Glossar: Data Buzzwords

Data Lake

Ein Data Lake ist ein zentraler Speicherort, in dem sehr große Mengen an Daten in ihrem ursprünglichen Rohformat abgelegt werden. Das können strukturierte Daten aus Datenbanken, semi-strukturierte Daten wie JSON-Dateien oder unstrukturierte Daten wie Texte, Bilder oder Logfiles sein. Der Vorteil liegt darin, dass Daten zunächst gesammelt werden können, ohne schon beim Speichern genau wissen zu müssen, wie sie später genutzt werden. Data Lakes sind besonders relevant für Big-Data-Analysen, Machine Learning und explorative Datenprojekte.

Data Warehouse

Ein Data Warehouse ist eine zentrale Datenplattform, die vor allem für strukturierte, bereinigte und gut modellierte Unternehmensdaten verwendet wird. Es dient typischerweise dazu, Berichte, Dashboards und analytische Abfragen performant bereitzustellen. Im Unterschied zum Data Lake werden Daten hier meist stärker vorbereitet, vereinheitlicht und nach fachlichen Modellen organisiert. Data Warehouses sind daher besonders wichtig für Controlling, Management Reporting und Business Intelligence.

Data Lakehouse

Ein Data Lakehouse kombiniert die Flexibilität eines Data Lakes mit vielen Stärken eines klassischen Data Warehouses. Ziel ist es, sowohl Rohdaten als auch strukturierte, analytisch nutzbare Daten auf einer gemeinsamen Plattform zu verwalten. Dadurch können Unternehmen Daten für Reporting, Advanced Analytics und Machine Learning nutzen, ohne strikt getrennte Systeme betreiben zu müssen. In der Praxis soll ein Lakehouse Datenarchitekturen vereinfachen und Silos reduzieren.

Data Fabric

Data Fabric beschreibt eine Architektur, die unterschiedliche Datenquellen, Plattformen und Anwendungen miteinander verbindet. Dabei geht es weniger um ein einzelnes Produkt, sondern um ein übergreifendes Konzept für einheitlichen Datenzugriff, Metadatenmanagement und Automatisierung. Eine Data Fabric soll helfen, Daten in komplexen IT-Landschaften auffindbar, nutzbar und kontrollierbar zu machen. Besonders nützlich ist dieser Ansatz, wenn Daten über Cloud, On-Premises-Systeme und Fachabteilungen verteilt sind.

Edge Computing

Edge Computing bedeutet, dass Daten möglichst nahe an ihrem Entstehungsort verarbeitet werden, etwa direkt auf Maschinen, Sensoren, Fahrzeugen oder IoT-Geräten. Dadurch müssen nicht alle Daten zuerst in ein zentrales Rechenzentrum oder in die Cloud übertragen werden. Das reduziert Latenzzeiten, spart Bandbreite und kann Ausfallsicherheit erhöhen. Besonders wichtig ist Edge Computing in Szenarien, in denen schnelle Entscheidungen notwendig sind, etwa in der Industrie, Logistik oder Medizintechnik.

Cloud-Native Data Management

Cloud-Native Data Management bezeichnet die Verwaltung von Daten mit Diensten, Architekturen und Betriebsmodellen, die speziell für die Cloud entwickelt wurden. Dazu gehören elastische Skalierung, automatisierte Bereitstellung, integrierte Sicherheitsmechanismen und enge Verbindung zu Analyse- und KI-Diensten. Der große Vorteil liegt darin, dass Unternehmen Kapazitäten flexibler nutzen können als in klassischen On-Premises-Umgebungen. Gleichzeitig entstehen aber neue Anforderungen an Governance, Kostenkontrolle und Cloud-Kompetenz.

ETL/ELT (Extract, Transform, Load)

ETL steht für Extract, Transform, Load: Daten werden aus Quellsystemen extrahiert, vor dem Laden transformiert und danach ins Zielsystem übertragen. ELT verschiebt die Transformation stärker in das Zielsystem, etwa in ein modernes Data Warehouse oder Lakehouse. Der Unterschied ist wichtig, weil moderne Plattformen oft genug Rechenleistung bieten, um Transformationen direkt dort auszuführen. Beide Ansätze dienen dazu, Daten aus unterschiedlichen Quellen nutzbar, konsistent und analysierbar zu machen.

