Data Lakehouse vs. Data Warehouse: Die neue Architektur-Entscheidung
(ACCA-Fokus: SBL – Technologie, Governance & Strategy)
Executive Summary: Warum Architektur heute Chefsache ist
Unternehmen im DACH-Raum stehen vor einer Herausforderung: Die „alten“ Silo-Strukturen der IT bremsen die strategische Steuerung aus. Früher galt: Für BI (Berichte) braucht man ein Data Warehouse (DWH), für AI und „Big Data“ einen Data Lake.
Heute verschmelzen diese Welten. Ein modernes Datenfundament muss beides können. Microsoft Fabric ist hier das technologische „Bindeglied“, das DWH und Lakehouse auf einer gemeinsamen Datenbasis vereint.
Für Sie als Führungskraft bedeutet das:
Weniger Datenkopien, mehr Wahrheit, niedrigere Kosten und die nötige Agilität für AI-Anwendungen.

1. Was ist was? – Architektur für Nicht-ITler und Experten
A) Data Warehouse (DWH) – Der kuratierte „BI-Anker“
Stellen Sie sich das DWH als ein hochgradig organisiertes Archiv vor. Daten kommen „schema-on-write“ hinein: Das bedeutet, bevor die Daten gespeichert werden, werden sie akribisch nach festen Regeln (z. B. IFRS-Buchungssätze) sortiert, gereinigt und in starre Tabellen (Star-Schemas) gepresst.
Der Nutzen: Einzigartige Performance bei Standard-Abfragen (z. B. „Was ist mein operativer Gewinn im Q3?“).
Die IT-Sicht: Eine T-SQL-basierte Engine, die auf Konsistenz und „Single Version of Truth“ getrimmt ist.
B) Data Lakehouse – Der moderne „Daten-Campus“
Das Lakehouse ist ein flexibler Campus. Es speichert nicht nur fertige Tabellen, sondern auch „Rohmaterial“ (JSON-Logs, Web-Daten, Excel-Files, Bilder). Es kombiniert die Flexibilität eines Data Lakes mit den Sicherheits- und SQL-Funktionen eines Warehouses.
Der Nutzen: Hier können sowohl Analysten (BI) als auch Data Scientists (AI/ML) auf derselben Datenbasis arbeiten.
Die IT-Sicht: Einsatz von offenen Speicherformaten (Delta Lake/Parquet), die ACID-Transaktionen (Sicherheit bei Schreibvorgängen) und Zeitreisen (Time-Travel – Zugriff auf Datenzustände der Vergangenheit) ermöglichen.
C) Microsoft Fabric – Die Brücke („Zero-Copy“)
Fabric ist die technologische Antwort auf das „Kopier-Chaos“. Anstatt Daten von A nach B zu schaufeln, liegen die Daten physisch in einer Ebene (OneLake). Verschiedene Engines (SQL, Spark, KQL) greifen direkt auf dieselben Delta-Dateien zu. Das bedeutet: „One Copy, Many Engines“.
2. Das Business-Problem: Warum Silos uns Geld kosten
Viele Finanzabteilungen leiden unter der „Kopier-Kette“:
Daten aus dem ERP werden exportiert (Kopie 1).
Daten in ein DWH geladen (Kopie 2).
Data Scientists kopieren diese in ein KI-Tool (Kopie 3).
Das Ergebnis: Bei jeder Kopie sinkt die Datenqualität, die Kosten steigen, und bei einer Abweichung im Reporting beginnt das „Finger-Pointing“: „Haben wir dieselbe Datenbasis?“
Die Zielarchitektur löst dies: Das Lakehouse dient als „Single Source of Truth“. Das Warehouse bildet darauf aufbauend die hochgradig kuratierte Sicht für das IFRS-Reporting.
3. Fünf Praxisfälle: Vom „Blindflug“ zum „Daten-Cockpit“
IFRS-Reporting: Statt manueller Abstimmungs-Excel-Listen greift Power BI via Direct Lake direkt auf das Warehouse-Modell zu. Der Abschluss wird beschleunigt.
