligence-Plattformen, Dashboards, Cloud-Speicher-Engines und gemeinsam genutzte Laufwerke verteilt. Jedes System verfügt über ein eigenes Berechtigungsmodell, eine eigene Verwaltungsoberfläche und unterschiedliche Prüfungsfunktionen, wodurch ein fragmentiertes Gefüge entsteht, das sich nur schwer zuverlässig pflegen oder überprüfen lässt. Sensible Daten können in ein Dashboard gelangen, in dem sie nicht erscheinen sollten – nicht unbedingt aufgrund böswilligen Verhaltens, sondern weil der Governance-Bereich zu weit geworden ist, um einheitlich verwaltet zu werden.
- Änderungsmanagement: Ein Finanzvorstand könnte beispielsweise beschließen, Testkunden ab dem nächsten Quartal aus der Metrik für wiederkehrende jährliche Umsätze auszuschließen. Die Umsetzung der Änderung kann jedoch eine Anpassung einer Ansicht im Data Warehouse, von zwei Tableau-Arbeitsmappen, eines Power-BI-Modells, eines von der Finanzplanungs- und -analyseabteilung verwalteten Excel-Berichts sowie eines Analyse-Tools erfordern, das direkt auf einen Data Lake zugreift. Werden einige dieser Elemente nicht aktualisiert, weichen die Zahlen nach einiger Zeit wieder voneinander ab.
Diese Risiken verschärfen sich, wenn eine Metrik nicht geregelt, auf unterschiedliche Weise definiert und nicht von einem einzigen Ort aus aktualisiert werden kann. Das Problem besteht daher nicht unbedingt darin, dass die Änderung selbst falsch ist, sondern in der Möglichkeit, dass sie nicht vollständig in allen Teilen des Systems umgesetzt wird.
Grenzen des traditionellen Modells
Organisationen verlassen sich gewöhnlich auf ein zentrales Team von Business-Intelligence-Analysten, das als Zugangstor zu Metriken, Berichten und Dashboards dient. Ein Nutzer beantragt einen neuen Bericht, eine Änderung an einer Metrik oder eine Erklärung für die Abweichung zwischen zwei Zahlen und wartet anschließend auf die Bearbeitung der Anfrage. Dieses Modell entstand teilweise, weil Organisationen ihren Daten nicht ausreichend vertrauen, um Self-Service zuzulassen. Es bringt jedoch klare Kosten mit sich: Langsamkeit, Anfrageengpässe, Einstellungskosten und eine unterschiedliche Ergebnisqualität, die davon abhängt, welcher Analyst und welche Tools eingesetzt werden.
Das Problem verschärft sich durch die Verteilung von Zugriffskontrollen, Qualitätsberichten, der Nachverfolgung der Datenherkunft und der Bestimmung von Business-Ownern auf mehrere Tools und Systeme. Jedes zusätzliche Dashboard, jede weitere Datenquelle und jede zusätzliche Plattform fügt eine neue Governance-Fläche, einen weiteren Ort, an dem Regeln voneinander abweichen können, und einen potenziellen Fehlerpunkt hinzu. Infolgedessen verbringen Datenteams möglicherweise mehr Zeit mit Wartung und Fehlerbehebung als mit der Bereitstellung von Daten und Erkenntnissen.
Eine einzige Schicht für Definition und Governance
Der Artikel schlägt ein anderes Modell vor: Definitionen von Metriken, Geschäftslogik und Berechnungen an einem einzigen Ort innerhalb der semantischen Schicht zu hinterlegen. Wird eine Metrik für wiederkehrende jährliche Umsätze einmal definiert, können Tableau, Power BI, Excel, Python und ein KI-gestütztes Konversationstool darauf zurückgreifen. Wird die Definition geändert, etwa durch den Ausschluss von Testkunden, wird die Änderung an nachgelagerte Tools weitergegeben, anstatt manuell nach jeder logischen Version der Metrik suchen zu müssen.
Der Artikel verknüpft die semantische Schicht außerdem mit der Versionsverwaltung. Dadurch können Versionen zentraler Metriken nachverfolgt und frühere Berechnungsmethoden einer Metrik nachvollzogen werden. Parallel dazu kann die semantische Schicht zum zentralen Zugangspunkt für regulierte Daten werden. Teams können ihre bevorzugten Tools verwenden, während Berechtigungen, Definitionen und Geschäftsregeln von einer einzigen Stelle aus verwaltet werden. Dadurch schrumpft der Governance-Bereich von Dutzenden Systemen auf einen stärker gebündelten Punkt.
Der vorgeschlagene Nutzen beschränkt sich nicht auf Konsistenz. Die semantische Schicht kann neben den Modellen, Spalten und Metriken selbst auch Feldbeschreibungen, Metrikdefinitionen, Beziehungszuordnungen und Geschäftsregeln enthalten. Wenn der Datenkontext dort dokumentiert wird, wo sich die Daten befinden, hängt er nicht mehr vollständig vom Gedächtnis der Analysten oder von verstreuten, möglicherweise nicht aktualisierten Dokumenten ab. Dies unterstützt den Self-Service und ermöglicht es KI-Agenten, den Kontext zu lesen, um Daten umfassender zu verstehen.
Risiken verringern, nicht beseitigen
Der Artikel betont, dass die semantische Schicht kein vollständiges Heilmittel ist. Die zugrunde liegenden Daten müssen sauber, strukturiert und gepflegt sein; die Regel „Schlechte Eingaben, schlechte Ausgaben“ gilt weiterhin. Ebenso erfordert die Vereinheitlichung von Metrikdefinitionen organisatorische Übereinstimmung und ein Engagement der Führungsebene – etwas, das Software nicht ersetzen kann.
Die semantische Schicht verändert diesem Ansatz zufolge jedoch die Wirtschaftlichkeit des Risikomanagements. Statt zusätzliche Mitarbeiter und Governance-Tools hinzuzufügen, um mit jeder Quelle, jedem Dashboard und jeder Plattform Schritt zu halten, verringert sie die Zahl der Orte, an denen Logik abweichen, eine Änderung verloren gehen oder eine Prüfung erschwert werden kann. Das Risikomanagement wird leichter beherrschbar, weil es an einer einzigen Stelle konzentriert ist, anstatt sich über den gesamten Daten-Stack zu verteilen.
Dies gewinnt für Organisationen, die auf KI-gestützte Analysen setzen, zusätzlich an Bedeutung, da diese Tools regulierte und mit Kontext versehene Daten benötigen, um vertrauenswürdige Ergebnisse zu liefern. Aus der Perspektive des Artikels ist die semantische Schicht nicht nur eine architektonische Verbesserung der Konsistenz, sondern ein Bestandteil der erforderlichen Infrastruktur für das Management von Datenrisiken in einer Umgebung, in der die Kosten von Entscheidungen auf Grundlage unzuverlässiger Informationen steigen.