Data Pipeline

Eine Data Pipeline ist ein automatisierter Datenfluss von einer oder mehreren Quellen zu einem Zielsystem. Dabei können Daten kopiert, geprüft, bereinigt, transformiert und angereichert werden. Gute Pipelines laufen zuverlässig, nachvollziehbar und möglichst ohne manuelle Eingriffe. Sie sind die Grundlage dafür, dass Berichte, Dashboards, Machine-Learning-Modelle oder operative Anwendungen mit aktuellen und korrekten Daten versorgt werden.

Data Mesh

Data Mesh ist ein dezentraler Ansatz für Datenarchitekturen, bei dem Fachbereiche stärker Verantwortung für ihre eigenen Daten übernehmen. Daten werden dabei wie Produkte behandelt, mit klaren Eigentümern, Qualitätsansprüchen und Schnittstellen. Statt einer zentralen Datenabteilung sollen Domänenteams selbst dafür sorgen, dass ihre Daten verständlich, vertrauenswürdig und nutzbar sind. Das kann Skalierung erleichtern, braucht aber sehr klare Governance und technische Standards.

API-First

API-First bedeutet, dass Schnittstellen von Anfang an als zentrales Element eines Systems geplant werden. Daten und Funktionen werden über gut dokumentierte APIs bereitgestellt, sodass andere Anwendungen sie zuverlässig nutzen können. Das erleichtert Integration, Automatisierung und Wiederverwendbarkeit. Gerade in modernen Datenarchitekturen ist API-First wichtig, weil Daten nicht nur in Berichten, sondern auch in Anwendungen, Portalen und digitalen Prozessen benötigt werden.

Data Governance

Data Governance umfasst Regeln, Rollen, Prozesse und Verantwortlichkeiten für den Umgang mit Daten im Unternehmen. Ziel ist es, Daten verfügbar, korrekt, sicher, nachvollziehbar und sinnvoll nutzbar zu machen. Dazu gehören Themen wie Datenqualität, Zugriffsrechte, Datenschutz, Metadatenmanagement und Verantwortlichkeiten. Ohne Data Governance entstehen schnell widersprüchliche Kennzahlen, unsichere Datenzugriffe und mangelndes Vertrauen in Berichte.

Data Lineage

Data Lineage beschreibt die Nachverfolgbarkeit von Daten über ihren gesamten Lebenszyklus hinweg. Man sieht, woher Daten kommen, welche Transformationen sie durchlaufen haben und in welchen Berichten oder Systemen sie verwendet werden. Das ist besonders wichtig, wenn Zahlen geprüft, Fehler analysiert oder regulatorische Anforderungen erfüllt werden müssen. Data Lineage schafft Transparenz und erhöht das Vertrauen in analytische Ergebnisse.

Data Catalog

Ein Data Catalog ist ein strukturiertes Verzeichnis der vorhandenen Datenbestände eines Unternehmens. Er enthält Metadaten wie Herkunft, Bedeutung, Verantwortliche, Qualität, Aktualität und Zugriffsbedingungen. Dadurch können Anwender relevante Daten schneller finden und besser verstehen. Ein guter Data Catalog ist praktisch das „Telefonbuch“ oder die Suchmaschine der Unternehmensdatenwelt.

Data Stewardship

Data Stewardship beschreibt die operative Verantwortung für bestimmte Datenbereiche. Data Stewards kümmern sich darum, dass Daten korrekt beschrieben, gepflegt, qualitativ überwacht und gemäß Governance-Regeln verwendet werden. Sie sind häufig die Brücke zwischen Fachbereich und IT. Ihre Rolle ist besonders wichtig, weil Datenqualität nicht allein durch Technologie entsteht, sondern durch klare Verantwortung und laufende Pflege.

Self-Service Data Preparation

Self-Service Data Preparation ermöglicht es Fachanwendern, Daten eigenständig für Analysen vorzubereiten. Sie können Daten verbinden, filtern, bereinigen oder umformen, ohne dafür jedes Mal ein IT-Projekt starten zu müssen. Das beschleunigt Analysen und entlastet zentrale Datenteams. Gleichzeitig braucht Self-Service klare Leitplanken, damit keine Schatten-IT, falsche Kennzahlen oder unkontrollierte Datenkopien entstehen.