Marketing-Attribution: Web-Clickstream (unstrukturiert) und CRM-Daten (strukturiert) verschmelzen. Data Science kann jetzt echte Korrelationen zwischen Web-Traffic und Umsatz berechnen.
Supply-Chain-Echtzeit: IoT-Sensoren liefern Daten kontinuierlich. Das ELT-Streaming (Bronze -> Silver -> Gold) alarmiert das Management bei Bestandsanomalien, noch bevor der Batch-Lauf am nächsten Tag startet.
Preissteuerung: Agile Szenarien-Planung mittels SQL (für BI) und Python (für Prognose-Modelle) auf derselben Datenbasis.
Gen-AI/LLM-Enrichment: Unternehmens-eigene Daten werden als „Wissensquelle“ für LLMs (Large Language Models) genutzt, die direkt auf dem Lakehouse-Fundament aufbauen.
4. ETL vs. ELT – Was passiert technisch?
ETL (Extract, Transform, Load): Der Klassiker. Erst transformieren, dann laden. Gut für starre Finanz-Kennzahlen.
ELT (Extract, Load, Transform): Modernes Vorgehen. Erst laden (in den OneLake), dann dort transformieren. Dies ist die Basis für das Medallion-Pattern (Bronze -> Rohdaten, Silver -> Bereinigt, Gold -> Business-Ready). Fabric ermöglicht beide Ansätze auf demselben Speicher.
5. Entscheidungsmatrix: Was brauchen Sie?
Anforderung | DWH | Lakehouse | Fabric-Hybrid |
IFRS/Reporting-Fokus | Sehr stark | Mittel | Exzellent |
KI/ML-Anforderungen | Schwach | Sehr stark | Exzellent |
Daten-Flexibilität | Begrenzt | Hoch | Maximal |
Tool-Landschaft | Monolith | Offen | Integriert |
6. ROI & Zukunftsfähigkeit
Kurzfristig: Zeitgewinn durch Ende der „Export-Import-Hölle“.
Mittelfristig: Einsatz neuer Technologien (Gen-AI, Predictive Analytics) ohne Migration von Altsystemen.
Langfristig: Aufbau eines Korpus aus historischen Daten und Echtzeit-Signalen als strategisches Asset.
7. Migrations-Roadmap (90-Tage-Plan)
Assessment: Wo liegen die Silos? Welcher Business-Case bringt den größten ROI?
Minimal Viable Lakehouse: Aufbau einer ersten Bronze-Silver-Pipeline. Ein Proof-of-Concept, das ein Power BI-Dashboard direkt aus einem Warehouse-Modell füttert.
Governance & Rollout: Einführung von Microsoft Purview für Lineage (Woher kommt der Wert?) und Zugriffskontrolle.
8. Rollen im modernen Betriebsmodell
Data Product Owner: Business-Verantwortung.
Data Engineer: Kümmert sich um die Pipelines (Veredelung von Bronze zu Gold).
Analytics Engineer: Sorgt für die semantische Schicht (KPI-Definitionen).
Data Scientist: Entwickelt ML-Modelle auf der „Silver“-Schicht.
Governance/Compliance: Überwacht Kataloge und Audit-Trails.
Relevanz für ACCA, CIMA & NextLevel‑Bildungsgänge
In den unseren modernen ACCA‑ (z. B. SBL, FR, AFM) und CIMA‑Lehrplänen (z. B. F1, E1) ist Datenarchitektur kein „IT‑Extra“ mehr, sondern Kernbestandteil strategischer Unternehmensführung: Technologie, Governance, Wertbeitrag und Risiko werden integriert bewertet.
ACCA SBL (Strategic Business Leader). Hier geht es nicht um SQL‑Befehle, sondern um Führungsentscheide: Warum ein Lakehouse (BI→AI/Streaming) heute den besseren Strategy‑&‑Governance‑Fit liefert; wie man bei der Ablösung von Legacy‑Silos Risikofaktoren mitigiert