Machine Learning (ML

Machine Learning ist ein Teilbereich der künstlichen Intelligenz, bei dem Systeme aus Daten lernen, statt ausschließlich nach fest programmierten Regeln zu arbeiten. Algorithmen erkennen Muster in historischen Daten und nutzen diese Muster, um Vorhersagen oder Entscheidungen zu unterstützen. Typische Anwendungen sind Betrugserkennung, Nachfrageprognosen, Empfehlungssysteme oder Qualitätskontrolle. Wichtig ist dabei, dass gute Ergebnisse stark von Datenqualität, Modellwahl und laufender Überwachung abhängen.

Deep Learning

Deep Learning ist ein spezieller Bereich des Machine Learnings, der mit künstlichen neuronalen Netzen arbeitet. Diese Modelle können besonders komplexe Muster erkennen, etwa in Bildern, Sprache, Texten oder großen Verhaltensdatenmengen. Deep Learning benötigt meist große Datenmengen und erhebliche Rechenleistung. Es ist die Grundlage vieler moderner KI-Anwendungen, von Spracherkennung über Bilderkennung bis hin zu generativer KI.

Predictive Analytics

Predictive Analytics nutzt historische Daten, um zukünftige Entwicklungen, Risiken oder Ereignisse vorherzusagen. Dabei kommen statistische Methoden, Machine Learning oder regelbasierte Modelle zum Einsatz. Unternehmen verwenden Predictive Analytics etwa für Absatzprognosen, Wartungsvorhersagen, Churn-Analysen oder Risikobewertungen. Der Nutzen liegt darin, nicht nur zu verstehen, was passiert ist, sondern frühzeitig auf wahrscheinliche Entwicklungen reagieren zu können.

NLP (Natural Language Processing)

Natural Language Processing beschäftigt sich damit, natürliche Sprache maschinell zu verarbeiten und zu verstehen. Dazu gehören Aufgaben wie Textklassifikation, Zusammenfassung, Übersetzung, Sentiment-Analyse oder Chatbots. NLP ist besonders relevant, weil ein großer Teil geschäftlicher Information in Textform vorliegt, etwa in E-Mails, Dokumenten, Tickets oder Verträgen. Moderne Sprachmodelle haben diesen Bereich stark beschleunigt und viele neue Anwendungsmöglichkeiten geschaffen.

AutoML

AutoML steht für Automated Machine Learning und beschreibt Werkzeuge, die Teile der Modellentwicklung automatisieren. Dazu zählen etwa die Auswahl geeigneter Algorithmen, Feature Engineering, Modelltraining, Validierung und Optimierung. AutoML kann Machine Learning für breitere Anwendergruppen zugänglicher machen und Entwicklungszeiten verkürzen. Trotzdem ersetzt es nicht das fachliche Verständnis für Daten, Ziele, Risiken und Ergebnisinterpretation.

Explainable AI (XAI)

Explainable AI umfasst Methoden und Werkzeuge, die KI-Modelle verständlicher und nachvollziehbarer machen sollen. Gerade bei komplexen Modellen ist oft nicht sofort klar, warum sie eine bestimmte Entscheidung oder Prognose liefern. XAI hilft dabei, Einflussfaktoren sichtbar zu machen und Ergebnisse besser zu erklären. Das ist besonders wichtig in regulierten Bereichen, bei kritischen Entscheidungen und überall dort, wo Vertrauen in KI geschaffen werden muss.

Data-Driven Culture

Eine Data-Driven Culture beschreibt eine Unternehmenskultur, in der Entscheidungen konsequent auf Basis von Daten getroffen werden. Daten werden nicht nur gesammelt, sondern aktiv genutzt, um Strategien, Prozesse und operative Maßnahmen zu steuern. Dafür braucht es passende Werkzeuge, aber auch Datenkompetenz, Offenheit und Vertrauen in Kennzahlen. Entscheidend ist, dass Daten nicht als IT-Thema, sondern als Führungs- und Organisationsthema verstanden werden.

Data Democratization

Data Democratization bedeutet, Daten einem größeren Kreis von Mitarbeitenden zugänglich zu machen. Ziel ist, dass nicht nur Spezialisten oder das Management mit Daten arbeiten können, sondern auch Fachbereiche eigenständig Erkenntnisse gewinnen. Das kann Entscheidungen beschleunigen und die Organisation insgesamt analytischer machen. Gleichzeitig müssen Zugriffsrechte, Datenschutz, Datenqualität und einheitliche Definitionen sauber geregelt sein.

KPI (Key Performance Indicator)

Ein KPI ist eine zentrale Kennzahl, mit der der Fortschritt in Bezug auf ein konkretes Ziel gemessen wird. Gute KPIs sind klar definiert, messbar, relevant und mit geschäftlichen Entscheidungen verbunden. Beispiele sind Umsatzwachstum, Kundenzufriedenheit, Lieferzeit, Ausfallquote oder Conversion Rate. Wichtig ist, KPIs nicht nur zu sammeln, sondern sie richtig zu interpretieren und konsequent zur Steuerung zu nutzen.

Real-Time Analytics

Real-Time Analytics beschreibt die Fähigkeit, Daten nahezu in Echtzeit auszuwerten. Unternehmen können dadurch schneller auf Ereignisse reagieren, etwa auf Kundenverhalten, Maschinenzustände, Transaktionen oder Sicherheitsvorfälle. Im Unterschied zu klassischen Reports, die oft verzögert erstellt werden, liefern Echtzeitanalysen sofort verwertbare Einblicke. Der Nutzen ist besonders groß, wenn schnelle Reaktionen wirtschaftlich oder operativ entscheidend sind.

Augmented Analytics

Augmented Analytics nutzt KI und Machine Learning, um Datenanalyse zu unterstützen oder teilweise zu automatisieren. Systeme können Muster erkennen, Auffälligkeiten hervorheben, Erklärungen vorschlagen oder automatisch Visualisierungen erstellen. Dadurch können auch weniger erfahrene Anwender schneller zu relevanten Erkenntnissen kommen. Augmented Analytics ersetzt aber nicht kritisches Denken, sondern soll Analyseprozesse beschleunigen und verbessern.

Datenschutz & Sicherheit

Privacy by Design

Privacy by Design bedeutet, dass Datenschutz von Anfang an in Systeme, Prozesse und Anwendungen eingebaut wird. Datenschutz wird also nicht nachträglich ergänzt, sondern bereits bei Architektur, Datenmodell, Berechtigungen und Verarbeitung berücksichtigt. Das reduziert Risiken und erleichtert die Einhaltung gesetzlicher Anforderungen. Für Unternehmen ist dieser Ansatz wichtig, weil nachträgliche Korrekturen oft teuer, aufwendig und unvollständig sind.

GDPR (General Data Protection Regulation)

Die GDPR, auf Deutsch Datenschutz-Grundverordnung oder DSGVO, ist die zentrale EU-Verordnung zum Schutz personenbezogener Daten. Sie regelt, wann und wie personenbezogene Daten verarbeitet werden dürfen und welche Rechte betroffene Personen haben. Unternehmen müssen unter anderem Zweckbindung, Datensparsamkeit, Transparenz, Sicherheit und Löschpflichten beachten. Verstöße können rechtliche, finanzielle und reputative Folgen haben.

Data Anonymization

Data Anonymization bezeichnet Verfahren, mit denen personenbezogene Informationen so entfernt oder verändert werden, dass einzelne Personen nicht mehr identifiziert werden können. Ziel ist es, Daten weiterhin für Analysen nutzbar zu machen, ohne die Privatsphäre zu verletzen. Das kann durch Entfernen, Gruppieren, Maskieren oder Generalisieren von Merkmalen geschehen. Wichtig ist, dass echte Anonymisierung schwerer ist, als sie klingt, weil Kombinationen mehrerer Datenpunkte Personen wieder erkennbar machen können.

Tokenization

Tokenization ersetzt sensible Daten durch künstliche Ersatzwerte, sogenannte Tokens. Die eigentlichen Daten bleiben geschützt in einem sicheren System, während Anwendungen nur mit den Tokens arbeiten. Das wird häufig bei Zahlungsdaten, Kundendaten oder anderen schützenswerten Informationen eingesetzt. Der Vorteil liegt darin, dass selbst bei einem Datenabfluss nicht automatisch die ursprünglichen sensiblen Werte offengelegt werden.

Zero Trust Security

Zero Trust Security ist ein Sicherheitskonzept, das keinem Benutzer, Gerät oder Dienst automatisch vertraut. Jeder Zugriff muss geprüft, authentifiziert und autorisiert werden — unabhängig davon, ob er innerhalb oder außerhalb des Unternehmensnetzwerks erfolgt. Das Modell passt gut zu modernen IT-Landschaften mit Cloud-Diensten, Remote Work und vielen verteilten Anwendungen. Zentral sind starke Identitäten, minimale Rechte, laufende Überprüfung und gute Protokollierung.